-
公开(公告)号：CN118250090A
公开(公告)日：2024-06-25
申请号：CN202410650864.1
申请日：2024-05-24
Applicant: 杭州宇泛智能科技股份有限公司 , 浙江工商大学
Abstract: 本申请实施例提供一种物联网平台信息处理方法及装置，方法包括：接收物联网设备的设备连接请求，根据设备连接请求中的设备标识确定本地预存储的公钥库中匹配的设备公钥，并根据设备公钥对设备连接请求中的设备私钥进行签名验证；在签名验证通过后，通过设定同态加密协议建立与物联网设备的加密信道，通过加密信道向物联网设备返回设备验证成功信号，并通过与网络标识符和网络连接端口对应的平台节点接收物联网设备后续发送的数据上传请求；通过预设边缘计算节点对时序数据库中的上传数据进行数据处理，接收边缘计算节点发送的数据处理的结果；本申请能够有效提高物联网平台通信的信息安全性。
-
公开(公告)号：CN117911237A
公开(公告)日：2024-04-19
申请号：CN202410116657.8
申请日：2024-01-29
Applicant: 浙江工商大学
IPC: G06T3/04 , G06T3/4046 , G06N3/0475 , G06N3/0455 , G06N3/082 , G06N3/084
Abstract: 本发明公开了一种基于多风格数据集的多风格场景生成方法。首先，对给定的场景数据集和多种风格卡通数据集进行预处理，通过调整图像分辨率大小实现统一。其次，设计一个基于多头判别器、多头样式编码器和生成器的网络框架。多头样式编码器通过利用高斯噪声映射出多种风格编码。生成器的输入包括场景图片和样式编码，输出为特定的卡通化图片。判别器由特征提取模块与多个判别头组合而成，每个头分别支持一种卡通化风格与其他风格的区别作用。本发明整合了多头判别器和多头样式编码器，通过引入多种风格数据集，更全面地学习了不同卡通化风格的特征。通过优化的损失函数，使生成器能够更好地理解和模仿多样的卡通化风格。
-
公开(公告)号：CN112652030B
公开(公告)日：2023-09-19
申请号：CN202011460729.9
申请日：2020-12-11
Applicant: 浙江工商大学
IPC: G06T11/00 , G06V10/56 , G06V10/762
Abstract: 本发明涉及一种基于特定场景的色彩空间位置布局推荐的方法。本发明首先对图像美学数据集的每个场景分类下的图像进行预处理，通过全卷积网络U‑net进行颜色聚类，得到颜色聚类图；并将颜色聚类图优化为网格图；其次将每个网格中概率最大的颜色值进行合并，组合成新的网格图。然后对输入特定场景图像也进行颜色聚类，得到输入图像的最终网格图；最后将最终网格图与第网格数据集中每张网格图进行遍历pHash图像相似度匹配，将每个匹配的数据值保存到一个序列中；找到数值最大的，它对应的网格数据集中的网格图，就作为最佳颜色空间布局的推荐方案。本发明优化了匹配效率，消除了原始图像本身的复杂的颜色信息，匹配的准确率也有所提升。
-
公开(公告)号：CN116188631A
公开(公告)日：2023-05-30
申请号：CN202310162134.2
申请日：2023-02-24
Applicant: 浙江工商大学
IPC: G06T11/60 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/084
Abstract: 本发明公开了一种基于画家思想的少样本图像生成方法。本发明首先对给定的数据集进行预处理，统一文件格式与分辨率大小，然后提取其线稿和灰度图；其次设计了一个基于画家思想的GAN训练网络框架，其中生成器的输入为随机噪声，输出为线稿、灰度和彩色图，判别器为三个小判别器组合而成，分别对线稿、灰度和彩色图进行评价打分；然后将生成的图片和真实图片通过可微的数据增强后进行模型的训练和推断，得出一个有以假乱真能力的生成器。本发明基于画家思想，建立了更稳定的GAN训练框架和生成器，提升了小样本图片生成的质量。
-
公开(公告)号：CN112116699B
公开(公告)日：2023-05-16
申请号：CN202010819895.7
申请日：2020-08-14
Applicant: 浙江工商大学
Abstract: 本发明涉及一种基于3D人脸跟踪的实时真人虚拟试发方法。本发明首先进行面向虚拟试发的实时3D人脸跟踪；然后进行基于方位一致性的三维头发模型配戴；最后在保持相邻像素色差的三维头发模型重上色。本发明通过轻量化的模型以及3D人脸特征点，避免了由于2D人脸特征点与三维人脸模型顶点的关联带来的计算耗时和产生不稳定跟踪结果的问题，从而实现快速准确的跟踪结果。而三维头发模型的配准可以使试戴的头发与真实人脸更为贴合准确，增加了虚拟试发的真实性。另外增加了改变三维头发模型纹理颜色的方法，增强了用户试发的体验感及试发系统的功能性。
