专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果131个,建议您升级VIP下载更多相关专利
  • [发明专利]基于图卷积神经网络的虚拟现实视频质量评价方法-CN202110843795.2有效
  • 郭杰锋;黄虹;黄联芬;梅怀宇 - 厦门大学
  • 2021-07-26 - 2023-10-27 - G06V20/40
  • 本发明公开了一种基于图卷积神经网络的虚拟现实视频质量评价方法、介质及设备,其中方法包括:获取失真VR视频,并抽取失真VR视频的视频帧;将失真VR视频帧建模为具有旋转等变性的二十面体图,并对二十面体图进行切割,以得到第一失真VR视频帧切片;构建图卷积网络模型,并训练得到最终图卷积网络模型;获取待评价VR视频,并对待评价VR视频进行预处理,以得到待评价VR视频对应的第二失真VR视频帧切片,以及将第二失真VR视频帧切片输入到最终图卷积网络模型,以便通过最终图卷积网络模型对待评价VR视频进行评价;能够自动对VR视频进行质量评价,降低VR视频质量评价过程中的计算复杂度;提高评价准确度的同时,降低评价过程中的计算复杂度。
  • 基于图卷神经网络虚拟现实视频质量评价方法
  • [发明专利]基于客户端成簇的混合联邦分割学习的模型训练方法-CN202310686128.7在审
  • 黄联芬;范旭伟;黄邦振;程志鹏;陈宁 - 厦门大学
  • 2023-06-09 - 2023-10-03 - G06F18/214
  • 本发明公开了一种根据本发明实施例的基于客户端成簇的混合联邦分割学习的模型训练方法,包括每个学习客户端根据成簇策略与其周围的辅助客户端进行分簇,以得到多个学习簇;根据簇头选定策略在每个学习簇中选择一个特殊的客户端作为簇头,以便本地基站根据基站带宽分配策略为簇头分配带宽;簇头根据本地基站分配的带宽获取本地基站下发的全局模块,簇头根据模型切分和分配策略将全局模型切分为多个模型段,并分发给所有簇成员进行协作训练;簇头收集簇内的所有簇成员训练好的本地模型并将其上传至本地基站,以便本地基站将簇头上传的本地模型进行聚合,不仅用户计算、存储和通信负载小,而且用户并行度、对用户非独立同分布数据敏感度高。
  • 基于客户端混合联邦分割学习模型训练方法
  • [发明专利]激光点云和视觉图像的跨模态场景匹配方法、装置及设备-CN202310664647.3在审
  • 黄联芬;黄邦振;刘恒宇;黄琛;高志斌;林和志 - 厦门大学
  • 2023-06-06 - 2023-09-26 - G06V10/75
  • 本申请的实施例提供了一种激光点云和视觉图像的跨模态场景匹配方法、装置及设备。该方法包括:对目标车辆在行驶过程中拍摄得到的待处理图像进行语义分割,得到语义图像;对所述语义图像进行聚类,得到对应的视觉图节点;获取预先构建的离线点云图节点地图库;基于图卷积神经网络,分别提取所述视觉图节点对应的视觉图节点聚合特征以及各帧点云图节点数据对应的点云图节点聚合特征;对所述视觉图节点聚合特征以及所述点云图节点聚合特征进行拼接,并将拼接后的特征输入至全连接网络中,以使所述全连接网络输出两种模态对应的匹配程。本申请实施例的技术方案降低跨模态匹配计算的复杂度,并保证跨模态匹配的计算结果的准确性。
  • 激光云和视觉图像跨模态场景匹配方法装置设备
  • [发明专利]基于3D卷积神经网络的无参考VR视频质量评价方法-CN201910810602.6有效
  • 郭杰锋;陈小康;黄联芬 - 厦门大学
  • 2019-08-29 - 2023-04-18 - G06N3/0464
  • 本发明提出了一种基于3D卷积神经网络的无参考VR视频质量评价方法,该方法包括:采用视口生成法获取VR视频中每一帧所对应的多个视口,并将位置相同的视口组合成一个视口视频,以便根据所述VR视频生成多个视口视频;建立3D卷积神经网络模型,并根据生成好的视口视频对所述3D卷积神经网络模型进行训练;基于训练好的3D卷积神经网络模型对待评价VR视频对应的视口视频进行预测,以获得所述待评价VR视频对应的视口视频的MOS值;对属于同一个VR视频的视口视频所对应的MOS值进行池化操作,以获得所述待评价VR视频的最终视频质量分数;由此,该方法充分考虑了VR视频的特性,并采用无参考方式以大大提高VR视频质量评价的效率。
  • 基于卷积神经网络参考vr视频质量评价方法
