-
公开(公告)号：CN110084211B
公开(公告)日：2020-12-18
申请号：CN201910362475.8
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇对各个动作类别的支持度；定义姿态子组，从训练集中抽取姿态子组，组成姿态子组集合；学习得到Z个层级分类器；用跨层连接神经网络获取测试动作序列每帧的特征向量并将其划分给与其距离最近的簇；分别计算Z个层级分类器对测试样本的分类结果；选取Z个层级分类器分类结果中出现次数最多的类别作为测试动作序列的类别。本发明减小了动作的类内差异对动作识别效果的影响，不受动作发生速率影响，能够处理任意时间长度的动作序列。
-
公开(公告)号：CN111898621A
公开(公告)日：2020-11-06
申请号：CN202010777341.5
申请日：2020-08-05
Applicant: 苏州大学
Abstract: 本发明提出一种轮廓形状识别方法，抽样提取形状样本的轮廓显著特征点；使用三种形状描述子，计算形状样本在半全局尺度中的特征函数；以单像素为间距划分尺度，得到全尺度空间下的形状特征函数；将各个尺度下的特征函数值存入矩阵，得到全尺度空间下形状样本三种特征的灰度图表达；将该形状样本的三种灰度图表达作为RGB三个通道合成一张彩色特征表达图像；将该形状样本与特征表达图像同时作为输入，构成双流卷积神经网络；训练双流卷积神经网络，将测试样本输入至训练好的网络模型中，实现形状分类。
-
公开(公告)号：CN111274908A
公开(公告)日：2020-06-12
申请号：CN202010046088.6
申请日：2020-01-16
Applicant: 苏州大学
Abstract: 本发明提出一种人体动作识别方法，获取动作样本的动态特征；获取每个骨骼关节点的运动特征并进行聚类；将每个动作样本分成N1个片段；得到每个片段的直方图表达；关节点按身体部位分为五组，获取每个部位在同一时间片段的运动特征；提取所有动作样本每个部位的初始运动特征序列，并对运动特征进行聚类；将每个动作样本的每个部位的运动特征序列分成N2个片段；得到每个部位每个片段的直方图表达；将五个身体部位同一时间片段的直方图连接，作为该时间片段的身体特征；提取所有动作样本的初始身体特征序列，对身体特征进行聚类；得到身体特征的直方图表达；构成并训练时空层级软量化网络，将测试样本输入至网络模型，实现动作识别。
-
公开(公告)号：CN110070070A
公开(公告)日：2019-07-30
申请号：CN201910363855.3
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点的三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇的权重和每个簇对各个动作类别的支持度；定义姿态子组及姿态子组对应第c类动作的分类器；挖掘每类动作的姿态子组集合；对于每类动作，先学习出多个初级分类器，再将该类动作学得的所有初级分类器加权组合成高级分类器；用跨层连接神经网络获取测试动作序列每一帧的特征向量并划分给与其距离最近的簇；分别计算每类动作的高级分类器对测试动作序列的响应值，响应值最大的高级分类器对应的动作类别即为该测试样本的动作类别。
-
公开(公告)号：CN108830313A
公开(公告)日：2018-11-16
申请号：CN201810556701.1
申请日：2018-05-31
Applicant: 苏州大学
Abstract: 本发明公开了一种共生模式图像挖掘方法，包括如下步骤：（1）利用SIFT算法提取图像中的视觉基元；（2）利用语境感知聚类将视觉基元聚类成语境相似组；（3）利用空间聚类将语境相似组分成对象组；（4）合并匹配模式，圈定对象组；（5）对每个对象组进行共生频率检测,在共生频率检测规则下筛出有意义的共生模式。本发明能快速，准确的发现图片中的共生视觉模式，以便于后续的视觉任务。
-
Patent Agency Ranking
公开(公告)号：CN111898621B
公开(公告)日：2023-09-05
申请号：CN202010777341.5
申请日：2020-08-05
Applicant: 苏州大学
IPC: G06V10/44 , G06V10/46 , G06V10/82 , G06V10/75 , G06V10/774 , G06N3/0464 , G06T7/62 , G06T7/90 , G06F17/16
