-
公开(公告)号：CN103248964B
公开(公告)日：2016-04-06
申请号：CN201310117793.0
申请日：2013-04-07
Applicant: 同济大学
IPC: H04N21/643 , H04N21/6437 , H04N21/647
Abstract: 一种基于RTP/RTCP的车载视频传输系统，其特征在于，是由网络传输控制模块和若干N个可以移动的客户端共同构建成了本发明整个车载视频传输系统，各个车载终端形成VANET网络，所述客户端为安放于车内的车载终端，每个车载终端都安装有Intel IPP库，所述车载视频传输系统为客户/服务器模式。本发明通过设计基于RTP/RTCP的车载视频传输系统，考虑到视频压缩参数不同对最终的传输质量会有影响，动态地根据系统检测的丢包率，实时调节视频压缩质量，本发明系统可动态调整视频传输质量。
-
公开(公告)号：CN102866775A
公开(公告)日：2013-01-09
申请号：CN201210324584.9
申请日：2012-09-04
Applicant: 同济大学
IPC: G06F3/01
Abstract: 本发明提供一种基于多模式融合的脑机接口控制系统及方法，该系统包括用以诱发SSVEP稳态视觉和诱导MI运动想象的脑电刺激与反馈模块；用以采集EEG脑电信号的脑电信号采集模块；用以提取并识别分类EEG脑电信号中的SSVEP稳态视觉诱发电位特征和MI运动想象脑电特征的脑电信号处理模块；脑电信号处理模块还将SSVEP稳态视觉诱发电位特征和MI运动想象脑电特征分别对应的分类结果反馈回脑电刺激与反馈模块；用以执行分类结果的执行模块。本发明构建了多模式融合的脑机接口，提高了控制系统的信息传输率、可靠性和灵活性，减少了单运动想象模式脑机接口下的低信息传输率，同时也减少了单SSVEP任务下的视觉负担，提高了基于脑机接口的控制系统的适应人群。
-
公开(公告)号：CN1956056B
公开(公告)日：2010-05-12
申请号：CN200610117188.3
申请日：2006-10-16
Applicant: 同济大学
Abstract: 一种语音合成装置以及方法，用于具有GPS导航装置的GPS语音导航系统中，其主要包括语音存储单元、索引存储单元，分析单元以及播放单元；其储存道路导航过程中所使用到的以词段为单位的语音格式道路信息，并对应地生成至少包含所述语音格式道路信息的文本描述、偏移量及数据长度的文本格式道路信息，在播放一导航语句之前，先将导航语句拆分为多个语音格式道路信息，并以一预定关键词检索基本资料库中的文本格式道路信息，接着解析检索到的文本格式道路信息，获得与之对应的语音格式道路信息，最后将所述导航语句涉及到的以词段为单位的语音格式道路信息重组，再进行语音播报，本发明还提供一种包括上述语音合成装置的GPS语音导航系统。
-
公开(公告)号：CN117315244A
公开(公告)日：2023-12-29
申请号：CN202311169956.X
申请日：2023-09-12
Applicant: 同济大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/047 , G06N3/084
Abstract: 本发明涉及一种融合多尺度特征的医学图像分割方法、设备、存储介质，方法利用预训练好的医学图像分割模型进行分割，其中，医学图像分割模型包括：编码器模块，包括基于transformer和基于卷积神经网络的两组不同编码块，用于从待分割图像中提取多尺度特征；特征融合模块，分别与各个编码块连接，用于基于交叉注意力机制，对多尺度特征进行编码和融合；解码器模块，分别于编码器模块和特征融合模块连接，包括多个解码块，用于基于融合后的特征输出最终的分割图。本发明将transformer作为主干网络，同时借助于CNN提取低尺度特征，再对特征进行融合，使得模型具有更强的特征提取和特征融合能力，实现更准确的分割。
-
公开(公告)号：CN112348119B
公开(公告)日：2023-04-07
申请号：CN202011377744.7
申请日：2020-11-30
Applicant: 华平信息技术股份有限公司 , 同济大学
IPC: G06V10/774 , G06V10/764
Abstract: 本发明提供一种基于胶囊网络的图像分类方法、存储介质及电子设备，所述基于胶囊网络的图像分类方法包括：获取待训练的图像集；将所述图像集划分为训练集和测试集；利用所述训练集训练分类胶囊网络模型，在训练过程中根据所述训练集中图像特征仿射变换后形成的图像预测胶囊进行路由迭代；将所述测试集输入所述分类胶囊网络模型中进行图像分类的性能测试。本发明提出了不涉及耦合系数参与训练的自适应路由方法，在路由的迭代过程中可以使胶囊自适应地改变自身的特征，使胶囊向更有判别性的方向偏移，避免在出现梯度消失问题的同时也提高了模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN110458066B
