-
公开(公告)号：CN114332474A
公开(公告)日：2022-04-12
申请号：CN202111411750.4
申请日：2021-11-25
Applicant: 中国计量大学 , 杭州昊清科技有限公司
Abstract: 一种飞机发动机关键部位维护时间预测方法，其具体步骤包括：获取飞机发动机数据，分为静态属性数据、动态时序数据、历史时序数据和图像数据；将动态时序数据和历史时序数据拼接得到长时间序列数据x，对x中每一时刻的数据相加得到x′t；图像数据经过处理得到相应向量pt，将pt与x′t相加后得到编码器输入向量z0；将z0送入编码器中得到特征向量，结合编码器中参数向量输出预测特征向量pout；静态属性数据通过处理得到相应向量s′，将pout和s′相加输入到全连接网络，得到发动机关键部位预测状态，把预测到存在故障的时间与当前时间相减得到关键部位的预测维护时间。
-
公开(公告)号：CN109559736B
公开(公告)日：2022-03-08
申请号：CN201811483459.6
申请日：2018-12-05
Applicant: 中国计量大学
Abstract: 本发明公开了一种电影演员自动配音方法，其目的在于利用深度学习方法提升电影演员自动配音的真实性。利用语音识别技术和对抗网络实现电影演员的自动配音，其技术关键在于（1）利用QCNN方法实现对输入语音的识别，并转换成文本信息；（2）利用GAN对抗网络生成说话者不同年龄段的语音信息；（3）通过声纹识别判断生成后的语音和输入的语音是否为同一说话人。本发明所采用的深度学习方法能够很好的进行语音识别以及音色生成，极大提高了电影演员自动配音的真实性。
-
公开(公告)号：CN110298278B
公开(公告)日：2021-06-04
申请号：CN201910535807.8
申请日：2019-06-19
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于人工智能的地下停车库行人车辆监测方法，目前地下停车库还缺乏有效的人车检测和统一管理的平台系统，并且本方法除了可以对车主和车辆通过人脸识别模块和车辆属性识别模块收集车主和所驾驶车辆属性的信息并进行一一对应标记联系，并且如果在停车中的某一时刻内，识别人脸验证不一致则进行人体姿态的检测识别出人体骨骼关键点信息，并通过人体骨骼关节点信息进行异常行为的检测和识别，可以有效识别出例如跌倒、打开车门进入车内等异常行为动作，可以有效保障车主的车辆和人身安全。
-
公开(公告)号：CN107967484B
公开(公告)日：2021-03-16
申请号：CN201711120584.6
申请日：2017-11-14
Applicant: 中国计量大学
IPC: G06K9/62 , G06N3/04 , G06F16/583
Abstract: 本发明公开了一种基于多分辨率的图像分类方法，其目的在于利用不同的深度神经网络结构解决多分辨率输入问题，利用深度学习技术实现从分类标签集合中找出一个分类标签并把分类标签分配给输入图像的效果。其技术关键在于(1)采用跳过部分池化层的方法来实现多分辨率图像分类；(2)采用指定位置输入的方法来实现多分辨率图像分类。(3)根据卷积网络不同层得到的特征特点不同，对不同层的特征采用不同的利用方式。本发明输入任意一张测试图片到训练好的神经网络模型中，神经网络的输出即为该图片的类别。本发明在不统一输入图片大小的前提下，保持了原图片质量，不增加任何噪声，有效地实现了多分辨率的图像分类。
-
公开(公告)号：CN111932420A
公开(公告)日：2020-11-13
申请号：CN202010573594.0
申请日：2020-06-22
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于智能服务平台的社区邻里互助方法，包括：S11.接收社区人员发送的求助或帮助相关的内容；S12.将接收到的内容输入预先建立的智能描述模型中，并通过智能描述模型输出与内容相对应的文本信息，将文本信息进行分类；S13.判断所述分类的类别，若为帮助类，则将帮助类文本信息存储于帮助数据库中；若为求助类，则将求助类文本信息输入预先建立的智能匹配模型中，通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配；S14.判断是否匹配到合适的帮助类文本信息，若是，则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者；若否，则将未匹配成功的信息返回求助类文本信息相对应的求助者。
-
Patent Agency Ranking
公开(公告)号：CN110490133A
公开(公告)日：2019-11-22
申请号：CN201910766818.7
申请日：2019-08-19
