-
公开(公告)号：CN110650335B
公开(公告)日：2021-06-15
申请号：CN201910744849.2
申请日：2019-08-13
Applicant: 杭州电子科技大学
IPC: H04N19/103 , H04N19/117 , H04N19/124 , H04N19/147 , H04N19/63 , H04N19/70
Abstract: 本发明公开了一种基于DWT的3D‑HEVC快速DMM预测决策方法。快速DMM预测决策方法首先利用DWT变换获得当前预测块的DWT系数矩阵，然后对当前系数块的水平，垂直，对角线方向系数和进一步对预测块的四周方差进行判断是否具有边缘，最后通过是否具有边缘判定是否要将DMMs加入帧内预测模式候选列表。本发明在3D‑HEVC中引入了深度图实现更好的视图合成，3D视频编码扩展开发联合协作组针对深度图帧内预测编码提出了4中新的针对深度图帧内预测模式DMMs。DWT具有能量聚集的特性，故在3D‑HEVC深度图编码过程中可以明显区分编码块是否具有边缘。本发明对PU进行判断，可有效的减少遍历预测候选列表的时间代价，因此具有计算复杂度低、编码时间短和视频重建效果好的特点。
-
公开(公告)号：CN112906539A
公开(公告)日：2021-06-04
申请号：CN202110172061.6
申请日：2021-02-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于EEG数据的物体识别方法。本发明首先利用数据增强、提取技术，对数据进行扩容。然后随机地把数据分成等量的五个部分，进行5折的训练，再然后用ResBlock作为基础结构，构建全新的二维卷积神经网络，把网络的前三层用空洞卷积去代替普通的卷积，利用PReLU作为网络的激活函数，利用Focalloss作为模型的损失函数。使用Perceive实验室在2017年放出的EEG数据物体识别数据集进行模型训练。本发明数据增强可以使得小数据集的数据得到充分的利用。加之采用较深的网络模型，较少的网络参数，尽管数据集中的EEG数据数量较少，也可以尽可能地学习到EEG数据中的能用来识别的特征，因此可以高效、准确地实现对物体的识别任务。
-
公开(公告)号：CN110782314A
公开(公告)日：2020-02-11
申请号：CN201910942908.7
申请日：2019-09-30
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于边缘计算技术的新型散货零售平台。本发明包括计价平台和零售云服务平台：计价平台包括称重模块、边缘计算平台、数据通信模块、电源模块，用于计算商品总价，与预购进行交互，并上传商品照片、购买人照片和商品购买详情数据至零售云服务平台；零售云服务平台包括数据收发服务器、中间件消息队列、后台处理程序、数据储存模块、前端交互平台，用于对商品购买详情进行进一步分析，获得各特征之间的相关性分析结果。本发明解决了在散货销售过程中，对于不同类型的产品，因为单价不同而需要一名特定人员值守于称台边消耗不必要的劳动力且容易出错的问题，可以获得丰富的销售数据，为商户的销售过程提供指导。
-
Patent Agency Ranking
公开(公告)号：CN110650335A
公开(公告)日：2020-01-03
申请号：CN201910744849.2
申请日：2019-08-13
Applicant: 杭州电子科技大学
IPC: H04N19/103 , H04N19/117 , H04N19/124 , H04N19/147 , H04N19/63 , H04N19/70
Abstract: 本发明公开了一种基于DWT的3D-HEVC快速DMM预测决策方法。快速DMM预测决策方法首先利用DWT变换获得当前预测块的DWT系数矩阵，然后对当前系数块的水平，垂直，对角线方向系数和进一步对预测块的四周方差进行判断是否具有边缘，最后通过是否具有边缘判定是否要将DMMs加入帧内预测模式候选列表。本发明在3D-HEVC中引入了深度图实现更好的视图合成，3D视频编码扩展开发联合协作组针对深度图帧内预测编码提出了4中新的针对深度图帧内预测模式DMMs。DWT具有能量聚集的特性，故在3D-HEVC深度图编码过程中可以明显区分编码块是否具有边缘。本发明对PU进行判断，可有效的减少遍历预测候选列表的时间代价，因此具有计算复杂度低、编码时间短和视频重建效果好的特点。
