-
公开(公告)号：CN113757503A
公开(公告)日：2021-12-07
申请号：CN202110950215.X
申请日：2021-08-18
Applicant: 北京邮电大学
Abstract: 本发明提供了一种面部生物特征采集方法及采集装置，包括：利用场景相机采集预定区域的场景图像，分析所采集的场景图像，判定在预定区域内是否出现采集对象；如果预定区域出现采集对象，从场景相机所采集的场景图像中获取采集对象的位置、运动状态、身高和面部姿态相关的粗略信息；根据粗略信息，将安装有特征采集相机模组的并联平台在竖直方向的上下位置调整到位，同时利用特征采集相机模组动态追踪采集对象的面部姿态，同步调整并联平台和其上所安装的特征采集相机模组，以使得特征采集相机模组处于适合采集面部生物特征的姿态和位置；特征采集相机模组完成采集采集对象的面部生物特征。本发明还提出了一种用于实施前述采集方法的采集装置。
-
公开(公告)号：CN118607668B
公开(公告)日：2025-04-18
申请号：CN202410830079.4
申请日：2024-06-25
IPC: G06N20/00 , G06F18/214 , G06N3/08 , G06N3/0455 , G06F16/353 , G06F40/30
Abstract: 本公开提供了一种数据集扩充方法及装置，属于数据处理技术领域，该方法包括：基于第一语言模型生成第一样本数据；将第一样本数据添加至包含有第二样本数据的数据集中，从数据集中筛选出第三样本数据；第二样本数据为真实数据，第三样本数据为第一样本数据中与真实数据的关联度小于第一阈值的数据；基于第四样本数据训练第一语言模型；第四样本数据为数据集中除第三样本数据之外的数据；返回执行基于第一语言模型生成第一样本数据的步骤，直至满足设定条件，得到扩充后的数据集。本公开提供的一种数据集扩充方法及装置能够淘汰低质量样本，优化生成过程，有效保留更加丰富和高质量的样本。
-
公开(公告)号：CN119578452A
公开(公告)日：2025-03-07
申请号：CN202411655649.7
申请日：2024-11-19
Applicant: 北京邮电大学
IPC: G06N3/006 , G06N3/0442 , G06N3/092
Abstract: 本发明公开了一种基于通用合作知识的多智能体协作方法，包括以下步骤：确定任务领域，并选取若干个合作任务；构建多任务训练框架，所述训练框架包括为每一个合作任务设置的感知网络和决策网络，所述决策网络包括共享决策层和任务特定决策层；基于每一个合作任务，对所述多任务训练框架进行训练，基于训练后的决策网络，构建任务共享决策网络模型；将所述任务共享决策网络模型迁移到新的任务领域中进行训练，完成当前任务中多智能体的协作。本发明采用一种多任务的学习方法，通过将学得的共享策略网络应用于其它相同或不同领域的合作任务中进行训练，促进智能体之间的协作和协调。
-
公开(公告)号：CN119539038A
公开(公告)日：2025-02-28
申请号：CN202510096269.2
申请日：2025-01-22
Applicant: 北京邮电大学
Abstract: 本公开提供了一种基于双层嵌套进化强化学习的智能决策方法及系统，该方法包括：基于进化学习算法初始化目标任务场景对应的任务配置种群；任务配置种群包括多个种群个体，每个种群个体均设置有第一配置网络和第一动作网络；多次执行种群优化操作，直至任务配置种群中的精英个体变为固定；基于精英个体对应的第一配置网络和第一动作网络确定目标任务场景的决策结果；种群优化操作包括：计算每个种群个体对应的适应度；基于每个种群个体对应的适应度将多个种群个体划分为精英个体和非精英个体；基于精英个体和强化学习算法更新任务配置种群中的非精英个体。本公开提供的基于双层嵌套进化强化学习的智能决策方法及系统可以提高辅助决策的有效性。
-
公开(公告)号：CN119417964A
公开(公告)日：2025-02-11
申请号：CN202411461404.0
申请日：2024-10-18
Applicant: 北京邮电大学
IPC: G06T15/00 , G06T5/50 , G06T5/60 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于空间融合的高斯溅射通用渲染增强方法，包括以下步骤：获取待处理的真实图像；构建高斯溅射风格的退化模拟器，并在所述退化模拟器中加入门控机制，选择图像退化过程中的退化类型，生成训练数据集；将待处理的真实图像输入到所述退化模拟器中，生成训练图像；构建高斯增强器，所述高斯增强器利用空间信息融合网络，通过视图融合模块和深度调制模块分别对所述训练图像进行特征融合和增强渲染的处理，生成最终增强结果。本发明可以混合高度相关、高质量的训练图像，并利用目标图像的深度信息来完成渲染细节，从而提高图像的输出渲染质量。
-
Patent Agency Ranking
公开(公告)号：CN117408216B
