“黄泓毓”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于多智能体强化学习的机场滑行智能调度方法-CN202310183386.3在审
发明人：唐岚;梁永胜;黄泓毓;丁辉;付胜豪;董斌;王凯 -专利权人：中国电子科技集团公司第二十八研究所
申请日： 2023-03-01 - 公布日： 2023-07-07 - 主分类号： G06Q10/0631 文献下载
摘要：本发明提供了一种基于多智能体强化学习的机场滑行智能调度方法，包括：步骤1，接收机场场面上每架飞机的状态信息；步骤2，使用基于集中式学习分布式执行框架的多智能体强化学习算法对所有飞机的状态信息进行分布式策略训练，获得场面上的每一架飞机的分布式策略；步骤3，根据生成的分布式策略为对应的飞机选择动作，并发送至场面上的飞机，场面上的飞机根据分布式策略生成的动作进行滑行；步骤4，执行步骤1至步骤3重复上述学习过程，最终所有的飞机都能够在避免滑行冲突的前提下，按照最优路径轨迹进行滑行。该方法可以根据机场场面信息决定每架飞机的移动方向和移动速度，在避免冲突的条件下，最小化飞机的滑行时间。
一种基于智能强化学习机场滑行调度方法

[发明专利]基于相互学习的图卷积神经网络节点分类方法、存储介质和终端-CN202011540958.1有效
发明人：匡平;高宇;李凡;彭江艳;黄泓毓;段其鹏;刘晨阳 -专利权人：电子科技大学
申请日： 2020-12-23 - 公布日： 2023-04-07 - 主分类号： G06F18/2415 文献下载
摘要：本发明公开了基于相互学习的图卷积神经网络节点分类方法、存储介质和终端，方法包括以下步骤：将待分类数据输入训练后的相互学习网络，得到节点分类结果；所述相互学习网络包括的训练以下子步骤：利用损失函数Lk，对包括三个及以上的学生网络的相互学习网络进行训练；所述损失函数Lk包括自身交叉熵损失函数和KL损失函数。本发明采用数量大于2的学生网络，优点在于可以减小过拟合情况，提高模型准确率；相比于数量2的学生网络，模型鲁棒性更强。
基于相互学习图卷神经网络节点分类方法存储介质终端

[发明专利]室内密集场景的人流密度检测方法、系统存储介质及终端-CN202011570465.2有效
发明人：匡平;刘晨阳;李凡;彭江艳;段其鹏;高宇;黄泓毓 -专利权人：电子科技大学
申请日： 2020-12-26 - 公布日： 2023-02-03 - 主分类号： G06V20/52 文献下载
摘要：本发明公开了一种室内密集场景的人流密度检测方法、系统存储介质及终端，方法包括采用随机组合方式对图像进行预处理；预测输入图像的目标中心点；对目标中心点真值进行下采样处理；采用高斯核函数分散有效真值，形成目标中心点热力图；确立热力图局部峰值点，并以热力图作为置信度，对目标尺寸进行回归处理，输出目标边缘框。本发明对图像进行预处理，大大增加了图像的可变性，使整个检测方法具有更强的鲁棒性；基于目标中心点预测方法回归出目标边缘框，直接将关键点直接分配与待测目标上，无需使用锚点框，不存在多个预选框相互重叠的情况，减少了在人头密集的场景中因为后处理而造成的待检测的真实目标丢失的情况，检测精确度高。
室内密集场景人流密度检测方法系统存储介质终端

[发明专利]一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质-CN202011547351.6有效
发明人：匡平;黄泓毓;李凡;彭江艳;高宇;刘晨阳;段其鹏 -专利权人：电子科技大学
申请日： 2020-12-23 - 公布日： 2022-08-02 - 主分类号： G06V20/40 文献下载
摘要：本发明属于图像信息处理技术领域，具体公开了一种基于改进的YOLOv4高穹顶场景下火灾检测方法、存储介质，方法包括对YOLOv4模型进行改进，在YOLOv3损失函数的基础上添加原有YOLOv4损失函数的CIOU loss分支得到新的损失函数，并引入新的参数作为惩罚项；运用预先采集的训练数据集，并利用微调后的模型参数对改进后的YOLOv4模型进行训练，得到训练好的模型；将待检测视频逐帧输入训练好的模型，通过输出结果的置信度是否达到设定的阈值，来判断当前视频帧中有无火灾。本方法是一种新的应用于高穹顶场景下的火灾检测方法，并且在普通场景下具有适用性，大大提高了检测精度。
一种基于改进 yolov4 穹顶场景火灾检测方法存储介质

[发明专利]头盔佩戴检测方法、计算机可读存储介质和电子设备-CN202011519641.X有效
发明人：匡平;段其鹏;李凡;彭江艳;刘晨阳;黄泓毓;高宇 -专利权人：电子科技大学
申请日： 2020-12-21 - 公布日： 2022-06-17 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了头盔佩戴检测方法、计算机可读存储介质和电子设备，方法包括以下步骤：将待检测数据输入第四模型，将第四模型的输出进行头盔佩戴检测；其中，第四模型由以下方式得到：利用人头数据对第一模型进行训练，训练完成得到第二模型；利用人头数据和头盔数据的第一混合数据对第二模型进行训练，训练完成得到第三模型；利用人头数据、头盔数据和现场数据的第二混合数据对第三模型进行训练，训练完成得到第四模型。本发明首先采用人头数据集进行训练，再采用头盔+人头的数据集训练，最后在现场数据集上进行训练，让神经网络在能够正确区分头盔和人头的前提下，在超复杂、高密度、小尺度的条件下训练，最终实现高准确率的定位。
头盔佩戴检测方法计算机可读存储介质电子设备