-
公开(公告)号：CN112215353A
公开(公告)日：2021-01-12
申请号：CN202011050565.2
申请日：2020-09-29
Applicant: 电子科技大学
Abstract: 本发明属于卷积神经网络压缩与加速技术领域，具体提供一种基于变分结构优化网络的通道剪枝方法，通过基于变分结构优化网络的通道剪枝技术对深度卷积神经网络模型进行压缩，考虑了目前大型神经网络在资源受限上的应用局限性，采用通道剪枝技术对原始网络进行压缩，在不影响原始网络性能的前提下，尽可能的压缩网络参数，减少网络前向传播过程中激活层的内存占用，降低运行时进行的浮点运算次数，以实现轻量化网络的目标。本发明通过自动优化网络结构，卓有成效地降低了深度卷积神经网路的参数冗余，提高了其运行速度，从而扩大了神经网络在边缘设备上的应用场景。
-
公开(公告)号：CN108520215A
公开(公告)日：2018-09-11
申请号：CN201810262820.6
申请日：2018-03-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多尺度联合特征编码器的单样本人脸识别方法，包括如下步骤：图像预处理；人脸区域划分；多尺度区域独立特征学习，对每块人脸区域分别训练，得到独立特征编码矩阵；联合特征学习，对各区域多尺度独立特征编码矩阵进行分解和聚类学习，得到联合特征编码矩阵；特征提取，通过多尺度联合特征编码矩阵对人脸图像进行特征提取；特征识别，对每个区域提取到的特征进行对比，获取识别结果。本发明提供了基于稀疏自动编码技术的联合特征学习方法，可以在有限的人脸训练数据条件下学习到鲁棒的人脸特征，解决了在遮挡和光照干扰情况下的人脸识别问题，极大扩大了人脸识别的应用场景。
-
公开(公告)号：CN106354264A
公开(公告)日：2017-01-25
申请号：CN201610812205.9
申请日：2016-09-09
Applicant: 电子科技大学
IPC: G06F3/01
CPC classification number: G06F3/013
Abstract: 本发明公开了一种基于视线追踪的实时人机交互系统及其工作方法，所述系统包括数据采集组件、数据分析处理组件、动作反馈组件和通信及操控组件，其中，数据采集组件用于追踪用户的面部特征信息并建立坐标系；数据分析处理组件与数据采集组件连接，对数据采集组件追踪的信息进行分析处理；动作反馈组件与数据分析处理组件连接，对比分析数据分析处理组件处理的信息以及动作反馈组件中储存的信息，反馈给通信及操控组件；通信及操控组件与动作反馈组件连接，接受动作反馈组件提供的反馈信息，根据反馈信息控制相应设备的动作。根据本发明，实现了较高的识别可用精度，降低了生产和使用成本。
-
公开(公告)号：CN106326880A
公开(公告)日：2017-01-11
申请号：CN201610810660.5
申请日：2016-09-08
Applicant: 电子科技大学
IPC: G06K9/00
CPC classification number: G06K9/0061
Abstract: 本发明涉及一种瞳孔中心点定位方法，包括如下步骤：S1：图像预处理，以将获取的包括人脸的彩色图像转换成灰色图像；S2：人脸识别，从所述灰色图像中获取包含人脸的最大矩形区域；S3：眼部区域识别，通过预设的比例范围从人脸的矩形区域内框选眼部区域；S4：瞳孔识别，通过梯度交点计算的方法计算瞳孔中心点。本发明提供的瞳孔中心点定位方法，在自然光照射的情况下，使用面部特征分析进行瞳孔定位，实现了在无辅助设备介入的情况下对较低分辨率的图像或视频进行瞳孔定位的方法。极大地扩大了瞳孔识别的应用范围，使普通网络摄像头进行瞳孔定位变成了可能。
-
公开(公告)号：CN119131540A
公开(公告)日：2024-12-13
申请号：CN202411249136.6
申请日：2024-09-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种多源异构数据融合处理方法。所述方法包括确定目标对象对应的待融合的多源异构数据，多源异构数据包括目标光学图像和合成孔径雷达图像；确定目标光学图像对应的第一纹理特征图和第一边缘特征图，确定合成孔径雷达图像对应的第二纹理特征图和第二边缘特征图；根据第一纹理特征图和第二纹理特征图确定纹理特征融合图，根据第一边缘特征图和第二边缘特征图确定边缘特征融合图；通过通道注意力机制分别对纹理特征融合图和边缘特征融合图进行特征处理，依次得到目标纹理融合图和目标边缘融合图；通过图像融合模型对输入的目标纹理融合图和目标边缘融合图进行融合，得到目标融合图像。本发明可以提高多源异构数据融合处理的效率和精度。
-
Patent Agency Ranking
公开(公告)号：CN119095133A
公开(公告)日：2024-12-06
