-
公开(公告)号：CN119559681A
公开(公告)日：2025-03-04
申请号：CN202411642712.3
申请日：2024-11-18
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06V40/16 , G06V10/74 , G06V10/25 , G06V10/774 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及一种基于FaceNet和注意力机制的遮挡人脸识别方法，包括数据集预处理、构建人脸识别网络、训练网络和测试。本发明采用MTCNN骨干网络进行人脸区域检测与人脸关键点检测，使用注意力机制使网络聚焦于没有被遮挡的部位，采用CNN神经网络将人脸图像映射到128维的欧几里得空间，根据两幅人像的欧几里得距离判断两个人的相似程度。本发明旨在解决如何获取非遮挡人脸部分的人脸特征，从而提高人脸识别任务的性能和鲁棒性，改善复杂遮挡场景下的人脸检测效果。
-
公开(公告)号：CN119558346A
公开(公告)日：2025-03-04
申请号：CN202411641589.3
申请日：2024-11-18
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06N3/042 , G06N3/0455 , G06N3/048 , G06N3/084 , G06F18/213 , G06F18/211
Abstract: 本发明涉及一种基于GNN和Transformer模型的网络建模方法，首先进行数据集的生成和预处理，构建消息传递神经网络；消息传递神经网络包括GNN级联模块，Transformer级联模块和特定指标读出模块三部分；然后训练网络，最后将预处理后的测试集图像输入训练好的网络模型中，得到预测图，并与真值进行比较，计算各项评价指标。本发明能更好地捕获全局依赖关系，从而得到更全面的数据表示，同时了提高模型泛化能力和计算效率。
-
公开(公告)号：CN115375922B
公开(公告)日：2023-08-25
申请号：CN202211098512.7
申请日：2022-09-03
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06V10/52 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/32 , G06V10/34 , G06V10/80 , G06V10/82 , G06V10/26
Abstract: 本发明涉及一种基于多尺度空间注意力的轻量化显著性检测方法，包括以下步骤：步骤一、构建多尺度特征提取模块，并对输入信息进行处理；步骤二、依据深度可分离卷积及多尺度特征提取模块构建编码器，用于获取多级语义特征；步骤三、构建多尺度空间注意力模块；步骤四、依据深度可分离卷积与多尺度空间注意力模块构建解码器；步骤五、以编码器、解码器为基础，建立轻量化显著性检测模型；步骤六、对所建立轻量化显著性检测模型进行训练，并保存训练所得最终模型参数；本发明通过对图像中多尺度特征的充分挖掘以及图像全局特征的提取与利用，强化了轻量化模型的检测能力，在保持轻量化模型自身优势的同时，提升了模型的检测精度。
-
公开(公告)号：CN115346094B
公开(公告)日：2023-08-22
申请号：CN202211037831.7
申请日：2022-08-25
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06V10/80 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于主体区域引导的伪装目标检测方法，包括训练图像预处理、伪装目标预测网络搭建和伪装目标预测网络的训练三个步骤。首先，通过训练图像预处理进行数据增强，然后搭建伪装目标预测网络，最后通过训练集图像完成伪装目标预测网络的训练，本发明方法针对编码部分包含丰富信息的浅层特征图，设计了主体区域分析模块进行有效提取，再通过特征融合模块利用对主体区域的预测信息，引导对伪装目标的检测。本发明方法提供的网络模型可以充分有效地利用主体区域引导信息来实现对自然图像中伪装目标的准确预测。
-
公开(公告)号：CN115359019B
公开(公告)日：2023-07-11
申请号：CN202211045106.4
申请日：2022-08-25
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于交互式特征和级联特征的钢铁表面缺陷检测方法，包括深度特征提取网络、深度特征融合网络和显著性预测网络。模型的输入是经扩增后的SD‑saliency‑900数据集。首先以级联的方式部署多分辨率的两个卷积分支(即高/低)级联特征集成(CFI)单元融合了来自多分辨率分支的最后一个卷积块的深度特征，得到增强的高级深度语义特征，并传递给解码器，在编码器部分，还部署了另一个连接，将相邻编码器级别的特征转移到解码器的同一阶段。本发明方法提供的网络模型可以充分有效地利用空间信息来生成高质量的显著性图，能够较好地突出缺陷。
