-
公开(公告)号：CN113837239A
公开(公告)日：2021-12-24
申请号：CN202111030670.4
申请日：2021-09-03
Applicant: 南京信息职业技术学院
Abstract: 本发明公开了一种基于非凸范数的运动目标检测方法及系统，包括：获取视频信息，将视频信息转换为矩阵；将矩阵输入到预先构建的基于改进的鲁棒主成分分析的运动目标检测模型，采用交替方向乘子法求解运动目标检测模型，根据求解结果提取运动目标；所述运动目标检测模型采用非凸log范数和截断分数范数作为鲁棒主成分分析中的稀疏度函数和秩函数。优点：基于改进的鲁棒主成分分析的运动目标检测模型中的非凸log范数和截断分数范数更能有效的逼近传统鲁棒主成分分析模型中的秩函数和稀疏度函数，提取的运动目标效果更好。
-
公开(公告)号：CN113723454A
公开(公告)日：2021-11-30
申请号：CN202110829253.X
申请日：2021-07-21
Applicant: 南京信息职业技术学院
Abstract: 本发明公开了一种改进的鲁棒主成分分析的运动目标检测方法，包括：S1，基于改进的鲁棒主成分分析方法构建运动目标检测模型；S2，将待处理视频转换成对应的观测矩阵，采用交替方向乘子法求解运动目标检测模型，提取对应视频中处于运动状态的前景目标，并计算检测该运动目标时的F‑measure值和时间值，对运动目标检测模型进行验证。本发明同时采用非凸γ范数和拉普拉斯尺度混合尺度，以更好地逼近传统鲁棒主成分分析模型中的秩函数和稀疏度函数；引入的显著性映射矩阵更能有效的判别哪些像素属于运动目标部分，对运动目标检测的效果更优。
-
公开(公告)号：CN111429475A
公开(公告)日：2020-07-17
申请号：CN202010229250.8
申请日：2020-03-27
Applicant: 南京信息职业技术学院
IPC: G06T7/194
Abstract: 本发明公开了一种基于鲁棒低秩稀疏分解的视频前背景分离方法，将待处理视频转化为一个大小为m行，n列的二维矩阵M，m为视频每帧的长宽积，n为视频的帧数；将二维矩阵M输入至预先构建的基于鲁棒低秩稀疏分解的视频前背景分离方法的模型，输出对应于视频背景的低秩矩阵B、对应于视频前景的稀疏矩阵F和噪声矩阵G；所述基于鲁棒低秩稀疏分解的视频前背景分离方法的模型采用广义非凸核范数作为模型的秩函数，采用结构化稀疏诱导范数作为模型的l0范数，并增加噪声项。优点：与传统的视频前背景分离方法比较，鲁棒性好，抗噪声强，对带噪声的视频的前背景分离效果好。
-
公开(公告)号：CN118824031A
公开(公告)日：2024-10-22
申请号：CN202411010333.2
申请日：2024-07-26
Applicant: 南京信息职业技术学院
IPC: G08G1/065 , G08G1/01 , G06N3/0464 , G06N3/042 , G06N3/045
Abstract: 本发明公开了一种交通预测方法及系统，步骤1，获取城市各个路口的交通数据集，将交通数据集转化为包含时间、空间和特征的第一交通数据矩阵。步骤2，将第一交通数据矩阵经过输入嵌入层得到第二交通数据矩阵。步骤3，将第二交通数据矩阵分别经过L个时空编码模块，得到L个第三交通数据矩阵。步骤4，将L个第三交通数据矩阵经过输出嵌入层得到交通预测结果。本发明提供的一种交通预测方法及系统，可以有效的提高交通流量预测的精度并具有较好的优越性。
-
公开(公告)号：CN118350411A
公开(公告)日：2024-07-16
申请号：CN202410446770.2
申请日：2024-04-15
Applicant: 南京信息职业技术学院
IPC: G06N3/042 , G06N3/082 , G06F18/241 , G06F18/214 , G06F16/335 , G06F16/68
Abstract: 本发明公开了一种基于双注意力图神经网络的链路预测方法，获取包含表征不同目标的结点以及结点之间关系的异构图数据集；将异构图数据集并行通过基于双注意力图神经网络的链路预测系统两个路径，分别得到第一信息表征、第二信息表征；将上述第一信息表征和第二信息表征通过评分函数和激活函数计算对应的第一得分和第二得分；计算两个得分的凸组合得到链路预测结果；系统所采用的的损失函数为三个标准二进制交叉熵损失函数之和。提高了链路预测的精度。
-
Patent Agency Ranking
公开(公告)号：CN117787336A
公开(公告)日：2024-03-29
