-
公开(公告)号：CN116469003A
公开(公告)日：2023-07-21
申请号：CN202310285121.4
申请日：2023-03-22
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于弹性网络正则化回归算法的遥感图像分类方法。针对现阶段对于高分辨率遥感图像的分类，通过一种弹性网络正则化回归算法，在基于稀疏表示的分类方法中加入基于协作表示的方法，两者都有助于图像分类中单个类别的样本建立在一个线性子空间上，将测试样本表示为训练样本的线性组合，适用于图像的特殊性和复杂性。此外，本发明将提出的弹性正则化回归算法扩展到任意核空间，以处理隐藏在原始图像特征中的非线性结构，从而进一步提高分类性能。
-
公开(公告)号：CN116385406A
公开(公告)日：2023-07-04
申请号：CN202310374306.2
申请日：2023-04-10
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于U‑Net的眼眶肿瘤图像分割方法，首先进行眼眶肿瘤数据集的采集；然后进行数据的预处理；再构建基于U‑Net的眼眶肿瘤图像分割模型；通过预处理后的数据集训练眼眶肿瘤图像分割模型；最后利用训练好的模型参数，实现眼眶肿瘤图像分割模型在眼眶肿瘤图像上的肿瘤区域分割。本发明的网络架构模型对于尺度变化明显的病情肿瘤区域能有较好的尺度敏感性，从而有利于改善分割模型对一些尺度变化大的难样本的分割精度。
-
公开(公告)号：CN116071606A
公开(公告)日：2023-05-05
申请号：CN202310210827.4
申请日：2023-03-07
Applicant: 杭州电子科技大学丽水研究院
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/047 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于多尺度多注意力实例学习的sMRI图像分类方法，首先获取数据集，构建多尺度多注意力实例学习模型，通过空间金字塔池化模块将不同大小脑区转化为相同尺度；通过patch‑net处理模块获取相应的局部特征增强；通过注意力多实例学习模块来增强全局特征；通过分类器得到分类结果；最后通过训练多尺度多注意力实例学习模型。本发明是采取了区域块的分析方法，能获取对大脑病变影响更大的位置，引入了双注意机制，能增强到局部和全局的特征；本发明采用了将分割数据和脑区数据结合的多模态数据，加强分类效果。
-
公开(公告)号：CN110992365B
公开(公告)日：2023-04-18
申请号：CN201911066221.8
申请日：2019-11-04
Applicant: 杭州电子科技大学
IPC: G06T7/10 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于图像语义分割的损失函数及其设计方法。本发明步骤如下：1。参数wi的确立。在网络训练过程中，从标签标注信息中提取此张图片中包含的语义类别个数n以及每个语义类别在图片中所占的面积s。在得到此两种标签信息后，将面积从大到小排列，并分别计算最大面积与各个面积之间的倍数，而后再将这些倍数关系归一化到[1,n]之间，即训练时每个损失函数计算时，不同类别对应的权重取值wi。2.参数Υ的确立。首先确定Υ＞0,而后在网络训练过程中通过网格寻优的方式，对Υ的值进行进一步的确立。本发明设计损失带有权重的损失函数进行改进，以使训练的卷积神经网络得到更好的图像分割效果。
-
公开(公告)号：CN114926827A
公开(公告)日：2022-08-19
申请号：CN202210522281.1
申请日：2022-05-13
Applicant: 杭州电子科技大学上虞科学与工程研究院有限公司
IPC: G06V20/62 , G06V10/40 , G06V10/764 , G06V20/13 , G06V20/17
Abstract: 本发明公开了一种基于最优传输理论的交叉视角地理定位方法。该方法的步骤如下：S1、获取待定位的无人机图像，同时获取由不同位置的带有定位信息的卫星图像组成的卫星图像集；S2、将无人机图像与卫星图像集中的每一张卫星图像组成图像对，输入经过训练的交叉视角地理定位网络，由交叉视角地理定位网络输出两者的匹配概率；S3、从卫星图像集中选择与无人机图像匹配概率最高的一张卫星图像，以该卫星图像中的定位信息对无人机图像进行定位。本发明将最优传输理论应用到交叉视角地理定位中，通过最优传输模型缓解交叉视角地理定位任务中的无人机视角与卫星视角的特征分布差异较大问题，优化整个网络的分类效果，从而提高匹配检索和定位的准确率。
