-
公开(公告)号：CN115272131B
公开(公告)日：2023-06-30
申请号：CN202211008359.4
申请日：2022-08-22
Applicant: 苏州大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于自适应多光谱编码的图像去摩尔纹系统，包括数据处理模块、模型训练模块和图像处理模块，数据处理模块用于对获取的原始训练集中的图像进行数据增强处理，得到训练数据集；模型训练模块用于使用训练数据集对去摩尔纹网络模型进行训练，图像处理模块用于利用训练好的去摩尔纹网络模型在测试图像上进行去摩尔纹处理，得到去摩尔纹处理后的图像。本发明提出了自适应多光谱编码模块，利用自适应多光谱编码模块对摩尔纹进行动态编码，有助于模型学习摩尔纹之前的频率并清晰地还原摩尔纹图像，实现对摩尔纹的有效去除，且通过去摩尔纹子模块实现自适应和长距离的相关性，同时引入较少的归纳偏置，学习关于摩尔纹图像的全局和局部信息。
-
公开(公告)号：CN109558882B
公开(公告)日：2023-05-05
申请号：CN201811455651.4
申请日：2018-11-30
Applicant: 苏州大学
IPC: G06V10/40 , G06V10/778 , G06V10/82 , G06N3/0464
Abstract: 本发明实施例公开了一种基于鲁棒局部低秩稀疏CNN特征的图像分类方法、装置、设备及计算机可读存储介质。其中，方法包括首先利用一般卷积神经网络提取待分类图像的原始深度特征，利用预先构建的投影矩阵对原始深度特征进行低秩与稀疏特征提取，得到分类识别特征；将分类识别特征输入分类模型中，得到待分类图像的标签；其中，投影矩阵为采用鲁棒的邻域保持的联合低秩与稀疏特征算法学习训练样本集中各样本图像的原始深度特征所得，用于提取具有邻域保持能力的低秩与稀疏特征。本申请提供的技术方案增强了分类特征的鲁棒性，提升了图像特征提取的准确性，显著提升了图像分类的精准度。
-
公开(公告)号：CN114579631B
公开(公告)日：2023-04-07
申请号：CN202210096195.9
申请日：2022-01-26
Applicant: 苏州大学
IPC: G06F16/2458 , G06F17/18 , G06Q10/04 , G06Q50/26 , G06N3/08
Abstract: 本发明涉及一种基于概率加权过采样的社区矫正率预测系统，包括数据输入模块输入社区矫正原始数据集合，其包括次要矫正社区原始数据集合和主要矫正社区原始数据集合；过采样模块获得剔除噪音样本点的主要矫正社区数据集合，基于主要矫正社区数据集合获得主要矫正社区样本点集合；将主要社区矫正样本点集合和矫正社区原始数据集合进行求和得社区矫正数据集合，数据训练模块利用社区矫正数据集合进行训练得社区矫正率预测模型；社区矫正率预测模块接收待预测的社区矫正样本，并将其输入至社区矫正率预测模型，输出预测结果。本发明能够达到数据样本数量的平衡，克服因数据样本数量不平衡而导致的检测率低的问题。
-
公开(公告)号：CN115880524A
公开(公告)日：2023-03-31
申请号：CN202211460720.7
申请日：2022-11-17
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/40 , G06V10/82
Abstract: 本发明涉及一种基于马氏距离损失特征注意力网络的小样本图像分类方法，包括对带标签的小样本图像数据集进行特征提取，得到训练集；将训练集中的样本输入至特征注意力网络进行训练，得到训练好的特征注意力网络；训练集向量通过训练好的特征注意力网络后求平均获得类的表示；对不带标签的小样本图像数据集进行特征提取，得到测试集，将测试集中的样本输入至训练好的特征注意力网络，得到新的特征向量，计算新的特征向量与类表示之间的马氏距离，其中马氏距离最小时所对应的类即表示对该样本的分类预测。本发明弥补了主干模型对于新任务特征重要性知识不足的缺点，使用马氏距离分类前通过特征注意力网络对特征赋予不同的权重，使得类内距离缩小、类内距离扩大，以此提升分类性能。
-
公开(公告)号：CN114140699B
公开(公告)日：2023-02-10
申请号：CN202111416367.8
申请日：2021-11-25
Applicant: 苏州大学
IPC: G06V20/13 , G06V10/26 , G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于在线局部Fisher矢量机的SAR图像目标识别方法及系统，包括：S1、对SAR图像训练数据进行裁剪并在行上堆叠为向量数据，对向量数据划分预训练集并利用预训练集中的SAR图像训练数据进行分类模型预训练，以得到一次更新的分类模型参数；S2、将一次更新后的分类模型参数作为初值输入分类模型，并将预训练集加入缓冲池，在分类模型接收到任意样本数据时，将样本数据加入缓冲池对分类模型进行训练，并遍历所有样本数据以得到二次更新的分类模型参数；S3、对SAR图像检测数据进行裁剪并在行上堆叠为向量数据，利用二次更新的分类模型参数来计算分类模型函数值并对数据进行预测分类。本发明具有更高效、更准确、可适应大规模数据的优势。