-
公开(公告)号：CN109714584A
公开(公告)日：2019-05-03
申请号：CN201910026936.4
申请日：2019-01-11
Applicant: 杭州电子科技大学
IPC: H04N13/161 , H04N13/106 , H04N19/182 , H04N19/597 , H04N19/91
Abstract: 本发明公开了一种基于深度学习的3D-HEVC深度图编码单元尺寸快速决策方法。本发明首先利用官方传统方法，先统计测试序列前10帧的深度图编码单元的分割情况来建立数据库，再通过深度学习对这些数据集来进行训练，从而产生一个模型。最后利用该模型来判断测试序列完整帧的深度图编码单元是否需要继续分割。深度学习可以发现数据的分布式特征表示，利用深度学习训练出来的网络具有很强的判知能力，所以利用深度学习可以预知深度图编码单元是否需要继续分割。本发明可以降低编码过程中的计算复杂度，缩短编码时间，在视频重建上也有良好的效果。
-
公开(公告)号：CN112906539B
公开(公告)日：2024-04-05
申请号：CN202110172061.6
申请日：2021-02-08
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于EEG数据的物体识别方法。本发明首先利用数据增强、提取技术，对数据进行扩容。然后随机地把数据分成等量的五个部分，进行5折的训练，再然后用ResBlock作为基础结构，构建全新的二维卷积神经网络，把网络的前三层用空洞卷积去代替普通的卷积，利用PReLU作为网络的激活函数，利用Focalloss作为模型的损失函数。使用Perceive实验室在2017年放出的EEG数据物体识别数据集进行模型训练。本发明数据增强可以使得小数据集的数据得到充分的利用。加之采用较深的网络模型，较少的网络参数，尽管数据集中的EEG数据数量较少，也可以尽可能地学习到EEG数据中的能用来识别的特征，因此可以高效、准确地实现对物体的识别任务。
-
公开(公告)号：CN111626117B
公开(公告)日：2023-04-18
申请号：CN202010321347.1
申请日：2020-04-22
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , B25J9/16 , B07C5/00 , B07C5/36 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于目标检测的垃圾分拣系统及方法。本发明包括垃圾分类目标检测模型、机械臂、工业相机、服务器以及传送带；所述的垃圾分类目标检测模型由YOLOV3神经网络模型，通过带标注的数据集进行训练，然后再通过交叉验证集不断调试训练后的YOLOV3神经网络模型，用测试集测试调试后的最终模型，达到指标后的模型保即为垃圾分类目标检测模型。所述的带标注的数据集，使用图像采集设备，在垃圾处理站实地采集真实场景的垃圾图片，并对垃圾图片中的垃圾类别进行标注，标记为[x_min,y_min,x_max,y_max]以及该垃圾的类别classes_id。所述的服务器与机械臂、工业相机相连接后分别创建线程；本发明实现垃圾分拣生产线智能化、无人化的目标。
-
公开(公告)号：CN112508973A
公开(公告)日：2021-03-16
申请号：CN202011118130.7
申请日：2020-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于深度学习的MRI图像分割方法。本发明先利用图像数据增强、提取技术，对数据进行扩容，利用形态学的方法，得到前列腺边缘的标签。然后在U‑Net网络基础上加入IBN模块，把maxpool层改成stride conv层，采用2D和3D卷积结合的方法，作为编码部分；在解码部分中，采用两个解码器，其中一个解码器进行前列腺整体的分割预测，另一个解码器进行单独的前列腺边缘的预测。本发明采用了IN和BN相结合的策略，使得模型泛化能力得到加强。同时，把原本下采样的maxpool层改成stride conv层，使得模型保留图像细节信息的能力得到加强，使得分割的结果更加精细。采用2D和3D卷积相结合的做法进一步提高模型的精度。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.02 seconds)