-
Patent Agency Ranking
公开(公告)号：CN115661275A
公开(公告)日：2023-01-31
申请号：CN202211286403.8
申请日：2022-10-20
Applicant: 浙江工商大学
IPC: G06T9/00 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于通道增益的可变速率稀疏点云压缩方法，首先获取数据集，并进行预处理。其次将训练集输入编码端，编码端有三层下采样模块，每层下采样模块由下采样、卷积网络MLPs和注意力模块组成，得到稀疏点云坐标信息和对应的特征信息，并对编码端输出的坐标信息和特征信息分开进行编码压缩。然后将通道增益单元对处理后的坐标信息和特征信息作为解码端的输入，解码端有三层上采样模块，上采样模块主要由子点卷积模块组成，得到重构的点云。最后对于原始点云和重构点云，使用标准的RD损失函数来训练整个网络模型。本发明能够很好地提升压缩效果，而且能够极大地减小计算量和网络参数量。
-
公开(公告)号：CN115563497A
公开(公告)日：2023-01-03
申请号：CN202211113963.3
申请日：2022-09-14
Applicant: 浙江工商大学
IPC: G06F18/214 , G06N20/00
Abstract: 本发明公开了一种基于模糊条件互信息的标签分布特征选择方法，本发明首先给定标签分布数据样本的集合和指定特征子集维度。其次利用模糊等价关系来处理连续型标签分布数据，并对候选特征集合F中所有的特征使用标签分布特征选择算法进行评价，选择得分最高的特征，将其索引加入到已选特征集合中，同时在候选集合中移除该特征，更新标签分布特征选择算法；已选特征集合中的元素就是候选特征集合中特征的索引，根据这些索引构建一个特征子集。最后将构造好的特征子集输入到SA‑BFGS模型中，由特征子集训练并保存模型。本发明能够有效地选择特征子集，提高标签分布学习器的性能。
-
公开(公告)号：CN115422640A
公开(公告)日：2022-12-02
申请号：CN202211073242.4
申请日：2022-09-02
Applicant: 浙江工商大学
Abstract: 本发明公开了一种基于深度学习网络和细粒度优化的室内场景合成方法。本发明首先划分数据集，后通过特征编码分支，得到家具和场景的特征序列。其次采用随机置换函数将家具的特征序列进行打乱和场景特征序列进行拼接，放入特征融合编码器得到全局特征，并利用残差结构将家具种类特征输入到特征解码分支中，得到位置分布和角度分布。然后对网络进行训练，再提取数据集中不同类型家具的绝对位置分布和相对位置分布，进行前向推理；并利用碰撞检测模块初步筛选预测结果。最后对预测结果进行细粒度优化。本发明在不增加整个网络模块以及不影响预测速度的前提下，提高了室内场景合成任务的精确度。
-
公开(公告)号：CN115272215A
公开(公告)日：2022-11-01
申请号：CN202210863784.5
申请日：2022-07-21
Applicant: 浙江工商大学
Abstract: 本发明公开了基于注意力机制的卷积神经网络胸部X光片异物检测方法。本发明首先使用限制对比度自适应直方图均衡化算法对原图进行预处理；其次构建基于通道注意力的卷积神经网络，其中骨干网络进行特征提取生成多尺度特征图，特征金字塔结构进行多尺度特征融合，注意力模块在通道维度上，对多尺度特征图的特征融合进行加强，并将特征金字塔结构输出的特征图引入异物检测的头部；然后通过训练集数据对基于通道注意力的神经网络进行训练，得到训练好的网络模型；最后将测试集数据输入到训练好的网络模型，回归得到异物的坐标。本发明在通道维度上进行多尺度特征融合，充分利用每个通道的有效信息，准确对异物进行分类，并定位出异物的位置。
-
公开(公告)号：CN114821737A
公开(公告)日：2022-07-29
申请号：CN202210522721.3
申请日：2022-05-13
Applicant: 浙江工商大学
Abstract: 本发明公开了一种基于三维人脸对齐的移动端实时假发试戴方法。本发明首先使用关键点损失函数、形状一致损失函数、光度一致损失函数训练教师模型，再通过参数损失由学生模型学习教师模型，并使用顶点损失函数优化学生模型，最后通过增强现实技术绘制实现假发试戴。本发明通过压缩标准3DMM模型大幅度减少了计算量，真正做到了在移动端设备上进行实时的假发试戴，同时具有逼真的效果和流畅的体验，为假发试戴技术的大范围推广提供了技术支持。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.046 seconds)