Abstract: 本发明提出一种轮廓形状识别方法，抽样提取形状样本的轮廓显著特征点；使用三种形状描述子，计算形状样本在半全局尺度中的特征函数；以单像素为间距划分尺度，得到全尺度空间下的形状特征函数；将各个尺度下的特征函数值存入矩阵，得到全尺度空间下形状样本三种特征的灰度图表达；将该形状样本的三种灰度图表达作为RGB三个通道合成一张彩色特征表达图像；将该形状样本与特征表达图像同时作为输入，构成双流卷积神经网络；训练双流卷积神经网络，将测试样本输入至训练好的网络模型中，实现形状分类。
-
公开(公告)号：CN113191361B
公开(公告)日：2023-08-01
申请号：CN202110418108.2
申请日：2021-04-19
Applicant: 苏州大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种形状识别方法，提取形状样本的轮廓关键点；定义各关键点处的近似偏置曲率值并判断关键点处的凹凸性，以获取候选分割点；调整曲率筛选阈值，得到形状分割点；计算最小分割代价进行形状分割，得到若干子形状部分；构建形状样本的拓扑结构；使用形状的全尺度可视化表示方法，得到对应子形状部分的特征表达图像；将各特征表达图像输入卷积神经网络进行训练，学习得到各子形状部分的特征向量；构造形状样本的特征矩阵；构建图卷积神经网络；训练图卷积神经网络，获取测试样本的特征矩阵和邻接矩阵，并输入至训练好的图卷积网络模型中，实现形状分类识别。
-
公开(公告)号：CN113995853A
公开(公告)日：2022-02-01
申请号：CN202111315671.3
申请日：2021-11-09
Applicant: 苏州大学
Abstract: 本发明是治疗慢性炎症调节免疫微环境的纳米复合物载药系统，纳米复合物(NCs)是通过程序化递送，协调骨免疫微环境对抗类风湿性关节炎；该纳米颗粒NCs可分为阳离子内核和外层结构；该纳米颗粒NCs由阳离子内核和表面吸附的IL‑4组成，阳离子内核由穿膜螺旋多肽(PG)和miR‑21组成，外层由酸敏感电荷反转聚合物(PLL‑CA)和表面吸附的IL‑4组成；目前临床治疗以小分子免疫抑制剂和抗体为主，这些药物主要涉及炎性细胞因子的直接清除，以实现炎症的即时调节，但不能将RA转移到消退阶段；因此，探索既能抑制急性炎症反应，又能促进解决问题的新途径，实现RA的有效治疗，势在必行。
-
公开(公告)号：CN110070070B
公开(公告)日：2021-03-02
申请号：CN201910363855.3
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点的三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇的权重和每个簇对各个动作类别的支持度；定义姿态子组及姿态子组对应第c类动作的分类器；挖掘每类动作的姿态子组集合；对于每类动作，先学习出多个初级分类器，再将该类动作学得的所有初级分类器加权组合成高级分类器；用跨层连接神经网络获取测试动作序列每一帧的特征向量并划分给与其距离最近的簇；分别计算每类动作的高级分类器对测试动作序列的响应值，响应值最大的高级分类器对应的动作类别即为该测试样本的动作类别。
-
公开(公告)号：CN110084211A
公开(公告)日：2019-08-02
申请号：CN201910362475.8
申请日：2019-04-30
Applicant: 苏州大学
Abstract: 本发明提出一种动作识别方法，包括获取目标的三维骨骼关节点信息；设计跨层连接神经网络对训练集中动作序列的每帧骨骼关节点三维坐标提取特征，得到该帧的特征向量；将训练集中所有特征向量聚类成K个簇；计算每个簇对各个动作类别的支持度；定义姿态子组，从训练集中抽取姿态子组，组成姿态子组集合；学习得到Z个层级分类器；用跨层连接神经网络获取测试动作序列每帧的特征向量并将其划分给与其距离最近的簇；分别计算Z个层级分类器对测试样本的分类结果；选取Z个层级分类器分类结果中出现次数最多的类别作为测试动作序列的类别。本发明减小了动作的类内差异对动作识别效果的影响，不受动作发生速率影响，能够处理任意时间长度的动作序列。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.023 seconds)
