-
公开(公告)号：CN117011840A
公开(公告)日：2023-11-07
申请号：CN202310863482.2
申请日：2023-07-14
Applicant: 南昌大学
Abstract: 本发明公开了一种基于云雾协同框架的车牌识别方法和系统，提供一种基于雾计算的LPR时延精度权衡方案，在保证高识别精度的同时降低时延，提出了一种基于雾计算的LPR任务卸载算法，合理分配计算资源，减少LPR任务传输和执行的排队延迟。此外，提出了一种新的车牌检测算法YOLOv5LPD。YOLOv5LPD颈部采用双向特征金字塔网络(BiFPN)，有效融合跨尺度特征。然后在YOLOv5LPD中去掉了大目标的检测头，有效地降低了网络结构的复杂性。在此基础上，采用一种轻量级卷积循环神经网络(CRNN)实现了不进行字符分割的车牌字符识别。通过YOLOv5LPD与CRNN的结合，在保证较高精度的前提下，提高了识别速度。
-
公开(公告)号：CN116453169A
公开(公告)日：2023-07-18
申请号：CN202310723064.3
申请日：2023-06-19
Applicant: 南昌大学 , 泰豪软件股份有限公司
Abstract: 本发明提供了一种指节纹识别方法及系统，涉及生物特征识别技术领域，该指节纹识别方法包括：采集指节纹图像，从所述指节纹图像中提取ROI子图像；将所述ROI子图像进行归一化处理为有效图像；基于所述有效图像构建指节纹模型；基于所述有效图像对所述指节纹模型进行均值特征训练构建均值函数，提取均值特征；基于所述有效图像对所述指节纹模型进行方向特征训练构建方向函数，提取主方向特征；将所述均值特征和所述主方向特征进行融合，得到融合特征；将所述融合特征与数据库中的对照特征进行对比，以进行身份认证，本发明能够解决现有技术中深度褶皱提取不完整，识别精度低的技术问题。
-
公开(公告)号：CN115761851A
公开(公告)日：2023-03-07
申请号：CN202211442334.5
申请日：2022-11-16
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/047 , G06N3/0985
Abstract: 本发明提出一种基于全局信息的余弦最优损失函数的优化方法，包括：S1.将现有损失函数的优点与一些重要的新属性相结合，应用L2权重归一化；S2.明确遵循最小化类内变化和最大化类间变化两个目标，依靠一种新的算法来学习类中心和类边缘的余弦相似度，并分别提出两个轻量化版本的余弦最优损失函数；S3.整合上述两个轻量化版本来创建余弦最优损失函数的标准版本。本发明主要针对现有损失函数没有应用权重和特征归一化或未明确遵循最小化类内变化和最大化类间变化的问题，使用全局信息作为人脸识别的反馈，提出了一种基于全局信息的余弦最优损失函数，相比于现有的损失函数，该损失函数更加有效并实现了更先进的性能。
-
公开(公告)号：CN119642813A
公开(公告)日：2025-03-18
申请号：CN202411667832.9
申请日：2024-11-21
Applicant: 南昌大学
Abstract: 本发明提供了一种自动跟随行李箱控制方法，属于定位跟随领域。自动跟随行李箱的应用环境障碍物密集，如果障碍物突然出现或移动，容易跟错目标或跟丢目标。本发明提供的一种自动跟随行李箱控制方法，在自动跟随行李箱周测均匀设置多个信号接收设备和无线传感器，根据所接收到的信号和环境参数采用融合空间分割与A*算法的复合路径规划策略规划路径，实时调整跟随速度和角度，提高了自动跟随行李箱跟随的实时性和准确性，扩大了自动跟随行李箱的活动范围。
-
公开(公告)号：CN117671395A
公开(公告)日：2024-03-08
申请号：CN202410146122.5
申请日：2024-02-02
Applicant: 南昌康德莱医疗科技有限公司 , 南昌大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/82 , G06T5/50 , G06V20/69
Abstract: 本发明提供一种癌细胞种类识别装置，包括：用于获取包括初始癌细胞医疗图像的初始样本集，对其进行预处理后获取包括阶段癌细胞医疗图像的阶段样本集的处理模块；用于基于初始样本集及阶段样本集构建包括最终图像矩阵的最终样本集的融合模块；用于构建初始识别神经网络、DTW距离差异性损失函数及交叉熵损失函数的构建模块；用于获取最终识别神经网络的训练模块；用于通过最终识别神经网络获取种类识别结果的执行模块。通过最终识别神经网络进行癌细胞种类识别，其不依靠手工特征进行分类，直接提取图像的深层特征进行识别，提高了对癌细胞种类识别的准确度。
-
Patent Agency Ranking
公开(公告)号：CN116669135A
公开(公告)日：2023-08-29
申请号：CN202310517498.8