-
Patent Agency Ranking
公开(公告)号：CN113342023A
公开(公告)日：2021-09-03
申请号：CN202110704677.3
申请日：2021-06-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进模糊PID的无人机仿人控制方法首先确定无人机飞行数学模型；然后进行仿人智能控制器设计；最后采用模糊PID对控制参数进行调节。本发明将模糊PID与仿人智能控制进行结合，进一步优化了仿人智能控制中的比例微分控制，将此算法应用到四旋翼无人机控制中，在角度相应、稳定性控制、抗干扰等实验中得到了不错的控制效果。
-
公开(公告)号：CN111680702A
公开(公告)日：2020-09-18
申请号：CN202010467331.1
申请日：2020-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种使用检测框实现弱监督图像显著性检测的方法。本发明的方法是首先使用全连接条件随机场CRF方法处理不带图像类别信息的检测框标注数据，得到初始的粗糙显著图伪标签作为第一轮模型训练的监督信息，再利用显著图伪标签数据训练图像显著性检测网络模型，接着对显著图伪标签进行更新，即使用显著图更新策略处理模型在训练图像数据上预测得到的显著图，得到下一轮训练所需的显著图伪标签，然后进行迭代精炼的过程，重复模型训练和显著图更新过程，最后微调模型，使模型适应测试的显著性检测数据集。该方法使用不带图像类别信息的检测框标注作为模型的弱监督信息，有效提高弱监督显著性检测方法的性能。
-
公开(公告)号：CN110533068B
公开(公告)日：2020-07-17
申请号：CN201910660942.5
申请日：2019-07-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于分类卷积神经网络的图像对象识别方法。本发明先设计提取图像中对象位置和类别信息的分类卷积神经网络模型，删除最后一次下采样操作和全连接层，增加一层通道数为分类类别数的卷积操作，对新加卷积操作的输出特征进行局部峰值搜索，然后经过滤波得到特征图中各个通道上的峰值点，求出各通道峰值点的均值并作为类别预测分数；接着在分类数据集上进行训练，使得设计的分类网络中的参数不断得到更新学习；最后用训练完的模型进行测试，利用最后一层卷积层输出的特征和分类网络预测的类别来获得图像中对象的位置和类别信息。本发明使用标注成本较低的分类数据集且训练成本较低，便能预测出图像中对象显著性的位置和类别信息。
-
公开(公告)号：CN110364223A
公开(公告)日：2019-10-22
申请号：CN201910548286.X
申请日：2019-06-24
Applicant: 杭州电子科技大学
IPC: G16B30/00
Abstract: 本发明公开冷链一种基于多示例学习的IRES序列搜寻方法。本发明以经过实验验证过的含IRES的序列为正样本，未含IRES的序列为负样本，以多示例学习为框架，通过对正负样本组成的数据集进行训练，获得一个有效的IRES预测估计模型。本发明可以快速高效的判断细胞mRNA中是否存在IRES序列以及存在的大致位置。本发明针对mRNA中IRES序列验证的生物实验较为复杂且人力、物力成本消耗过高的问题。本发明可以对mRNA序列是否存在IRES序列进行快速判断，并预估其大概所在位置，从而可使相关科研工作者优先对大概率存在IRES序列的mRNA片段进行生物实验验证，以提高工作效率，减少工作强度。
-
公开(公告)号：CN110363204A
公开(公告)日：2019-10-22
申请号：CN201910548683.7
申请日：2019-06-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多任务特征学习的对象表示方法。本发明的方法，在终端采用深度神经网络对特征进行提取，减少了传输视频的数据量，加快了传输速度，减少了存储空间占有量；在云端由计算机进行对象的分析和恢复，减少了人力成本的投入，同时提高了事件处理效率；且能够实现多个任务同时进行，联合优化的效果。本发明本发明采用人工智能神经网络方法，通过对原视频图像进行特征提取，减少传输数据量，再通过特征计算，实现智能分析，并且利用转置卷积技术，实现图像的还原，大大提高了事件的处理速度，并节省了资金。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.029 seconds)
