-
公开(公告)号：CN109614967A
公开(公告)日：2019-04-12
申请号：CN201811176334.9
申请日：2018-10-10
Applicant: 浙江大学
Abstract: 一种基于负样本数据价值重采样的车牌检测方法，包括：1)收集包含车牌图片，将车牌区域切割出来作为正样本，在非车牌区域随机裁剪出图像块作为负样本，划分训练集，验证集和测试集；2)从训练集的负样本中随机选取与正样本数量相同的样本训练初始分类器，对训练集中全部的负样本进行预测，根据预测为负样本的概率值进行分组，并保证除最后一组外其余各组的样本量与正样本数量相同；3)对于每组负样本数据和正样本数据重新训练分类器，并在验证集上计算信息增益来度量每组负样本的数据价值；4)根据每组负样本的数据价值计算权重，从各组中重新随机采样构成新的负样本训练集，同正样本一起训练最终分类器，使用测试集评价其效果。
-
公开(公告)号：CN109472284A
公开(公告)日：2019-03-15
申请号：CN201811088628.6
申请日：2018-09-18
Applicant: 浙江大学
Abstract: 一种基于无偏嵌入零样本学习的电芯缺陷分类方法，包括：1)从通过高清摄像头采集的电芯图片中，采用滑动窗口的方式获取合适大小的包含缺陷的图像块，将较为常见的缺陷类别分配为带标签的源数据，将少见的缺陷类别分配为无标签的目标数据；2)使用有标注的源类数据和未标注的目标类数据来端对端地训练准全监督学习网络模型QFSL；3)测试阶段，对于输入的图像块，通过视觉嵌入子网络得到它的视觉嵌入，接着利用视觉-语义衔接子网络，完成从视觉嵌入到语义嵌入的映射，然后通过内积计算得到投影得到的视觉嵌入和语义嵌入的得分，最后送入Softmax分类器产生了所有类别的预测概率，将概率最高的那个类别作为分类结果。
-
公开(公告)号：CN108802041A
公开(公告)日：2018-11-13
申请号：CN201810218913.9
申请日：2018-03-16
Applicant: 浙江大学
CPC classification number: G01N21/8851 , G01N2021/8854 , G01N2021/8883 , G01N2021/8887 , G06N3/08
Abstract: 一种屏幕检测的小样本集快速换型方法,包括：1)采集现有大量数据的无缺陷图片和有缺陷图片，进行标记，制作训练数据集。采集需换型屏幕的数据，制作小样本数据集；2)利用已制作的数据集训练自定义卷积神经网络至收敛并且有较高准确率，将小样本数据集输入卷积神经网络，提取特征图，作为生成对抗网络的训练数据，训练自定义的生成对抗网络，直至收敛；3)利用生成对抗网络生成特征图，作为卷积神经网络的调优数据，强化训练卷积神经网络，直至收敛；4)将工业相机拍摄的屏幕图片进行多尺度缩放，并且以有重叠的方式分割成图像块。将所有图像块送入加强训练后的卷积神经网络模型，从而得到最终结果。
-
公开(公告)号：CN105138953B
公开(公告)日：2018-09-21
申请号：CN201510405296.X
申请日：2015-07-09
Applicant: 浙江大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于连续的多实例学习的视频中动作识别的方法。本发明包括如下步骤：1、从视频网站上收集电影数据作为训练数据样本集，同时对网站上收集字幕和剧本进行预处理，将剧本中的动作描述作为训练数据的视频级别的弱标记；2、通过弱标记将视频切分成多个视频片段，每个视频片段由一个动作组成；对于每个动作，利用视频片段训练基于连续的多实例学习的动作分类器；3、用户将待识别视频输入至训练好的多个动作分类器，计算待识别视频的每一帧属于该动作的概率；4、通过视频切割模型得到每一帧的动作类别，将动作类别返回给用户。本发明减少了人工标记费时费力的问题，同时减少了弱标记和转折帧带来的二义性问题。
-
公开(公告)号：CN106937018A
公开(公告)日：2017-07-07
申请号：CN201710022650.X
申请日：2017-01-12
Applicant: 浙江大学
IPC: H04N1/54
CPC classification number: H04N1/54
Abstract: 一种基于RBF(Radical Basis Function)神经网络用于纺织品数码印花的色彩映射方法。此方法由下面三个部分组成：首先设计节省油墨量的CMYK样本集，利用测色仪采集颜色样本数据；对于印染机色域内颜色，利用RBF神经网络建立RGB与CMYK之间的转换关系；对于印染机色域外颜色，通过四种压缩方法，获得色域内的替换颜色。通过上述3个步骤建立的转换关系，可以将任何一张RGB图片精确地转换为对应CMYK颜色值图片，用于纺织品花型稿的喷墨印染。
-
Patent Agency Ranking