申请号：CN202310548279.6
申请日：2023-05-16
Applicant: 南京信息职业技术学院
IPC: G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06F18/2415 , G06N20/00 , G06F16/9535
Abstract: 本发明公开了一种基于霍克斯过程和图神经网络的会话推荐方法，包括以下步骤：读取用户点击网站中前m个商品的特征，并将其转化为m×d维特征矩阵；根据用户点击网站的前m个商品的顺序，构造对应商品关系的邻接矩阵，并确定出度矩阵和入度矩阵；将m×d维特征矩阵、出度矩阵和入度矩阵并行分别通过图神经位置感知层和图神经霍克斯层，通过图神经位置感知层得到第一会话特征，通过图神经霍克斯层得到第二会话特征；将第一会话特征和第二会话特征经过线性变换层得到第三会话特征；将第三会话特征经过预测层最终得到用户点击每个商品的概率，并根据概率预测用户将要点击的第m+1个商品。本发明方法具有优越的性能。
-
公开(公告)号：CN117058579A
公开(公告)日：2023-11-14
申请号：CN202310981542.0
申请日：2023-08-04
Applicant: 南京信息职业技术学院
Abstract: 本发明公开了一种基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法，基于基于半二次正则化函数和平滑剪裁绝对偏差函数以及噪声项建立运动目标检测模型，将待检测视频作为视频矩阵输入该运动目标检测模型，计算运动目标并输出。相较于现有技术，本发明基于半二次正则和平滑剪裁绝对偏差的运动目标检测方法具有检测精度高、便于操作、鲁棒性高的特点。
-
公开(公告)号：CN115481678A
公开(公告)日：2022-12-16
申请号：CN202211030539.2
申请日：2022-08-26
Applicant: 南京信息职业技术学院
Abstract: 本发明公开了一种基于高通滤波和l21范数的图神经网络系统的商品分类方法，包括接收n个商品的特征矩阵和邻接矩阵，其中，特征矩阵的每一行表示一个商品的图节点特征；利用第一图卷积神经网络层、带泄露线性整流函数层以及第二图卷积神经网络层初步处理特征矩阵，获得原始信号；基于邻接矩阵，利用基于高通滤波和l21范数的图神经网络层处理原始信号，获得第一矩阵，第一矩阵每行的各元素表示为对应商品的一种类别；利用对数归一化指数函数层，将第一矩阵转换为第二矩阵，第二矩阵的各元素表示第一矩阵中对应元素的概率；基于最大值原则，将第二矩阵各行最大元素对应的第一矩阵中的类别，确定为对应商品的分类。本发明能够对多个商品进行分类。
-
公开(公告)号：CN115082831A
公开(公告)日：2022-09-20
申请号：CN202210791366.X
申请日：2022-07-07
Applicant: 南京信息职业技术学院
Abstract: 本发明公开一种基于分数范数和最小最大凹罚的运动目标检测方法，包括：获取视频；处理获取的视频，获得视频矩阵；将获得的视频矩阵输入到预构的基于分数范数和最小最大凹罚的运动目标检测模型，以检测对应的运动目标；其中，基于分数范数和最小最大凹罚的运动目标检测模型包括分数范数和最小最大凹罚函数；所述分数范数用于逼近传统鲁棒主成分分析中的稀疏度函数；所述最小最大凹罚函数用于逼近传统鲁棒主成分分析中的低秩函数。本发明能够检测视频中的运动目标。
-
公开(公告)号：CN115082510A
公开(公告)日：2022-09-20
申请号：CN202210797150.4
申请日：2022-07-08
Applicant: 南京信息职业技术学院
Abstract: 本发明公开了一种基于非凸拉普拉斯算子的视频前背景分离方法及系统，获取视频信息并将其转为对应二维矩阵，输入到预先构建的基于非凸拉普拉斯算子的视频前背景分离模型，利用交替方向乘子法求解所述基于非凸拉普拉斯算子的视频前背景分离模型，得到视频的前景和背景；获取鲁棒主成分分析模型；采用非凸的拉普拉斯核范数替代鲁棒主成分分析模型中的秩函数，采用非凸的拉普拉斯范数替代鲁棒主成分分析模型中的l0范数，同时在鲁棒主成分分析模型中加入噪声项得到所述基于非凸拉普拉斯算子的视频前背景分离模型。优点：具有抗噪声强，对传统鲁棒主成分分析方法的稀疏项和低秩项逼近程度高等优点。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.031 seconds)
