-
公开(公告)号：CN119450544A
公开(公告)日：2025-02-14
申请号：CN202310974471.1
申请日：2023-08-03
Applicant: 中国移动通信集团有限公司研究院 , 清华大学
IPC: H04W24/06
Abstract: 本发明提供了一种网络指标预测方法及网络指标预测装置，属于通信技术领域。网络指标预测方法，包括：获取蜂窝网络小区的质量指标以及与所述质量指标相关的第一参数，所述第一参数与所述质量指标存在因果关系，所述第一参数的变化影响所述质量指标；获取所述质量指标的第一历史数据、所述第一参数的第二历史数据和所述第一参数的预测数据；将所述第一历史数据、所述第二历史数据和所述第一参数的预测数据输入所述质量指标对应的网络指标预测模型，得到所述质量指标的第一预测结果。本发明的技术方案可以提升网络指标预测精度。
-
公开(公告)号：CN118887381A
公开(公告)日：2024-11-01
申请号：CN202410883562.9
申请日：2024-07-02
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06V10/25 , G06V10/40 , G06V10/774
Abstract: 本申请实施例提供了一种自动化更新方法、装置、存储介质及计算机程序产品，该方法包括：获取M张第一图片，利用第一模型对M张第一图片进行文本提取，得到第一文本集合；其中，第一文本集合包括M个关键词，基于第二模型和第一文本集合对N张原始图片进行标注处理，得到N张标注后的原始图片；其中，N张标注后的原始图片包含N个第一标注信息，第一标注信息包含N张原始图片对应的最优标注信息，基于N张标注后的原始图片对第三模型的参数信息进行更新处理，即本申请可以实现图片的自动化标注流程，从而提高了标注的准确性，并利用标注后的图片对第三模型的参数信息进行更新处理，从而可以提升第三模型的性能和准确度。
-
公开(公告)号：CN118828628A
公开(公告)日：2024-10-22
申请号：CN202311315793.1
申请日：2023-10-11
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: H04W24/06 , H04W12/084
Abstract: 一种无线网络模型的token表征方法及网络设备，该方法包括：获取无线网络模型的网元数据，所述网元数据用于表征网元的状态；对所述网元数据进行分割，并对分割后的网元数据进行高维表征，获得所述无线网络模型的对应的网元快照；确定所述网元快照作为所述无线网络模型建模的token；其中，一个所述token用于指示一个网元在预设时间段内的状态。本申请基于网元数据获得无线网络模型的对应的网元快照，将网元快照作为无线网络模型的token，每个token均是原始信息的高维表征，其物理机理清晰，在不同文本中是通用且稳定的。得到token后，可以设计符合网络结构化数据的专有模型，提升无线网络模型的准确率。
-
公开(公告)号：CN118820413A
公开(公告)日：2024-10-22
申请号：CN202410225100.8
申请日：2024-02-28
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06F16/332 , G06V10/764 , G06V10/774 , G06V10/26 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种视觉问答方法、装置、计算机设备和存储介质。所述方法包括：获得目标图像和/或目标视频，以及获得所述目标图像和/或目标视频对应的问题文本；通过预训练完成的多个视觉模型分别提取所述目标图像和/或目标视频中的视觉特征，对多个视觉特征进行拼接，获得多维特征向量；其中，所述多个视觉模型至少包括下列一项或多项：分类模型、目标检测模型、分割模型和图像描述模型；将所述问题文本进行编码，获得第一向量，利用预训练完成的对齐模型对所述多维特征向量和所述第一向量进行融合，获得第二向量；通过语言模型对所述第二向量进行处理，获得所述问题文本的回答文本。
-
公开(公告)号：CN118803990A
公开(公告)日：2024-10-18
申请号：CN202310820741.3
申请日：2023-07-05
Applicant: 中国移动通信集团有限公司研究院 , 清华大学
Abstract: 本发明提供一种流量预测方法、装置、电子设备和可读存储介质，涉及无线网络技术领域，其中，该方法包括：获取目标基站在目标时刻的第一预测值，以及获取目标残差值，所述目标残差值用于表征所述目标基站在所述目标时刻的第二预测值与预设参考值之间的残差值；基于所述第一预测值和所述目标残差值确定目标预测值。本发明实施例可以使得目标预测值的准确度更高，从而实现更好的预测性能。
-
Patent Agency Ranking
公开(公告)号：CN118802526A
公开(公告)日：2024-10-18