公开(公告)日：2022-11-18
申请号：CN201910701028.0
申请日：2019-07-31
Applicant: 同济大学
Abstract: 本发明涉及一种基于静息态脑电数据的年龄段分类方法，包括以下步骤：S1、采集各年龄段对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。与现有技术相比，本发明将静息态脑电数据按脑区划分并进行去伪迹处理，通过卷积神经网络分别提取不同脑区上的特征，以根据不同脑区的特征进行年龄段分类，不仅降低了脑电数据预处理的复杂性，也解决了针对脑电数据无法选择合适模型的问题。
-
公开(公告)号：CN113780750A
公开(公告)日：2021-12-10
申请号：CN202110947815.0
申请日：2021-08-18
Applicant: 同济大学
Abstract: 本发明涉及一种基于医学图像分割的医疗风险评估方法，具体包括以下步骤：S1、获取待评分图像及对应的背景与各类对象，分别进行人工分割和机器分割，得到标准分割结果和通过分割算法得出的实际分割结果；S2、根据标准分割结果和实际分割结果，计算得到多分类混淆矩阵；S3、提取待分割的目标区域对应列的所有元素，组成过渡风险矩阵；S4、将过渡风险矩阵中错分的像素的绝对值转化为相对值，得到风险矩阵；S5、获取预设的初始权重矩阵，进行归一化得到风险权重矩阵；S6、根据风险矩阵和风险权重矩阵，计算风险值。与现有技术相比，本发明具有实现从医疗风险维度对分割结果进行评估，提高最终得出的分割方案的准确性和稳定性等优点。
-
公开(公告)号：CN112348119A
公开(公告)日：2021-02-09
申请号：CN202011377744.7
申请日：2020-11-30
Applicant: 华平信息技术股份有限公司 , 同济大学
IPC: G06K9/62
Abstract: 本发明提供一种基于胶囊网络的图像分类方法、存储介质及电子设备，所述基于胶囊网络的图像分类方法包括：获取待训练的图像集；将所述图像集划分为训练集和测试集；利用所述训练集训练分类胶囊网络模型，在训练过程中根据所述训练集中图像特征仿射变换后形成的图像预测胶囊进行路由迭代；将所述测试集输入所述分类胶囊网络模型中进行图像分类的性能测试。本发明提出了不涉及耦合系数参与训练的自适应路由方法，在路由的迭代过程中可以使胶囊自适应地改变自身的特征，使胶囊向更有判别性的方向偏移，避免在出现梯度消失问题的同时也提高了模型的性能。
-
公开(公告)号：CN111191686A
公开(公告)日：2020-05-22
申请号：CN201911282253.1
申请日：2019-12-13
Applicant: 同济大学
Abstract: 本发明涉及一种基于对抗残差变换网络的无监督领域自适应方法，包括以下步骤：步骤S1：特征提取器提取源域的源数据和目标域的目标数据的特征分布；步骤S2：转换网络将源数据的特征分布映射到目标域，生成伪造目标数据；步骤S3：伪造目标数据通过训练建立标签分类器，通过标签分类器预测目标数据的标签值；步骤S4：域分类器对比伪造目标数据与目标数据，将结果反馈给特征提取器，特征提取器根据结果对提取过程进行改进，转换网络优化源数据到目标域的映射方式；步骤S5：循环执行步骤S1-S4，直至对抗残差变换网络模型的损失函数的值收敛，源域和目标域之间达到域适应。与现有技术相比，本发明具有简化模型对分布映射的学习、提高模型泛化能力等优点。
-
公开(公告)号：CN110458066A
公开(公告)日：2019-11-15
申请号：CN201910701028.0
申请日：2019-07-31
Applicant: 同济大学
Abstract: 本发明涉及一种基于静息态脑电数据的年龄段分类方法，包括以下步骤：S1、采集各年龄段对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、构建卷积神经网络，并将去除伪迹的静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S4、由训练好的卷积神经网络对实际静息态脑电数据进行年龄段分类。与现有技术相比，本发明将静息态脑电数据按脑区划分并进行去伪迹处理，通过卷积神经网络分别提取不同脑区上的特征，以根据不同脑区的特征进行年龄段分类，不仅降低了脑电数据预处理的复杂性，也解决了针对脑电数据无法选择合适模型的问题。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.07 seconds)
