-
公开(公告)号：CN119560132A
公开(公告)日：2025-03-04
申请号：CN202411642952.3
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: G16H50/20 , G06F18/10 , G06F18/214 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06F18/213 , G06N3/047 , G06N3/084 , G06F18/2131 , G06N3/048 , G06F18/24 , G16H50/70
Abstract: 本发明涉及一种基于编码器‑解码器框架的中医脉象诊断方法，包括收集数据、数据集的预处理、构建基于编码器‑解码器框架的神经网络、训练网络和测试。本发明将脉象信号诊断问题建模为机器翻译问题，在脉象信号与诊断文本之间建立映射，解决如何利用深度神经网络从复杂的脉象信号中提取出关键特征，提升脉象信号诊断的准确度，并直接生成对于脉象信号的诊断文本。
-
公开(公告)号：CN119559396A
公开(公告)日：2025-03-04
申请号：CN202411642448.3
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
Abstract: 本发明涉及一种基于CNN、RNN和交叉注意力机制的小样本语义分割方法，包括数据集的预处理、构建小样本语义分割网络、训练网络和测试。本发明解决查询图像背景特征无法匹配上支持图像的前景特征，丢失一些空间细节等主要问题。
-
公开(公告)号：CN119091117A
公开(公告)日：2024-12-06
申请号：CN202411098255.6
申请日：2024-08-12
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V10/82 , G06V10/20 , G06V10/40 , G06V10/774 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于深度学习的轻量级伪装目标检测方法，该方法首先获取伪装物体图像数据集，进行预处理，并划分为训练集和测试集。其次将测试集数据输入初级特征提取网络，进行初级特征提取。然后依次通过频谱门控单元、混合注意力机制、全局信息模块、边缘感知模块、边缘引导模块，对初级特征进行强化处理。最后基于深度可分离卷积，对强化处理后的初级特征进行解码，输出检测结果。本发明充分利用图像的RGB特征与频率特征，并结合边界引导实现对伪装目标的检测。
-
公开(公告)号：CN118897264A
公开(公告)日：2024-11-05
申请号：CN202410919738.1
申请日：2024-07-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于DDPG的雷达干扰决策方法，该方法首先采用马尔科夫决策过程对雷达干扰交互场景，进行强化学习问题建模。其次针对行强化学习问题建模，使用改进的DDPG算法，解决混合动作空间中的干扰决策问题。然后在模拟突防中，使用改进的DDPG算法进行干扰决策，产生干扰动作回传给强化学习问题建模，获得下一状态、返回干扰动作的奖励函数；循环迭代本步骤，直到DDPG算法在每一轮突防中，返回奖励函数的总和趋于稳定。最后在实际突防中，使用迭代得到的DDPG算法，根据状态输入进行干扰动作决策。本发明可在少量先验知识的基础上，从干扰机与雷达干扰场景的交互中进行学习，实现干扰突防的效果。
-
公开(公告)号：CN111914852B
公开(公告)日：2023-10-03
申请号：CN202010494739.8
申请日：2020-06-03
Applicant: 杭州电子科技大学
IPC: G06V10/46 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于编解码结构的多模态显著性对象检测方法。本发明在已有的彩色图像算法模型的基础之上，将深度图像作为先验信息，补充到算法之中。本发明方法可分为两部分：一部分以彩色图像为输入，基于编解码结构的深度学习技术，实现显著性检测；另一部分用于处理深度图像，用轻量级的神经网络学习深度特征，并将特征信息补充到第一部分，从而提高整体模型的识别精度。本发明方法能够简单高效的利用深度图像，从中学习特征，增强算法的识别精度和稳定性，能够为现有部署的显著性检测算法提供快捷、低廉的更新手段。
-
Patent Agency Ranking
公开(公告)号：CN116704174A
公开(公告)日：2023-09-05
申请号：CN202310668228.7
申请日：2023-06-07
