-
公开(公告)号：CN116796570A
公开(公告)日：2023-09-22
申请号：CN202310847735.7
申请日：2023-07-11
Applicant: 桂林市雁山区拾得珠宝有限责任公司 , 桂林理工大学
Abstract: 本发明公开了一种珠宝首饰3D模型设计方法、装置及存储介质，方法包括：获取目标珠宝首饰的模型参数，将对应的纹样按照纹样连接类型进行连接，生成母本纹样，并根据母本纹样和框体类型，生成目标珠宝首饰的框体和母本纹样个数；若纹样处理方式为纹样环绕，对若干个母本纹样依次复制在圈口曲线上，生成纹样群，并将纹样群和框体进行纹样雕刻处理，生成3D模型；若纹样处理方式为雕刻文字，则将文字模型和框体进行文字雕刻处理，生成3D模型；若纹样处理方式为宝玉石镶嵌，则将宝玉石模型移动到镶嵌底座纹样的预设镶嵌点上，并将宝玉石模型和镶嵌底座纹样进行宝玉石镶嵌处理，生成3D模型，实现珠宝首饰的参数化设计，提高珠宝首饰的设计质量。
-
公开(公告)号：CN118101487A
公开(公告)日：2024-05-28
申请号：CN202311562567.3
申请日：2023-11-22
Applicant: 桂林理工大学
IPC: H04L41/14 , H04L41/0894
Abstract: 一种基于NS‑3的边缘计算任务卸载仿真模拟器设计方法。本发明以NS‑3作为网络模拟的基础工具，抽象化边缘计算的基本设备，确定云‑边‑端三层系统架构，使用静态多态技术将常见网络拓扑结构和网络通信协议构建出网络模型，对资源和任务进行建模，建立用于任务传递的消息分发机制，构建用于任务卸载策略的决策模型，并对任务处理结果建模，设计可视化显示模块，实现出边缘计算仿真模拟器。该方法实现具备可扩展性、可复用性和维护性，灵活性较好，支持定制各种任务卸载策略、任务、资源、结果，能够完整地模拟边缘计算任务卸载步骤。该方法实现简洁，功能强大，性能可控，可以直接使用，也可以基于现有模块进一步扩展，实现特殊场景的仿真需求。
-
公开(公告)号：CN116844139A
公开(公告)日：2023-10-03
申请号：CN202310626045.9
申请日：2023-05-31
Applicant: 桂林理工大学
IPC: G06V20/60 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于I‑YOLOF的透明容器液体含量检测方法，涉及透明容器液体含量识别技术领域。采集透明容器图片，按照空瓶子、少水、半水、多水和满水5种类别对图片进行标注，并将采集到的数据集划分为训练集和测试集，使用训练集训练I‑YOLOF模型，使用测试集测试模型效果，最终得到可用于检测透明容器液体含量的I‑YOLOF模型。I‑YOLOF网络模型是YOLOF的变体，改进方法为：主干网络使用ResNet50进行特征提取；解码器引入一个新的头部分支用于预测液体含量，它与用于容器分类的分支并行，且使用了一个三元组注意力模块。本发明通过设计与训练I‑YOLOF模型，可在检测透明容器的基础上快速、精准识别透明容器内的液体含量类别。
-
公开(公告)号：CN110532504B
公开(公告)日：2023-06-27
申请号：CN201910625830.6
申请日：2019-07-11
Applicant: 桂林理工大学
Abstract: 本发明提供一种面向服务组合的约束强度感知的全局QoS约束分解方法。本发明通过定义用户约束强度的度量方法，设计基于模糊推理规则的松弛因子自适应调节方法，构建了一种面向服务组合的约束强度感知的QoS约束分解模型。使用该模型，在约束分解阶段，当用户约束强度较弱时，可以有效淘汰每个任务的候选服务，以降低采用全局优选方法时解空间的大小；当用户约束强度较强时，可为每个任务保留一定的候选服务个数，以提高在服务组合时能够寻找到可行组合方案的概率。
-
公开(公告)号：CN116820131A
公开(公告)日：2023-09-29
申请号：CN202310818688.3
申请日：2023-07-05
Applicant: 桂林理工大学
IPC: G05D1/10 , G06T7/246 , G06V20/17 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/045
Abstract: 本发明公开了基于目标感知的无人机跟踪方法，涉及无人机跟踪技术领域。采用的跟踪框架是一个单流的跟踪框架，包含主干网络和预测头两部分。主干网络使用DeiT‑Tiny，是基于ViT的，通过模板图像与其特征之间的互信息极大化操作实现目标感知。预测头部有三个分支，分别用于预测分类得分、预测采样量化误差以及预测归一化边界框大小，每个分支由四个堆叠在一起的卷积‑批量归一化‑ReLU组成。使用现有的目标跟踪数据集进行训练，获得无人机跟踪模型，然后将训练好的框架部署到无人机平台用于目标踀。本发明通过设计和训练基于目标感知的无人机跟踪模型，可以实现对强烈阳光下的目标、具有快速变换视角的目标以及远距离小目标的精确、高效、实时跟踪。
-