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于生成对抗网络由父母照片生成子女照片的方法，将人脸图像数据行划分为训练样本集与测试样本集，并对训练样本集中的人脸图像进行数据预处理。之后，重新构建生成对抗中生成器的卷积神经网络结构，加入了反卷积。然后，将训练样本集和对应人脸照片的年龄信息一同输入到模型中进行训练，并保存各生成器、判断器和相似度模型的网络参数。最后，利用经过数据预处理后的测试样本集对生成器和判断器模型进行测试，获得测试结果。本发明旨在当需要对一个人通过人脸图像进行身份识别而一时只有其父母的人脸图像的情况下，能够迅速的对其身份进行初步认证。
-
公开(公告)号：CN109190475A
公开(公告)日：2019-01-11
申请号：CN201810864960.0
申请日：2018-08-01
Applicant: 中国计量大学
IPC: G06K9/00
Abstract: 本发明公开了一种人脸识别网络与行人再识别网络协同训练方法，采用双网络并行网络结构，将人脸与行人进行特征融合，把融合后的特征作为行人输出特征，使其具有更强的人脸特征表达能力，并根据人脸图像清晰度的不同对人脸识别网络与行人再识别网络采用不同的监督信号进行训练，当人脸图像清晰度较低时，用行人再识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导人脸识别网络进行训练；当人脸图像清晰度较高时，将人脸识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导行人再识别网络进行训练，既加强了人脸识别对于行人再识别结果的影响，又能够在人脸图像模糊的情况下利用行人再识别的预测结果指导人脸特征分类。
-
公开(公告)号：CN109165566A
公开(公告)日：2019-01-08
申请号：CN201810866133.5
申请日：2018-08-01
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于新型损失函数的人脸识别卷积神经网络训练方法，将SoftMax loss、余弦相似度损失、Center Loss相结合，共同作为人脸识别卷积神经网络训练过程中的目标函数，在保证增大类间距、减小类内距离的同时，加入余弦相似度损失来克服由于训练与测试时人脸特征比对的度量方法不同造成的差异性。包括：一：将人脸识别数据行划分为训练样本集与测试样本集；二：对训练样本集中的人脸图像进行数据预处理；三：构建基于新型损失函数的人脸识别卷积神经网络结构；四：将训练样本集输入到人脸识别卷积神经网络中进行训练；五：保存人脸识别模型参数；六：利用经过数据预处理后的测试样本集对人脸识别模型进行测试。
-
公开(公告)号：CN108960342A
公开(公告)日：2018-12-07
申请号：CN201810864947.5
申请日：2018-08-01
Applicant: 中国计量大学
CPC classification number: G06K9/6201 , G06K9/46 , G06N3/0454 , G06N3/084
Abstract: 本发明公开了一种基于改进型Soft‑Max损失函数的图像相似度计算方法，图像识别网络中的改进型Soft‑Max层的激活函数采用改进型Soft‑Max激活函数，反向传播过程中采用改进型Soft‑Max损失函数更新网络权值，改进型Soft‑Max损失函数与传统的Soft‑Max损失函数相比增加了通过图像识别网络学习得到的决策边缘；在测试阶段用训练好的图像识别模型对两张测试图像提取特征向量，计算得到特征向量之间的余弦相似度，和设置的图像相似度阈值比较，如果大于等于图像相似度阈值则判定两张图像为同一类图像，如果小于图像相似度阈值则判定两张图像为不同类图像。
-
公开(公告)号：CN108960047A
公开(公告)日：2018-12-07
申请号：CN201810499059.8
申请日：2018-05-22
Applicant: 中国计量大学
IPC: G06K9/00
CPC classification number: G06K9/00228 , G06K9/00268 , G06K9/00288
Abstract: 本发明公开了一种基于深度二次树的视频监控中人脸去重方法，该方法包括：（1）人脸检测部分：准备正负人脸样本使用训练好的深度二次树模型对监控视频中移动的行人进行人脸检测，获取其人脸位置，人脸置信度，人脸清晰度和人脸图像的分辨率；（2）人脸跟踪部分：根据获取的初始帧的人脸位置，进行人脸跟踪，获取同一个人的多张人脸；（3）人脸去重：针对同一个人的人脸子集，采用人脸质量评价法确定各张人脸的图像质量，然后根据评价值选择质量最好的人脸。人脸质量评价分数由人脸置信度、人脸清晰度和人脸图像分辨率三个指标加权得出。本发明能够有效地提高人脸识别的准确率效地提高人脸识别的准率。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.026 seconds)