申请号：CN202411268163.8
申请日：2024-09-11
Applicant: 电子科技大学
Abstract: 本发明公开了一种应用于跨域通信网络的智能路由方法，应用于包括至少两种空间域内的多个通信节点的跨域通信网络中，该方法包括：确定跨域通信网络在当前时刻下的各链路，基于每个链路在当前时刻下的链路收发信息，确定与各链路对应的当前链路权重；其中，链路表示两个通信节点之间具有直接通信关系；基于各通信节点、各链路和相应的当前链路权重，构建与跨域通信网络对应当前加权网络图；基于当前加权网络图，确定当前时刻下跨域通信网络中每个通信节点到其他各通信节点的路由，针对跨域通信网络的这种复杂通信场景中，可以确定传输效率最高的路由，提高了跨域通信网络的整体数据传输效率。
-
公开(公告)号：CN119089248A
公开(公告)日：2024-12-06
申请号：CN202411268739.0
申请日：2024-09-11
Applicant: 电子科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/23213 , G06F18/214 , G06N3/04 , G06N3/088
Abstract: 本发明实施例公开了一种跨域通信网络流量分类方法、装置、设备和存储介质，其中，方法包括：获取目标通信网络的待分析流量数据；将所述待分析流量数据输入至经过预先训练的目标流量分类模型中，得到所述待分析流量数据的目标流量分类结果；其中，所述目标流量分类模型是基于样本流量数据的深度特征训练得到的模型。本发明实施例的技术方案可以通过基于流量数据的深度特征进行流量分类模型的训练，提高模型的分类准确性和稳定性，从而在复杂的跨域通信环境中提供更为可靠和高效的网络服务。
-
公开(公告)号：CN117994607A
公开(公告)日：2024-05-07
申请号：CN202410130601.8
申请日：2024-01-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种视觉自注意力模型的训练方法，通过在视觉自注意力模型的主干网络中添加通道注意力机制；训练视觉自注意力模型，包括：获取多个训练样本；将当前训练样本中的输入样本输入至视觉自注意力模型中，确定多个特征向量；为多个特征向量拼接分类头向量以及可学习位置向量，得到待输入特征向量；将待输入特征向量输入至视觉编码器，得到待融合特征信息；基于多层感知机对待融合特征信息进行处理，得到预测结果；基于当前训练样本重复执行确定预测结果的次数达到预设次数阈值，将下一训练样本作为当前训练样本，直至视觉自注意力模型的准确率达到预设准确率阈值，提升了视觉自注意力模型对训练样本的学习能力，抑制模型的过拟合现象。
-
公开(公告)号：CN111695430B
公开(公告)日：2023-06-30
申请号：CN202010418338.4
申请日：2020-05-18
Applicant: 电子科技大学
IPC: G06V40/16 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明提出一种基于特征融合和视觉感受野网络的多尺度人脸检测方法，以VGG‑16为基础网络，由视觉感受野网络、空洞卷积网络共同组成本发明的网络结构，同时增加了网络的宽度和深度。在不同的卷积层提取不同分辨率的特征，根据不同层的分辨率采用不同方法提取候选框。在较低层的特征上，采用随机密集采样获取大量小尺度候选框，尽可能地匹配到更多真实样本。又通过对不同层的特征进行融合，使得融合特征同时包含了高低层的信息。高层特征适用于大尺度人脸的检测，低层特征适用于小尺度人脸的检测。本发明对于多尺度人脸尤其是小尺度人脸具有较好的检测效果。
-
公开(公告)号：CN114187467B
公开(公告)日：2023-04-28
申请号：CN202111329957.7
申请日：2021-11-11
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于CNN模型的肺结节良恶性分类方法及装置，所述方法包括获取肺结节CT扫描图像数据并对图像数据进行预处理；将预处理后的肺结节CT扫描图像数据输入到训练好的CNN神经网络模型中，CNN神经网络模型对肺结节CT扫描图像数据依次进行多层特征提取、双线性池化以及分类处理，得到结节的不同CT扫描图像数据的分类结果；将同一结节不同CT扫描图像数据的分类结果进行融合，确定结节的良恶性。本发明通过卷积神经网络的卷积层的深层和浅层分别提取多层特征，然后经过双线性池化进行特征融合，最后将双线性池化融合后的特征输入到支持向量机中得到分类结果，本申请旨在融合并增强相似特征，以增强对分类目标细微差别的区分能力。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.025 seconds)