  • [发明专利]通信基站的节能方法、装置、计算机可读介质及设备-CN202211254349.9在审
  • 高志斌;郭怡洋;罗漫漫;黄联芬;李王明卉;施芝元 - 厦门大学
  • 2022-10-13 - 2023-04-04 - H04W52/02
  • 本申请的实施例提供了一种通信基站的节能方法、装置、计算机可读介质及设备。该方法包括:根据目标地标性建筑的位置信息,确定其对应的目标基站集合,根据目标基站集合中包含的各目标基站以及目标地标性建筑的位置信息,获取与目标地标性建筑对应的环境数据集,将该环境数据集输入至环境用能识别模型中确定该目标地标性建筑所处环境对应的能耗需求等级,若该目标基站集合具有节能空间,则将各目标基站的基站能耗数据输入至基站用能识别模型,以确定各目标基站对应的用能等级,对具有节能空间的目标基站进行用能负载分析,确定其各能耗单元的用能状态,进而确定节能策略。本申请可以在不影响用户体验的前提下提高通信基站的节能效率。
  • 通信基站节能方法装置计算机可读介质设备
  • [发明专利]基于个性化多粒度无级图染色的无线资源管理方法-CN202211456948.9在审
  • 黄联芬;陈宁;程志鹏;范旭伟;赵毅峰;高志斌;谢新典;胡威 - 厦门大学
  • 2022-11-21 - 2023-03-31 - H04W72/0446
  • 本发明公开了一种基于个性化多粒度无级图染色的无线资源管理方法,包括:建立多址融合资源管理模型;获取用户设备之间的无线资源的潜在干扰关系,并根据潜在干扰关系和多址融合资源管理模型获取用户设备之间的潜在干扰值,以便以用户设备为顶点,用户设备之间的潜在干扰值为边的权重,建立无向干扰图;根据无向干扰图对所述顶点进行干扰隔离,以便将顶点映射到对应的染色轴上,并根据顶点在染色轴的位置对应的RGB色值对顶点进行染色;基于多粒度聚类算法对经过隔离染色后的顶点分簇,以不同的宽容度将染色轴上的顶点划入多个干扰耐受间隔,以便同一个干扰耐受间隔中的用户设备可以复用相同的无线资源;由此,降低了系统干扰,从而提高资源利用率。
  • 基于个性化粒度无级染色无线资源管理方法
  • [发明专利]印章鉴别方法、介质、设备及装置-CN201910901481.6有效
  • 赵毅峰;曹伟楠;刘榜;林泽宇;许雪婷;黄联芬 - 厦门大学
  • 2019-09-23 - 2023-03-24 - G06V10/42
  • 本发明公开了一种印章鉴别方法、介质、设备及装置,其中方法包括:获取待鉴别印章图像所对应的原始印章图像;分别提取两者的特征点,并根据特征点对待鉴别印章图像和/或原始印章图像进行移动,以使得待鉴别印章图像和原始印章图像重合;计算待鉴别印章图像和原始印章图像的几何结构特征值,并判断待鉴别印章图像的几何结构特征值和原始印章图像的几何结构特征值之间的差值是否小于预设的差值阈值;如果是,则对印章图像进行切割,以生成多个相对应的切分区间,并计算每对切分区间之间的相似度,以根据相似度生成待鉴别印章图像对应的鉴别结果;能够自动对待鉴别印章进行有效鉴别,提高印章鉴别效率和精度,保证原始印章拥有者的权益不受损害。
  • 印章鉴别方法介质设备装置
  • [发明专利]基于集成模型的个性化联邦学习方法及装置-CN202211165871.X在审
  • 黄联芬;谢浩宇;范旭伟;陈学林;李王明卉 - 厦门大学
  • 2022-09-23 - 2023-01-13 - G06N20/20
  • 本申请公开了一种基于集成模型的个性化联邦学习方法及装置,其中方法包括:各参与者在本地数据集上构建新的单模型拟合全局模型的残差,将训练完成的本轮单模型上传至服务器;服务器根据数据量对模型进行第一次加权,将确定权重后的本轮集成模型下发给各参与者;各参与者在本地数据进行本轮模型简化操作,将最终的选择结果以二进制编码的形式再次上传;服务器根据模型简化结果重新为当前轮次的模型确定权重,并将他们加入到全局模型中下发给各参与者;到达预定轮次后,各参与者得到个性化模型;由此,通过将集成模型融入联邦学习框架以及构建对应的模型个性化方法和通信成本节约方案,提升了联邦学习在非独立同分布的结构化数据上的预测性能。
  • 基于集成模型个性化联邦学习方法装置

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top