-
Patent Agency Ranking
公开(公告)号：CN115587967A
公开(公告)日：2023-01-10
申请号：CN202211093428.6
申请日：2022-09-06
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06T7/00 , G06T7/11 , G06V10/764 , G06V10/774 , G06V10/74 , G06N3/04 , G06N3/08 , A61B3/12 , A61B3/14
Abstract: 本发明涉及一种基于HA‑UNet网络的眼底图像视盘检测方法，包括如下步骤：数据预处理、模型构建、模型训练和模型评估。所述数据预处理包括对图像的缩放与剪切；所述构建的HA‑UNet网络在原始UNet网络的基础上，采用残差模块替代原UNet中的卷积层，并提出混合注意力模块，即HA模块，建立多注意力机制与特征之间的关系，对前景信息与背景信息进行挖掘与融合，同时，该网络采用混合损失函数，即BCE损失函数、SSIM损失函数和IoU损失函数的结合作为模型最终的损失函数；所述模型训练即当模型的损失函数不再降低之后，保存模型；所述模型评估即将训练好的模型放到测试集上进行评估。
-
公开(公告)号：CN119559395A
公开(公告)日：2025-03-04
申请号：CN202411641840.6
申请日：2024-11-18
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06V10/26 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/047 , G06N3/09 , G06N3/084
Abstract: 本发明涉及多尺度自适应原型网络的带钢表面缺陷少样本分割方法，通过使用一种多尺度自适应原型变压器网络，并将其嵌入到带钢表面缺陷分割的框架中，以提高特征表示能力。该网络包括特征提取模块、自适应原型变压器模块和多尺度特征融合解码器，通过自适应原型生成和多尺度特征融合，能够更准确地捕捉缺陷的空间位置和特征表达。特别是，通过自适应原型变压器模块生成的自适应原型能够在复杂多变的缺陷场景中更好地匹配查询图像的特征，从而增强分割的精度。
-
公开(公告)号：CN115294359B
公开(公告)日：2023-10-10
申请号：CN202210990986.6
申请日：2022-08-17
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
Abstract: 本发明涉及一种基于深度学习的高分辨率图像显著性目标检测方法，包括步骤一、低分辨率分支的特征提取；步骤二、中分辨率分支的特征提取；步骤三、高分辨率分支的特征提取；步骤四、多分辨率特征的融合；步骤五、残差解码网络得到预测图；步骤六、级联标签监督并进行端到端训练。本发明提供的网络模型是并行网络，可以在充分有效地利用语义信息和细节信息来实现对高分辨率图像中显著性目标的预测的同时，在网络中保持高分辨率。
-
公开(公告)号：CN116486068A
公开(公告)日：2023-07-25
申请号：CN202211205490.X
申请日：2022-09-23
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06V10/26 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及一种基于嵌套U型网络的COVID‑19病灶分割方法，构造一个以RSU为基本单元，经过少量带标签的样本训练获得的COVID‑19分割网络，引入边缘和语义信息增强网络对COVID‑19的表征能力，该网络可以将病灶区域精准快速地分割出来。此外，在标签图像极其有限的情况下，通过半监督学习策略，充分利用大量未标记的图像数据，进一步提升模型的性能表现。
-
公开(公告)号：CN115375922A
公开(公告)日：2022-11-22
申请号：CN202211098512.7
申请日：2022-09-03
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
Abstract: 本发明涉及一种基于多尺度空间注意力的轻量化显著性检测方法，包括以下步骤：步骤一、构建多尺度特征提取模块，并对输入信息进行处理；步骤二、依据深度可分离卷积及多尺度特征提取模块构建编码器，用于获取多级语义特征；步骤三、构建多尺度空间注意力模块；步骤四、依据深度可分离卷积与多尺度空间注意力模块构建解码器；步骤五、以编码器、解码器为基础，建立轻量化显著性检测模型；步骤六、对所建立轻量化显著性检测模型进行训练，并保存训练所得最终模型参数；本发明通过对图像中多尺度特征的充分挖掘以及图像全局特征的提取与利用，强化了轻量化模型的检测能力，在保持轻量化模型自身优势的同时，提升了模型的检测精度。
-
-
-
-
-
-
-
-
-
Search Results
477
records
(took 0.049 seconds)