Patent Agency Ranking
公开(公告)号：CN113472689B
公开(公告)日：2022-07-19
申请号：CN202110687173.5
申请日：2021-06-22
Applicant: 桂林理工大学
IPC: H04L49/9047 , H04L47/70 , H04L41/14
Abstract: 本发明公开了一种基于双缓存区AoI感知的物联网数据收集方法，具体包括以下步骤：S1：提出一种基于双缓存区的数据存储与传输策略，对系统模型以及两个缓存区的样本存储与传输过程进行设计；S2：在步骤S1的策略提出后，构建物联网数据传输场景下的双缓存区AoI模型与平均加权AoI优化目标；S3：根据步骤S2得到的结果，设计选择函数，提出一种基于贪心策略的算法对该模型进行求解，完成源节点样本的调度与数据的收集。本发明利用基于双缓存区AoI模型的贪心策略减小平均加权AoI，根据链路与源节点的实时状况对源节点以及源节点上的新旧样本进行灵活选择，即使在链路资源或源节点能量受限的情况下，也能够尽力为物联网用户提供新鲜的数据，提高用户体验质量。
-
公开(公告)号：CN110532504A
公开(公告)日：2019-12-03
申请号：CN201910625830.6
申请日：2019-07-11
Applicant: 桂林理工大学
Abstract: 本发明提供一种面向服务组合的约束强度感知的全局QoS约束分解方法。本发明通过定义用户约束强度的度量方法，设计基于模糊推理规则的松弛因子自适应调节方法，构建了一种面向服务组合的约束强度感知的QoS约束分解模型。使用该模型，在约束分解阶段，当用户约束强度较弱时，可以有效淘汰每个任务的候选服务，以降低采用全局优选方法时解空间的大小；当用户约束强度较强时，可为每个任务保留一定的候选服务个数，以提高在服务组合时能够寻找到可行组合方案的概率。
-
公开(公告)号：CN119052243A
公开(公告)日：2024-11-29
申请号：CN202411161020.7
申请日：2024-08-22
Applicant: 桂林理工大学
IPC: H04L67/1004 , H04L41/14 , H04L41/142 , H04L69/06 , H04L69/14
Abstract: 一种异步边缘调度仿真模拟器的设计方法，以C++23作为开发语言，抽象化异构设备，构建网络模型和移动模型，设计网络通信调度器，结构化表示任务与设备资源，创建数据封包解包器，实现异步并发器，高效完成了边缘计算异步调度的仿真模拟需求。本发明设计实现的模拟器更具有真实性，摆脱了同步调度的局限性，对边缘场景下任务卸载流程的模拟更加精确，符合现实情境，仿真结果更具有可靠性。以此方法，用户可以轻松表达现实边缘计算场景中的抽象概念，布置设备并设置移动方式，以网络真实地在设备间传输任务和其他数据，以异步调度方式精确地控制数据流向，迭代任务卸载算法，发现现实异步传输下边缘计算会存在的问题，优化策略流程，提高决策性能。
-
公开(公告)号：CN118366063A
公开(公告)日：2024-07-19
申请号：CN202410445965.5
申请日：2024-04-15
Applicant: 桂林理工大学
IPC: G06V20/17 , G06V10/764 , G06V10/82 , G06V10/32 , G06N3/0455 , G06N3/09
Abstract: 本发明公开了一种基于学习运动模糊鲁棒ViT无人机跟踪方法，具体涉及无人机跟踪技术领域。该框架由主干网络和预测头两个部分组成。主干网络采用DeiT‑Tiny的轻量级网络，通过最小化原始模板的特征表示与经过运动模糊处理的模糊模板之间的均方误差来增强目标特征表示相对于运动模糊的不变性，从而使得ViT能够学习到运动模糊鲁棒的特征表示。预测头部包括三个分支，分别用于预测分类得分、预测采样量化误差和预测归一化边界框大小。在当前主流的目标跟踪数据集上进行训练，得到了无人机跟踪模型，然后在现有的具有挑战性的无人机测试基准上进行测试。实验结果表明本发明所提出的跟踪算法能够有效地适应无人机需要跟踪快速移动目标所引起的运动模糊场景。
-
公开(公告)号：CN117973498A
公开(公告)日：2024-05-03
申请号：CN202410301944.6
申请日：2024-03-17
Applicant: 桂林理工大学
Abstract: 本发明旨在提出一种基于多智能体深度强化学习的边缘联盟资源预留策略，该资源预留策略包括构建边缘联盟场景、转化资源预留问题、构建多智能体深度学习网络、训练智能体等步骤。相较于现有技术，本发明的优势在于采用多智能体强化学习的分布式执行和集中式训练相结合的方式来解决资源预留问题。这种方法使得每个边缘资源提供商能够在本地执行，并通过集中式训练获取全局最优解。这种方法适用于边缘联盟环境，其中智能体通过与环境不断交互学习，以寻找全局最优的资源预留率，从而优化任务的平均计算时延。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.024 seconds)