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V10/46 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的RGB‑D图像显著目标检测方法，包括如下步骤：S1、构建编码器，获取多层级特征，具体包括RGB分支和深度分支特征提取以及构建交互注意力模块；S2、构建解码器模块，具体包括构建RGB分支和深度分支跨层级特征融合模块以及构建跨模态特征融合模块；S3、以编码器、解码器为基础，构建基于深度学习的RGB‑D图像显著目标检测模型；S4、对所建立模型进行训练，并保存参数。本发明通过全面探索跨模态特征融合，提高了模型的检测能力。
-
公开(公告)号：CN116664546A
公开(公告)日：2023-08-29
申请号：CN202310751136.5
申请日：2023-06-25
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06T7/00 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于UNet网络的眼底图像视盘检测方法，包括以下步骤：步骤一：收集公开的眼底图像数据集并进行数据预处理，对图像进行数据扩增、随机切割和归一化处理；步骤二：以BASNet的预测模块为网络主干结构，在BASNet第一至第五层的编码器与译码器之间加入融合多注意力的桥接模块以提高眼底图像视盘检测精度；步骤三：模型训练与评估，本发明提出一种融合多注意力机制的桥接模块加入到BASNet预测模块中的第一层至第五层编码器与解码器之间，融合了图像的前景信息、背景信息与原始信息，能够提高检测准确性。同时，将本发明将测试集放到训练好的网络参数上进行测试，从而验证了本发明所提出的模型性能良好，能够适应不同的图像且检测精度高。
-
公开(公告)号：CN113536973B
公开(公告)日：2023-08-18
申请号：CN202110718760.6
申请日：2021-06-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于显著性的交通标志检测方法，本发明方提出一种端到端的卷积神经网络模型。本方法针对交通标志检测任务做出优化，提出了一个以基于VGGNet的特征金字塔网络为主干的显著性检测模型。网络在自下而上过程中的不同尺度特征图上提取了图片中的不同层级的信息，并在金字塔网络自上而下通路中进行融合。通过将特征聚合模块添加在自上而下通路中的每个融合操作之前，可以有助于全局引导模块中包含的深层次特征图中的高级语义信息与较浅层次的特征无缝进行融合。通过这两个建立在池化操作上的模块有助于高级语义信息逐步精细，使本网络模型生成的显著性图拥有更加丰富的细节。其结果为一张像素值在[0，1]的灰度图，图中的1表示为交通标志所在区域，0表示为背景区域，成功实现对交通标志的检测任务。
-
公开(公告)号：CN112598043B
公开(公告)日：2023-08-18
申请号：CN202011495029.3
申请日：2020-12-17
Applicant: 杭州电子科技大学
IPC: G06V10/774 , G06V10/46 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督学习的协同显著性检测方法。本发明包括以下步骤：步骤(1)深度神经网络的构建和预训练；步骤(2)弱监督数据集的划分；步骤(3)显著性图像样本增强；步骤(4)协同显著性图的预测。使用弱监督的方式隐式地抓取图像间的协同特征，使用样本图像增强的方式增加神经网络的鲁棒性。协同显著性检测中，如何利用好图像间的协同特征是关键的，本发明使用约50％的样本输入到神经网络中进行训练微调隐式获取图像间的协同特征。同时存在图像样本中显著性目标在像素层面所占的比例较小的情况，不利于神经网络的训练和微调，本发明使用一种图像样本增强的手段来克服这一点，来实现对一组图像中显著性目标的预测。
-
公开(公告)号：CN115019140A
公开(公告)日：2022-09-06
申请号：CN202210620670.8
申请日：2022-06-02
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
Abstract: 本发明公开一种注意力引导的伪装目标检测方法，包括如下步骤：S1、通过深度特征提取网络对初始伪装目标区域特征图进行特征提取；S2、将提取的特征进行搜索；S3、通过注意力机制增强进一步增强特征；S4、通过识别模块获得最终的伪装目标区域特征图；S5、最终的伪装目标区域特征图通过解码模块获取最终的伪装目标区域预测图。该方法将注意力机制引入到图像处理中，同时利用多种注意力机制相互配合，其中搜索注意力机制是以sigmoid函数激活后的初始伪装目标区域预测图作为引导，对经过空间注意力机制与通道注意力机制增强特征后的中层特征做进一步的增强，同时应用感受野模块对特征进行合并融合，能有效利用多种注意力机制的配合来实现对伪装目标的检测。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.033 seconds)
