-
公开(公告)号：CN111612727A
公开(公告)日：2020-09-01
申请号：CN202010395588.0
申请日：2020-05-12
Applicant: 安徽大学
Abstract: 本发明公开了一种光学足迹图像映射压力足迹图像的方法，包括以下步骤：S1:光学足迹图像的采集；S2:压力足迹图像的采集；S3:对S2中采集到的压力足迹图像进行滤波去噪；S4:将S1中的光学足迹图像和S3中的去噪后的压力足迹图像合并成一个图像，作为训练图像；S5:将多个训练图像导入到计算机内，利用Pix2Pix算法，由其生成器和判别器的不断博弈，得到最优模型；S6:采集单张光学足迹图像，导入到S5中得到的最优模型内，映射出压力足迹图像。该种光学足迹图像映射压力足迹图像的方法，可实现将光学足迹图像映射成压力足迹图像，从而为公安和科研工作人员提供可靠的目标个体的压力足迹图像，用于分析其形态特征。
-
公开(公告)号：CN111340098A
公开(公告)日：2020-06-26
申请号：CN202010112342.8
申请日：2020-02-24
Applicant: 安徽大学
Abstract: 本发明图像处理、深度学习以及刑侦技术领域，公开了基于鞋印图像的STA-Net年龄预测方法，先将待测鞋印图像经评分模型进行数据评估，评估高于预设值代表待测鞋印图像质量合格；随后将质量合格的待测鞋印图像进行预处理操作，所述预处理操作包括去噪、中心化、伪彩化；预处理后的待测鞋印图像输入经STA-Net网络训练得到预测模型进行年龄预测，得到最终的预测年龄。图像评分模型、图像预处理模型能够对待测鞋印图像进行筛选与去躁处理，将不同来源的数据转化为满足网络输入的数据；STA-Net回归网络能够根据鞋印图像预测出年龄信息，相比于传统的预测方法，提高了预测的效率以及准确率。
-
公开(公告)号：CN114298439B
公开(公告)日：2025-04-25
申请号：CN202210005353.5
申请日：2022-01-05
Applicant: 安徽大学
IPC: G06Q10/04 , G06Q10/067 , G06Q50/04 , G06N3/126
Abstract: 本发明公开了一种基于质量感知的多目标云制造服务组合优化方法，其步骤包括：1构建云制造服务组合优化模型；2设定算法参数；3采用镜像策略生成初始种群；4选择父代个体；5使用交叉、变异操作产生子代个体；6更新归档种群；7概率更新；8判断是否满足终止条件，满足则结束，否则转到步骤4。本发明从时间、成本、可靠性、可用性和信誉度五个维度同时优化，能为汽车厂商选择最佳的零部件供应商，从而能为汽车厂商节省时间、成本，增加产品的可靠性和可用性，也能为产品提供较好的口碑，提高用户的满意度。
-
公开(公告)号：CN114529737B
公开(公告)日：2025-04-22
申请号：CN202210158517.8
申请日：2022-02-21
Applicant: 安徽大学
IPC: G06V10/44 , G06V40/10 , G06V10/778 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/047
Abstract: 本发明涉及一种基于GAN网络的光学赤足迹图像轮廓提取方法，包括：通过光学足迹采集仪采集原始光学赤足迹图像；制作训练集和测试集；通过残差网络构建生成器；通过PatchGAN马尔可夫判别器构建鉴别器；将生成器和鉴别器组成CycleGAN循环生成对抗网络作为训练网络；将训练集送入训练网络中进行训练；使用训练后的生成器作为轮廓提取测试网络，输入测试集的源域数据，得到光学赤足迹图像轮廓。本发明可以直接在经过简单预处理的原始光学赤足迹图像上进行一套统一流程的操作提取轮廓图像，简化轮廓提取的流程；本发明可以忽略不同原始图像之间的差异，使用相同参数的网络处理同一批次的数据，减少轮廓提取的计算量。
-
公开(公告)号：CN113688761B
公开(公告)日：2024-02-20
申请号：CN202111010815.4
申请日：2021-08-31
Applicant: 安徽大学
IPC: G06V20/40 , G06V20/52 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/049 , G06N3/09
Abstract: 本发明公开了一种基于图像序列的行人行为类别检测方法，包括：1、训练测试数据集的采集与处理，通过摄像头采集多场景下的行人行为视频，利用deep‑sort对视频中的目标人物进行检测跟踪制作目标图像序列；2、根据方法的需求搭建基于时空网络的判别模块以及未来帧预测网络模块；3、对的两个模块进行训练，使整个模型达到最优状态并保存模型参数；4、利用已训练好的模型对行人行为类别进行检；5、使用的网络模型利用两个判别模块联合优化模型来进行训练，将各个模块连接组成系统，对视频中的行人行为进行检测分类。本发明能很好的捕捉到图像序列的空间信息以及时间信息，从而提升对行为检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117274195A
公开(公告)日：2023-12-22
申请号：CN202311231918.2