-
Patent Agency Ranking
公开(公告)号：CN115351023A
公开(公告)日：2022-11-18
申请号：CN202211007317.9
申请日：2022-08-22
Applicant: 苏州大学附属儿童医院
Abstract: 本发明公开了试管自动清洗技术领域的一种药品试管自动清洗装置，包括三个L型的固定架，三个固定架环形阵列排布，且三个固定架短边相互固定，三个固定架下端共同固定连接有环板，每个固定架内壁转动连接有两个同步板，同一个固定架上的两个同步板远离固定架的一端共同转动连接有夹板，每个夹板侧壁竖向阵列排布设置有多个夹持装置；夹持装置包括夹持杆，夹持杆螺纹连接在夹板；本发明有效解决了现有设备在进行试管清洗时，试管口向上，在清洗后试管内的污水无法快速排出，在进行倾倒时，还是会出现杂质吸附在试管表面，使得试管清洗质量较差，其次现有的设备只能对单一型号的试管进行清洗，从而造成了现有的设备适用性差的问题。
-
公开(公告)号：CN115272131A
公开(公告)日：2022-11-01
申请号：CN202211008359.4
申请日：2022-08-22
Applicant: 苏州大学
Abstract: 本发明涉及一种基于自适应多光谱编码的图像去摩尔纹系统，包括数据处理模块、模型训练模块和图像处理模块，数据处理模块用于对获取的原始训练集中的图像进行数据增强处理，得到训练数据集；模型训练模块用于使用训练数据集对去摩尔纹网络模型进行训练，图像处理模块用于利用训练好的去摩尔纹网络模型在测试图像上进行去摩尔纹处理，得到去摩尔纹处理后的图像。本发明提出了自适应多光谱编码模块，利用自适应多光谱编码模块对摩尔纹进行动态编码，有助于模型学习摩尔纹之前的频率并清晰地还原摩尔纹图像，实现对摩尔纹的有效去除，且通过去摩尔纹子模块实现自适应和长距离的相关性，同时引入较少的归纳偏置，学习关于摩尔纹图像的全局和局部信息。
-
公开(公告)号：CN108121962B
公开(公告)日：2022-05-17
申请号：CN201711393961.3
申请日：2017-12-21
Applicant: 苏州大学
IPC: G06V40/16 , G06V10/77 , G06V10/774 , G06K9/62
Abstract: 本发明实施例公开了一种基于非负自适应特征提取的人脸识别方法、装置、设备及计算机存储介质。其中，方法包括将非负矩阵分解，特征提取和自适应邻域学习集成进为统一的框架，利用非负矩阵分解技术得到局部重构数据，在非负重构空间和特征嵌入空间对重构误差同时进行最小化，对重构数据进行权重自适应构造和标签传播学习，并利用基于投影的特征近似错误项进行最小化学习；通过对人脸识别模型进行交替优化和学习，得到用于保持近邻信息的自适应权重系数矩阵、用于提取特征的投影矩阵及近邻保持非负分解矩阵；利用投影矩阵提取人脸测试样本集的识别特征，以利用人脸识别模型根据识别特征实现人脸识别。本申请提供的技术方案提升了人脸识别的准确率。
-
公开(公告)号：CN114254997A
公开(公告)日：2022-03-29
申请号：CN202111488827.8
申请日：2021-12-07
Applicant: 苏州大学
Abstract: 本发明涉及一种基于密度自适应过采样的垃圾邮件分类系统，包括数据输入模块用于输入原始邮件数据集合，其中原始邮件数据集合包括垃圾邮件数据集合和非垃圾邮件数据集合；过采样模块用于剔除垃圾邮件数据集合中的噪音样本点，使噪音样本点不参与过采样的过程，获得第一垃圾邮件数据集合，计算第一垃圾邮件数据集合中的每个样本点的密度，生成第二垃圾邮件数据集合；数据训练模块用于获得最终的邮件数据集合，利用其对神经网络模型进行训练，获得邮件识别模型；邮件识别模块用于将待识别的邮件数据输入至邮件识别模型，并输出识别结果。本发明能够达到数据样本数量的平衡，克服现有技术因数据样本数量不平衡而导致的对垃圾邮件检测率较低的问题。
-
公开(公告)号：CN113901925A
公开(公告)日：2022-01-07
申请号：CN202111187941.7
申请日：2021-10-12
Applicant: 苏州大学
Abstract: 本申请公开了一种文本识别方法、装置、电子设备及可读存储介质。其中，方法包括预先基于卷积神经网络构建文本识别网络模型；文本识别网络模型包括特征提取层、密集融合块和转录层。密集融合块包括第一密集块、第二密集块和卷积运算层，第一密集块和第二密集块相连，密集融合块用于将特征提取层提取的图像特征、第一密集块输出特征和第二密集块输出特征通过连接操作在不同层进行融合处理；转录层包括分类器和损失函数层。可以有效提高文本识别的准确度和识别效率。将待识别文本数据输入至已经训练好的文本识别网络模型，得到文本识别结果，从而可以有效提高图像数据中的文本识别的准确度和识别效率。
-
-
-
-
-
-
-
-
-
Search Results
363
records
(took 0.036 seconds)
