-
公开(公告)号：CN115796287A
公开(公告)日：2023-03-14
申请号：CN202211226943.7
申请日：2022-10-09
Applicant: 厦门大学
IPC: G06N5/045 , G05B19/042
Abstract: 本发明公开了一种基于深度学习的场所流量控制方法、系统及可读介质，通过获取人员数据、场所数据和办公数据，根据人员数据确定对应的空间因素、移动因素和健康因素，并基于空间因素、移动因素和健康因素构建雷达图，根据雷达图确定人员的健康状态评分；根据场所数据的历史流量数据采用经训练的LSTNet模型预测得到未来对应时刻的流量数据，并结合实际流量数据确定场所的负载状况；根据人员的健康状态评分、场所的负载状况和办公数据确定该人员进入该场所的权限；根据人员的健康状态评分、场所的负载状况通过排队论模型计算出该人员进入该场所的排队平均等待时间，该方法具有更细的细粒度，提供人员等待时长，避免人员拥挤，有利于场所内人流量的管控。
-
公开(公告)号：CN110969190A
公开(公告)日：2020-04-07
申请号：CN201911080527.9
申请日：2019-11-07
Applicant: 厦门大学
Abstract: 本发明公开了一种非法营运车辆检测方法、介质、设备及装置，其中方法包括：获取车辆对应的第一通行信息，并提取第一通行信息对应的第一行为特征；根据第一行为特征进行训练集和测试集的建立，并将训练集和测试集输入到深度神经网络进行模型的训练，以生成非法营运车辆检测模型；获取待检测车辆对应的第二通行信息，并提取第二通行信息对应的第二行为特征；将第二行为特征输入到非法营运车辆检测模型，以通过非法营运车辆检测模型判断待检测车辆是否为非法营运车辆；能够对非法营运车辆进行快速、有效地检测，提高交通管理部门的行政执法效率，节约执法过程所需人力物力；同时，降低执法过程对道路交通和合法驾驶车辆人员的影响。
-
公开(公告)号：CN106780586A
公开(公告)日：2017-05-31
申请号：CN201611000480.7
申请日：2016-11-14
Applicant: 厦门大学
IPC: G06T7/507
Abstract: 本发明公开了一种基于地面激光点云的太阳能潜力评估方法，其包括以下步骤：S1、对原始点云进行抽稀；S2、对抽稀后的点云P进行感兴趣区域地面点集R的提取，S3、设置光源偏差控制角；S4、采用最远点贪心策略来快速计算基点的位置和个数；S5、计算基点太阳位置；S6、采用广义隐藏点移除算法即GHPR算法，进行三维点云场景的遮挡分析，从而进行日照模拟计算；S7、对遮挡分析结果进行二值化阴影绘制；S8、对点云场景进行太阳辐射计算。本发明的评估方法能够提供快速、高效的太阳能资源自动化评估，可以为用户提供调查区域任意时间段的三维太阳能资源分布图。
-
公开(公告)号：CN114387580B
公开(公告)日：2024-10-18
申请号：CN202210010060.6
申请日：2022-01-06
Applicant: 厦门大学
IPC: G06V20/58 , G06V10/774 , G06V10/82 , G06N20/00 , G06N3/098
Abstract: 本发明公开了一种基于联邦学习的模型训练方法及装置，其中方法包括：采集每个客户端对应的三维点云数据进行预处理，以得到对应的道路点云二维灰度分块图片；获取服务器端的全局模型，并根据道路点云二维灰度分块图片对全局模型进行训练及计算，以得到每个客户端对应的模型参数和道路标识权重，并将每个客户端对应的模型参数和道路标识权重发送给服务器端以对每个客户端对应的模型进行加权平均以得到更新后的全局模型，并发送给每个客户端，以便进行下一轮模型更新，直至达到最大通信轮数后得到道路标识提取模型；由此，通过各个客户端正负样本占比设置权重，实现了客户端的公平聚合，从而提高了联邦学习模型的准确度和公平性。
-
公开(公告)号：CN114638964B
公开(公告)日：2024-07-23
申请号：CN202210216065.4
申请日：2022-03-07
Applicant: 厦门大学
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/772 , G06V10/80 , G06V10/82 , G06V20/56 , G06N3/045 , G06N3/0475 , G06N3/082 , G06N3/094 , G06N3/096 , G06N3/084 , G06N3/0985
Abstract: 本发明提供一种基于深度学习的跨域三维点云分割方法、存储介质，方法包括：获取训练数据；构建高效域迁移对抗分割框架；使用训练数据中的源域数据对框架中的条件域融合分割网络模型进行监督训练，得到预训练条件域融合分割网络模型并更新至框架中，再使用训练数据继续训练更新后的分割网络模型得到跨域三维点云条件域融合分割网络模型；输入目标域数据至跨域三维点云条件域融合分割网络模型后，先分别通过其中的主分支Ev和辅助分支Ep提取基于体素的特征和基于点的特征，再通过注意力融合模块融合这两个特征，再通过分类器对融合特征和基于体素的特征进行逐点分类，得到各点的预测标签。本发明能够极大地提升跨域分割的准确率和性能。
-
Patent Agency Ranking