申请号：CN202410205430.0
申请日：2024-02-23
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: H04L41/0813 , H04L41/50 , H04L47/10 , G06F8/71
Abstract: 本申请公开了一种流量权重处理方法、装置、设备、存储介质及计算机程序产品。其中，流量权重处理方法包括：采集针对目标服务的服务请求数据；所述目标服务包括至少两个灰度发布版本；基于所述服务请求数据，确定各所述灰度发布版本的当前流量权重对应的第一信息；所述第一信息表征每分钟内每秒查询率；基于所述第一信息，预测各所述灰度发布版本的当前流量权重对应的第二信息；所述第二信息表征服务请求失败率预测值；基于所述第二信息，确定各所述灰度发布版本的目标流量权重；基于所述目标流量权重，对所述当前流量权重进行调整，直至权重比例满足设定第一条件。
-
公开(公告)号：CN118799460A
公开(公告)日：2024-10-18
申请号：CN202410016562.9
申请日：2024-01-05
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明提供一种视频生成方法、装置、设备及介质。本发明的方法，包括：针对第一视频中的帧图像，将帧图像、第一目标外貌图像和多帧第一稠密姿态图像输入至视频生成模型，获得第一噪声；其中，第一目标外貌图像为具有第一目标外貌的人物图像，多帧第一稠密姿态图像包括连续多帧与第一目标姿态相关的人物图像，视频生成模型包括训练后的第一噪声预测模型和训练后的第二噪声预测模型，训练后的第一噪声预测模型用于捕捉目标姿态，训练后的第二噪声预测模型用于恢复目标外貌；对第一噪声进行去噪处理，获得去噪后的帧图像；根据去噪后的帧图像，生成第二视频。本发明的方法能够大大提升了生成视频的视觉质量。
-
公开(公告)号：CN118799447A
公开(公告)日：2024-10-18
申请号：CN202410302507.6
申请日：2024-03-15
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06T11/60 , G06T5/50 , G06T5/77 , G06N3/094 , G06N3/0475 , G06N3/045 , G06N3/0464
Abstract: 本申请实施例提供了一种图像编辑方法、图像编辑装置及存储介质，该方法包括：图像编辑装置将待预测图像输入至目标扩散模型，获得待预测图像对应的第一目标图像；其中，目标扩散模型包括融合模块和目标图像生成模块，融合模块用于将待预测图像对应的第一特征图和待预测图像对应的第二特征图进行融合处理；目标扩散模型是基于训练图像集对初始图像生成模块进行训练获得的；初始图像生成模块包括修复模块，修复模块用于将随机掩码和训练图像集中的第二目标图像对应的初始权重图进行融合处理，从而可以提高模型的预测精准度。
-
公开(公告)号：CN118799445A
公开(公告)日：2024-10-18
申请号：CN202410014944.8
申请日：2024-01-04
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本申请实施例公开了一种图像合成方法、装置、设备及计算机可读存储介质，其中，所述方法包括：基于第一图像，确定N个第一对象的深度值以及掩码，N为正整数，所述第一图像包括所述N个第一对象；基于M个第二图像，确定M个第二对象的深度值以及掩码，M为正整数，所述M个第二图像中的每个第二图像包括一个所述第二对象；基于所述第一图像、所述M个第二图像、所述N个第一对象的深度值以及掩码和所述M个第二对象的深度值以及掩码，生成合成图像以及所述合成图像对应的掩码；所述合成图像包括所述N个第一对象和所述M个第二对象，且在所述合成图像中深度值较小的对象覆盖深度值较大的对象。
-
公开(公告)号：CN118798381A
公开(公告)日：2024-10-18
申请号：CN202311587650.6
申请日：2023-11-24
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06N20/00
Abstract: 本申请公开了一种基于参数微调的模型训练方法、装置、设备及存储介质。该方法包括：确定待微调的目标模型的微调参数；基于微调参数，确定目标模型的每一网络层的增量矩阵；对每一网络层的增量矩阵进行拼接，得到张量化的增量张量；基于设定的数据集分批次地训练目标模型，直至得到训练好的目标模型；其中，每批次的训练基于增量张量的张量奇异值分解进行微调参数的更新学习。由于将每一网络层的增量矩阵拼接后得到张量化的增量张量，并在此基础上进行张量分解和更新学习，可以显著减少计算量，使得目标模型的微调过程更加高效，能够在保持模型性能的同时，有效降低计算成本。
-
-
-
-
-
-
-
-
-
Search Results
184
records
(took 0.123 seconds)