申请日：2023-05-09
Applicant: 南昌大学
Abstract: 本发明公开了一种基于受约束的最小生成树的链状簇内路由形成方法、设备、介质和程序产品，方法包括：步骤1，确定传感器节点以及汇聚节点的分布情况，确定无线传感网络分层；步骤2，得到每层簇内节点消耗的能量与位置信息；步骤3，簇头节点选举；步骤4，根据受约束的最小生成树算法形成簇内初始路由；步骤5，利用邻节点交换算法和链路交叉检测消除算法优化簇内初始路由；步骤6，簇内以及簇间数据传输；步骤7，循环步骤2到步骤6，直到无线传感网络无法继续工作。本发明利用受约束的最小生成树形成链状路由，实现簇内能量负载均衡，能够延长无线传感网络生命周期。
-
公开(公告)号：CN119904668A
公开(公告)日：2025-04-29
申请号：CN202411807897.9
申请日：2024-12-10
Applicant: 南昌大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种自适应双层特征重构增强的小样本细粒度图像分类方法，包括：1）提取深度卷积图像特征；2）通过多注意力机制的双层进行自重构；3）用两层自重构特征进行双向重构，利用支持样本重构查询样本，并基于查询样本重构支持样本；4）根据设计的各种测试场景，动态调整四个双层双向重构的分支权重；5）计算给定查询样本与其重构对应样本之间的距离，以及支持样本与其各自重构之间的距离，然后使用所得分支权重对这四个距离进行加权求和；6）对查询样本进行分类。本发明方法有效解决了现有技术中使用有限的查询集特征重建大量支持集特征时拟合能力不足以及判别性局部信息提取不足的问题。
-
公开(公告)号：CN116110092A
公开(公告)日：2023-05-12
申请号：CN202211437311.5
申请日：2022-11-16
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/46 , G06V10/774 , G06V10/80
Abstract: 本发明是一种基于选择性多描述子融合的人脸鉴别方法，属于计算机视觉领域。该发明首先将多个特征描述子融合，从而形成了超高维融合描述子特征，这一方式消除了单一特征带来的不可靠性。再此基础上，使用一种新的优化方法，称为基于判别能力的多描述子选择方法。该优化方法旨在从整个描述子集中找到特定数量的描述子，同时最大化鉴别能力。我们使用该优化方法对融合形成的超高维融合描述子特征进行挑选，从而形成一个新的人脸鉴别方法。这个新的人脸鉴别方法具有更低的特征维度，但却有与超高维融合描述子特征相近的性能。
-
公开(公告)号：CN115830673A
公开(公告)日：2023-03-21
申请号：CN202211461807.6
申请日：2022-11-16
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/774
Abstract: 本发明公开了一种基于最小间隔损失函数的深度人脸识别方法，包括以下步骤：S1、准备数据集，数据集中不包含可能与基准数据集重叠的人脸图像；S2、利用Tensorflow框架搭建基于Inception‑ResNet‑v1模型的网络模型；S3、将数据集中的训练集的图片输入至网络模型中进行训练；S4、将数据集中测试集的图片输入训练好的网络模型中，识别人脸图像。本发明结合了Softmax损失函数、中心(Center Loss)损失函数和最小间隔(Minimum Margin Loss)损失函数的优势，其中中心损失用于增强类内紧凑度，Softmax损失和最小间隔损失用于改善类间分离度。实验结果表明，所提出的最小间隔损失使人脸识别的技术性能达到了新的高度，减少了间隔偏好带来的负面影响。
-
公开(公告)号：CN116453201B
公开(公告)日：2023-09-01
申请号：CN202310723062.4
申请日：2023-06-19
Applicant: 南昌大学 , 泰豪软件股份有限公司
IPC: G06V40/16 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于相邻边缘损失的人脸识别方法及系统，该方法包括：采集历史数据集，对所述历史数据集中可能与基准数据集重叠的人脸图像进行剔除以确定人脸识别模型数据集；利用预设工具搭建预设神经网络模型，并将所述人脸识别模型数据集输入至所述预设神经网络模型当中进行训练以得到人脸识别模型；获取当前的人脸图像，并将所述当前的人脸图像输入至所述人脸识别模型当中，以确定所述人脸图像的人脸信息；其中，所述预设神经网络模型的损失函数为Softmax损失函数与边缘损失结合的损失函数。本发明解决了现有技术中在进行人脸识别时精度低的问题。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.016 seconds)