公开(公告)号：CN117011524A
公开(公告)日：2023-11-07
申请号：CN202310796499.0
申请日：2023-06-30
Applicant: 厦门大学
IPC: G06V10/26 , G06V10/82 , G06V10/774 , G06V10/20 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本申请的实施例提供了一种基于DA‑Unet模型的SAR遥感影像分割方法、装置、介质及设备。该方法包括：对待分割的SAR遥感影像进行预处理，得到预处理后的所述SAR遥感影像，所述SAR遥感影像包含待识别对象；将预处理后的所述SAR遥感影像输入至预先训练完成的DA‑Unet模型中，以使所述DA‑Unet模型输出针对所述待识别对象的分割图像；其中，所述DA‑Unet模型在原始Unet模型具有的第一编码器的基础上，增加去除全连接层的ResNet101模型以作为第二编码器，所述第一编码器的输出层与所述第二编码器的输出层的输出形状相同。本申请实施例的技术方案可以提高SAR遥感影像的特征提取的有效性，进而保证图像分割结果的准确性。
-
公开(公告)号：CN115203351A
公开(公告)日：2022-10-18
申请号：CN202210803355.9
申请日：2022-07-07
Applicant: 厦门大学
Abstract: 本发明公开了一种多图融合的城市区域表示学习方法和预测方法，其中表示学习方法包括：获取原始城市区域划分及其对应的人群移动数据，并根据人群移动数据对原始城市区域划分进行预处理，以得到多张移动图；计算多张移动图之间的移动图距离，并根据移动图距离对多张移动图进行相似度聚合，以得到多个移动模式；将多个移动模式输入到联合学习模块，以便通过联合学习模块对多个移动模式进行模式内消息传递和模式间交叉注意力处理，以得到城市区域的向量表示；由此，只需通过人群移动数据进行城市区域表示学习，且能够有效消除冗余信息，提升了城市区域表示的泛化能力。
-
公开(公告)号：CN114638964A
公开(公告)日：2022-06-17
申请号：CN202210216065.4
申请日：2022-03-07
Applicant: 厦门大学
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/772 , G06V10/80 , G06V10/82 , G06V20/56 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明提供一种基于深度学习的跨域三维点云分割方法、存储介质，方法包括：获取训练数据；构建高效域迁移对抗分割框架；使用训练数据中的源域数据对框架中的条件域融合分割网络模型进行监督训练，得到预训练条件域融合分割网络模型并更新至框架中，再使用训练数据继续训练更新后的分割网络模型得到跨域三维点云条件域融合分割网络模型；输入目标域数据至跨域三维点云条件域融合分割网络模型后，先分别通过其中的主分支Ev和辅助分支Ep提取基于体素的特征和基于点的特征，再通过注意力融合模块融合这两个特征，再通过分类器对融合特征和基于体素的特征进行逐点分类，得到各点的预测标签。本发明能够极大地提升跨域分割的准确率和性能。
-
公开(公告)号：CN108765475B
公开(公告)日：2021-11-09
申请号：CN201810517923.2
申请日：2018-05-25
Applicant: 厦门大学
IPC: G06T7/33
Abstract: 本发明公开了一种基于深度学习的建筑物三维点云配准方法，包括以下步骤：S1、训练数据的获取；S2、深度学习模型的构建；S3、模型训练及调优；S4、待检测数据预处理；S5、检测点云关键区域；S6、检测点云关键点；S7、判断关键点对应关系；S8、计算转换关系及配准。本发明将深度学习应用于点云配准的两个关键步骤：寻找关键点及确定匹配关系。本发明充分利用深度学习对点云数据的表征能力来分步骤寻找关键区域、定位关键点，相对于传统的遍历方式极大地加快了检测速度，并且用深度网络模型学习点云特征而代替手工特征，使得算法更加鲁棒和高效。
-
公开(公告)号：CN112906911A
公开(公告)日：2021-06-04
申请号：CN202110150143.0
申请日：2021-02-03
Applicant: 厦门大学
IPC: G06N20/20
Abstract: 本发明公开了一种联邦学习的模型训练方法、介质及设备，其中方法包括：选取评测客户端；进行模型预训练，以提取评测数据集；根据内部评测训练集进行模型的训练，以生成评测模型，并计算第一损失值；将评测模型广播给各个客户端，并获取第二损失值，以及计算第一累积分布和第二累积分布；计算损失值上限值，并将损失值上限值广播给对应的客户端，以便每个客户端进行噪声过滤，得到客户端网络模型；每个客户端计算质量因子，并将质量因子和客户端网络模型发送给服务器，以便服务器根据质量因子和客户端网络模型进行聚合，得到服务器模型；能够消除潜在的数据偏见，对客户端采集的数据进行有效过滤，提高联邦学习模型的准确度。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.023 seconds)