公开(公告)号：CN106934835A
公开(公告)日：2017-07-07
申请号：CN201710022484.3
申请日：2017-01-12
Applicant: 浙江大学
Abstract: 基于空间网络用于纺织品喷墨印染的颜色色域映射方法包含如下几个步骤：首先，在RGB颜色空间利用RBF神经网络建立RGB与CMYK之间的样本对映射关系；然后，在RGB颜色空间建立颜色空间网络，网络以RGB整数点为顶点，每个顶点与其26个邻域点利用无向边连接，连接权重通过色差公式CIEDE2000计算；最后，对于印染机色域内颜色，一对一实现映射，对于印染机色域外颜色，利用新提出的多源最短路径算法实现印染机色域外颜色到印染机色域边缘颜色多对一映射。通过以上三个主要步骤，本发明可以实现色域内颜色精准映射的同时，保留图像的层次纹理信息，提升纺织品喷墨印染效果。
-
公开(公告)号：CN103905745B
公开(公告)日：2017-02-15
申请号：CN201410123871.2
申请日：2014-03-28
Applicant: 浙江大学
IPC: H04N5/335
Abstract: 本发明提供了一种视频帧中重影时间戳的识别方法。本发明首先确定摄像机帧曝光时间和LCD显示器中时间戳刷新时间，然后计算一帧视频中最多的时间戳重叠数量。根据最多时间戳重叠数量，分别确定空间分集数量和颜色分集数量；其次将LCD显示屏上的数字码表中的每个数字时间戳替换成更容易被识别的编码时间戳。然后根据确定的空间分集数量和颜色分集数量，在时间戳刷新过程中结合使用空间分集和颜色分集技术。最后识别时间戳，分析得到正确的时间信息。本发明在不需要大幅度更改软件功能和增加硬件需求的基础上，提升视频帧中时间戳识别的准确率。
-
公开(公告)号：CN105787049A
公开(公告)日：2016-07-20
申请号：CN201610109051.7
申请日：2016-02-26
Applicant: 浙江大学
CPC classification number: G06F16/739 , G06F16/36 , G06F16/78 , G06K9/6269
Abstract: 一种基于多源信息融合分析的网络视频热点事件发现方法。包括：1)采集有多源信息的网络视频；2)将网络视频的多源信息结构化为描述性关键字标签；3)根据步骤2)得到的网络视频语义结构化关键字标签与用户定义的敏感词字典的匹配度，得到网络视频的主观敏感度参数；4)根据网络视频中多源信息的点击率、时间字段，得到网络视频的客观热度参数；5)根据步骤3)得到的主观敏感度参数，建立网络视频敏感度预测模型，预测新网络视频的主观敏感度；6)根据步骤4)得到的客观热度参数，建立网络视频热度预测模型，预测新网络视频的客观热度；7)选取主观敏感度和客观热度加权求和在网络视频集中排名靠前的视频作为热点视频。
-
公开(公告)号：CN104331905A
公开(公告)日：2015-02-04
申请号：CN201410606276.4
申请日：2014-10-31
Applicant: 浙江大学
IPC: G06T7/20
CPC classification number: G06K9/00744
Abstract: 本发明公开了一种基于运动物体检测的监控视频摘要提取方法。本发明首先确定ViBe模型的参数，然后用一段视频帧初始化模型，在得到的ViBe背景模型，处理新的视频帧，生成二值背景图像。其次对得到的二值图像进行形态学操作，并在二值图像中得到该帧中的运动物体的位置信息。其次对每个运动物体进行跟踪，保存每个物体的运动序列。对进行运动物体分割，得到物体精细轮廓。最后按照合理的方法，将运动物体的轮廓序列拼接到背景帧中。本发明针对各类监控视频，利用ViBe模型实现了一种简单有效的视频摘要提取方法，在保留关键物体运动信息的基础上，提升了处理效率。
-
公开(公告)号：CN104063720A
公开(公告)日：2014-09-24
申请号：CN201410315984.2
申请日：2014-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度玻尔兹曼机的电商网站违禁商品图片检测的方法。此方法由三个有效步骤组成：1）利用深度玻尔兹曼机模型对大量违禁商品图片样本以及负样本进行训练，得到较好的检测模型初始化参数，即违禁商品检测方法判别特征；2）利用反馈神经网络模型对步骤1）中所得参数进行微调，得到检测模型的最终参数；3）利用滑动窗口方法，对检测图片进行多尺度缩放，在不同尺度下进行滑动窗口操作，利用步骤2）中得到的模型检测每个窗口中是否存在违禁商品，最终判定待检测图片中是否包含违禁商品。通过DBM模型训练图像样本的过程，能够在保证训练速度的同时提取对数据有更本质刻画的特征，进而保证了目标检测的准确率和召回率。
-
-
-
-
-
-
-
-
-
Search Results
177
records
(took 0.049 seconds)