申请日：2023-09-22
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/77 , G06V10/764 , G06V10/82 , G06V40/10 , G06N3/0475 , G06N3/045 , G06N3/096
Abstract: 本发明公开了一种基于边缘世界生成网络的图像异常检测方法，用于无监督的图像异常检测和定位，包括：1使用特征膨胀器来使特征向量所张成的特征维度空间足够饱满完整，2通过特征蒸馏生成器，在正常样本的特征向量所张成的特征维度空间边界，生成伪异常的边缘特征空间，从而在此边缘特征维度空间内，产生大量的伪异常特征向量。3将正常特征向量和伪异常特征向量，一起输入异常分离器，并通过韦伯变换，得到图像像素级的异常分数，由此完成图像异常的检测以及图像异常区域的定位。本发明能在无法对所有异常数据进行统计分布的建模时，可以更好的在高维特征空间中，刻画出正常样本的特征空间边界，从而通过边缘世界生成网络提高图像检测性能。
-
公开(公告)号：CN117171377A
公开(公告)日：2023-12-05
申请号：CN202310550380.5
申请日：2023-05-16
Applicant: 安徽大学
IPC: G06F16/53 , G06V10/80 , G06V10/52 , G06V10/82 , G06V10/30 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多特征扩张残差卷积网络的足迹光学图像检索方法，步骤如下：1、足迹图像的数据采集和数据预处理；2、建立基于注意力机制增强下的多特征扩张残差卷积网络的足迹光学图像检索模型，包括：初始特征提取模块、扩张残差卷积网络模块、多尺度特征融合模块、注意力增强模块；3、对足迹光学图像检索模型进行训练，得到训练后的足迹图像检索模型，用于待检索的足迹图像进行足迹检索和身份匹配。本发明能深度挖掘足迹图像的浅层和深层的各种隐含特征，从而能提升足迹图像的检索准确度和检索效率。
-
公开(公告)号：CN117112825A
公开(公告)日：2023-11-24
申请号：CN202311019766.X
申请日：2023-08-14
Applicant: 安徽大学绿色产业创新研究院
IPC: G06F16/583 , G06V40/10 , G06V10/74 , G06V10/764 , G06V10/771 , G06V10/80 , G06V10/82
Abstract: 本发明涉及足迹识别领域，尤其涉及一种现场足迹跨域检索方法，包括：通过前景提取模块获取足迹图像数据集的前景足迹掩膜；根据前景足迹掩膜与足迹图像数据集获取足迹图像，并将足迹图像送入动量双分支网络中获取特征描述符，以在特征空间中增大类间距缩小类内距的方式增强特征描述符的区分度；将特征描述符与特征数据库中的特征信息计算曼哈顿距离分，并根据距离分进行排序，确定返回的检索人员信息。本发明为了获得更具鉴别性的特征，搭建了特征提取的动量双分支网络，通过维护一个动量更新的特征描述子队列，并以KL散度作为损失实现了在特征空间中增大类间距缩小类内距的目的。
-
公开(公告)号：CN111782857B
公开(公告)日：2023-11-03
申请号：CN202010710865.2
申请日：2020-07-22
Applicant: 安徽大学
IPC: G06F16/583 , G06V10/30 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于混合注意力密集网络的足迹图像检索方法，其步骤包括：1、足迹图像数据集的准备；2、建立足迹图像预处理模块；3、建立初始特征提取模块；4、建立混合注意力密集网络模块；5、建立最终特征输出模块；6、权重初始化；7、网络的训练、测试及优化。本发明能获取更丰富的足迹图像的特征信息，且尽可能地提取不同个人差异的特征信息，从而提高足迹图像检索的精度与速度。
-
公开(公告)号：CN116912742A
公开(公告)日：2023-10-20
申请号：CN202310887130.0
申请日：2023-07-19
Applicant: 安徽大学
IPC: G06V20/40 , G06V10/62 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/0895 , G06N3/086
Abstract: 本发明公开了一种基于自进化的弱监督的视频异常检测方法，包括：1)将数据集通过视频特征提取器提取得到原始特征；2)将原始特征通过时间依赖性网络提取富含时间信息的特征；3)将富含时间信息的特征通过自进化方法形成置信度矩阵和相似度标签矩阵；4)根据相似度标签矩阵形成片段级的伪标签；5)将伪标签形成交叉熵损失指导网络优化完成异常检测任务。本发明通过自进化方法使得深度网络在训练初期仅关注特征更明显的样本，随着网络的更新迭代逐步学习更难以分类的样本，利用片段级伪标签代替视频级的弱标签进行训练，使所有片段参与训练，从而更有效地利用数据集同时，能提高视频异常检测的精度。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.059 seconds)