公开(公告)日：2024-11-12
申请号：CN202311452203.X
申请日：2023-11-03
Applicant: 北京邮电大学
IPC: G06F30/392 , G06F18/213 , G06F18/214
Abstract: 本公开提供了一种芯片全局布局方法及装置、电子设备、可读存储介质，该方法包括：根据第一芯片的电路网表提取所述第一芯片中宏单元的电路特征，得到第一电路特征；将所述第一电路特征输入至预设芯片布局模型中，得到所述宏单元的第一布局位置；其中，所述预设芯片布局模型为基于预设电路特征训练得到的模型；基于所述第一布局位置对所述第一芯片中宏单元和标准单元的位置进行优化，得到所述第一芯片的全局布局位置。本公开提供的芯片全局布局方法及装置、电子设备、可读存储介质可以提高芯片布局的效果。
-
公开(公告)号：CN118052272B
公开(公告)日：2024-11-01
申请号：CN202410189439.7
申请日：2024-02-20
Applicant: 北京邮电大学
IPC: G06N3/092 , G06N20/00 , G06N3/042 , G06F18/23 , G06F18/2413
Abstract: 本公开提供了一种多智能体强化学习方法及装置、电子设备、存储介质，属于超图表示学习技术领域，该方法包括：基于多智能体系统中各个智能体的观测信息生成多条超边。每条超边连接多个智能体，多条超边组成超图结构。超图结构为多智能体系统对应的通信结构。基于各个智能体的观测信息计算多智能体之间的消息权重。基于通信结构和消息权重生成多智能体系统对应的关联度。基于关联度对各个智能体的通信信息进行融合，得到每个智能体对应的融合通信信息。融合通信信息用于指导对应智能体的动作。本公开提供的多智能体强化学习方法及装置、电子设备、存储介质能对多个来自不同智能体的异构信息进行通信融合。
-
公开(公告)号：CN118092764A
公开(公告)日：2024-05-28
申请号：CN202410274114.9
申请日：2024-03-11
Applicant: 北京邮电大学
IPC: G06F3/0486 , G06F3/04812 , G06F3/0488 , G06N3/09
Abstract: 本公开提供了一种大语言模型指导的智能体动作控制方法及装置，属于人工智能领域，该方法包括：基于大语言模型将目标任务转换为智能体的目标动作序列；将目标动作序列输入至第一智能体控制模型中以实现智能体的控制。本公开提供的一种大语言模型指导的智能体动作控制方法及装置，以解决目前智能体控制的精准性差的问题。
-
公开(公告)号：CN117993366A
公开(公告)日：2024-05-07
申请号：CN202410381770.9
申请日：2024-04-01
Applicant: 北京邮电大学
IPC: G06F40/166 , G06F40/194 , G06F40/253 , G06N3/045 , G06N3/048
Abstract: 本公开提供了一种测评题目动态生成方法及系统、电子设备、可读存储介质，属于模型测评领域，该方法包括：基于种子题目和提示生成多个第一测试题目；基于目标模型针对多个第一测试题目的第一回复信息确定多个第一测试题目的难度；若多个第一测试题目的难度不符合预设难度，则对多个第一测试题目进行调整，返回执行基于目标模型针对多个第一测试题目的回复信息确定多个第一测试题目的难度的步骤；若多个第一测试题目的难度符合预设难度，则将多个第一测试题目确定为针对目标模型的测试题目。本公开提供的测评题目动态生成方法及系统、电子设备、可读存储介质，以解决现有评估方法缺乏自适应性的问题。
-
公开(公告)号：CN116563635A
公开(公告)日：2023-08-08
申请号：CN202310550550.X
申请日：2023-05-16
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/82 , G06V10/77 , G06N3/0464 , G06N3/0895 , G06N3/096 , G06N3/048 , G06F21/71
Abstract: 本发明涉及图像处理技术领域，提出了基于类别属性建模的图像分类系统，包括图像预处理模块，用于对原始图像进行预处理，得到原始图像的多个数据增广变换图像；骨干网络，用于提取第一数据增广变换图像的特征向量xs；持续学习的知识蒸馏分支，用于通过最小化蒸馏损失函数，使特征向量xs与特征向量xt的概率分布误差在第一设定范围内；自监督学习分支，用于通过最小化对比损失函数，使特征向量xs和特征向量xc的误差在第二设定范围内；属性注意力模块，用于使用属性标记与交叉注意力机制计算特征向量xs的属性编码e；分类模块，用于计算每个类别的分类分数。通过上述技术方案，解决了现有技术中基于回放的持续学习方法内存消耗大的问题。
-
-
-
-
-
-
-
-
-
Search Results
58
records
(took 0.03 seconds)
