本技术公开了一种基于联合标记分布学习的面部抑郁识别方法，包括将面部图像作为训练数据，每张面部图像标注为一个单标记BDI‑II分值，作为其所对应的描述度，通过高斯分布生成每张面部图像的抑郁分值分布；设计一个68维输出的深度网络模型，前64维用于学习抑郁分值分布，每张面部图像包括学习真实的抑郁分值和邻域内的分值；后4位用于学习抑郁等级分布，抑郁等级分布包括真实的抑郁等级的描述度和其他等级的描述度，设计一个多任务联合标记分布学习框架，联合学习抑郁分值分布与抑郁等级分布。解决单标记BDI‑II分值标注的不确定性问题并缓解了训练数据不足的问题；通过联合标记分布学习在训练过程中既考虑抑郁分值也考虑抑郁等级，提高抑郁诊断的性能。

 本技术涉及一种多传感器动态融合的火灾监测与识别方法及系统，包括:S1：采集不同工况下火灾样本数据，得到样本集；S2：选择信息量最大的视频数据作为多传感器动态融合学习模型的输入，对样本集进行预处理，并利用函数计算表示火焰存在与否的概率值；S3：构建修正函数，基于物理数据拟合曲线图以计算修正值，对初步预测结果进行微调，不改变原张量的梯度；S4：使用修正值和自定义的损失函数调整模型输出，控制预测值的调整幅度通过概率系数，使用负对数似然损失函数计算损失值，并进行反向传播以优化模型参数，本发明通过对多种传感器数据进行更好的动态融合，提高了火灾监测与识别系统的响应速度和准确性。

本文涉及一种后视镜图像生成方法、装置、车载设备和可读存储介质。所述方法包括:获取侧视相机图像数据、后视相机图像数据以及后侧雷达点云数据；将图像数据以及点云数据输入预先训练的后视镜图像生成模型，通过后视镜图像生成模型对图像特征以及点云数据的点云特征进行融合，得到多模态特征数据；将多模态特征数据输入后视镜图像生成模型中的编码器模块，获取与多模态特征数据相匹配的编码特征数据，并对编码特征数据进行降维处理，得到降维特征数据；将降维特征数据输入后视镜图像生成模型中的解码器模块，通过解码器模块对降维特征数据进行解耦，生成目标汽车的后视镜图像。采用本方法能够提高后视镜图像的生成效率。

本技术提供一种情绪识别方法、装置以及存储介质，属于图片识别技术领域，方法包括:S1：导入多个情绪样本图片，分别对多个情绪样本图片进行筛选分析，得到困难样本图片；S2：基于卷积神经网络，通过卷积神经网络分别对多个困难样本图片进行困难样本图片的特征提取，得到困难样本特征；S3：基于情绪分类模型，根据多个困难样本特征对情绪分类模型进行训练，得到情绪识别模型；S4：将多个困难样本特征输入至情绪识别模型进行识别，得到识别结果。本发明提高了分类模型对复杂情绪识别的准确性，同时，在复合样本的情绪识别中也有一定的帮助。

本文涉及一种骨钉标记点提取方法、装置、处理设备和存储介质，其中，所述方法包括:获取骨钉提取对象的三维扫描图像；根据骨钉的物理参数，识别所述三维扫描图像中目标骨钉的骨钉图像；根据所述骨钉图像确定所述目标骨钉的头部图像；根据所述头部图像，确定所述目标骨钉的头部圆心位置；根据所述目标骨钉的头部圆心位置和探针的半径确定所述目标骨钉的标记点位置。

 本技术提供动态多链路智能管理与调度系统，涉及网络通信技术领域。该系统可以实现对网络链路的实时监测、动态管理和传输数据调度，解决了现有技术中的带宽利用率较低与传输效率不足的问题。首先，通过链路层以下的智能代理技术，实时获取并监测各链路的状态信息。其次，系统利用动态调整规则的方法，根据实时监测数据进行链路准入控制，并在两节点间数据传输带宽不足时，动态判断是否需要建立新的中继链路并提供最佳的中继节点选择。最后，采用深度强化学习与启发式调度算法相结合的方式，进行多链路传输数据调度，最大程度提高带宽利用率。整体而言，本发明通过智能代理、动态调整规则和深度强化学习等方法的结合，提供了一种高效、智能的网络链路管理调度方案，有效提升了网络资源的利用率和数据传输的质量。

 本技术提供了一种基于图注意力神经网络的三维冠状动脉自动分割方法，属于图像分割的医学图像分割技术领域。解决了传统方法没有充分考虑医学图像的高噪声和灰度不均的技术问题。其技术方案为:包括以下步骤：步骤一、对图像进行窗宽窗位的处理；步骤二、将图像缩小到128×128×64大小；步骤三、对步骤二得到的图像进行膨胀运算；步骤四、基于步骤二得到的图像建立图结构；步骤五、使用Vnet3D网络对块图像进行分割；步骤六、将步骤四与步骤五分割得到的冠状动脉图像进行融合得到最终的冠状动脉分割图像。本发明的有益效果为：保证对于冠状动脉高的分割准确率和鲁棒性。

 本技术属于图像处理与计算机视觉技术领域，具体涉及一种基于改进SE注意力机制的足球运动动作检测算法，该方法基于YOWO网络，该网络分别将RGB视频连续帧和RGB关键帧信息输入到时序检测模块和空间检测模块进行处理；在时序检测模块中，引入SE注意力机制，同时在SE注意力机制的池化层前添加连续的3D深度可分离卷积和残差连接，使网络更加关注浅层和深层的特征信息，确保关键信息被保留，从而提升3D卷积网络的时空特征提取能力；在空间检测模块中，用YOLOV2进行空间特征提取；然后将时空特征和空间特征进行特征融合，最后对这些融合特征进行检测，得到该视频目标行为所属的类别、持续时间和位置信息。

 本技术公开了一种基于HPLC的电力大数据智能监测方法与系统，方法如下:基于电工识别样本数据集训练得到电工人脸识别模型；基于电工着装识别样本数据集训练得到电工着装识别模型；基于用户用电信息样本数据集训练得到用电检测模型。将实时采集的电工的人脸图像、电工的着装图像以及用户用电情况，输入至云边服务器的三个模型，获得电工身份ID识别结果、电工着装规范识别结果、以及用户用电情况识别结果；边缘服务器将识别结果发送至Ⅱ型采集器，Ⅱ型采集器，通过HPLC将识别结果传输至Ⅰ型集中器，Ⅰ型集中器将识别结果上传至云服务器。本发明能够提高整体数据的处理速度，降低传输时延，实现对视频监控数据和用电数据的智能化实时监控。

 本技术公开了基于混合感知状态空间模型的红外弱小目标检测方法，具体按照以下步骤实施:步骤1、构建红外弱小目标检测数据集；步骤2、构建编码器，编码器包括跨尺度浅层嵌入模块和混合特征挖掘模块；步骤3、构建解码器，解码器包括聚焦特征融合模块和全连接层；步骤4、利用数据集训练构建的检测网络，实现对红外弱小目标检测。本发明利用跨尺度浅层嵌入模块、混合特征挖掘模块和聚焦特征融合模块，通过在网络入口的高分辨率图像充分感知潜在可能的目标位置、下采样阶段提升对背景杂波与噪声的区分能力并强化目标的语义信息同时在上采样阶段完成对跨层特征的聚焦与校准实现对已捕获目标的持续响应。