一种基于卷积神经网络的通道扩展方法

    公开(公告)号:CN110619387A

    公开(公告)日:2019-12-27

    申请号:CN201910865549.X

    申请日:2019-09-12

    Applicant: 复旦大学

    Abstract: 本发明提供一种基于卷积神经网络的通道扩展方法,用于替换卷积神经网络中通用的卷积扩展通道和池化操作,从而保证有效数据不损失的情况下减少卷积神经网络在中间运算的冗余数据,其特征在于,包括如下步骤:步骤S1,根据在卷积池化前后特征图的分辨率变化率计算特征图数据的分辨率及通道数;步骤S2,将4个维度的特征图数据中对应高和宽的通道进行维度拆分,形成6个维度;步骤S3,将拆分后的特征图数据进行维度调转:第3、5维度调换为第5、6维度;步骤S4,将调换后的特征图数据中第2、3、4维度进行维度合并,重新整合为4个维度。

    一种基于Spark与GPU的并行计算系统

    公开(公告)号:CN107168782A

    公开(公告)日:2017-09-15

    申请号:CN201710270400.8

    申请日:2017-04-24

    Applicant: 复旦大学

    Abstract: 本发明属于并行计算技术领域,具体为一种基于Spark与GPU的并行计算框架系统。本发明基于YARN资源管理平台,通过改进其资源管理器与节点管理器,使其能够有效感知异构集群的GPU资源,从而支持对集群GPU资源的管理与调度;然后在YARN部署模式下,对Spark的作业调度机制与任务执行机制进行改进,使其支持对GPU型任务的调度与执行。通过在资源申请、资源分配、DAG生成、stage划分与任务执行等阶段引入对GPU资源的标识,使执行引擎能够感知GPU任务,并在异构集群中有效执行;同时利用Spark本身高效内存计算的特性,结合GPU多核并行计算的优势提出了在该框架下有效的编程模型。本发明能够有效的处理数据密集型与计算密集型作业,极大提高作业处理效率。

    基于深度卷积神经网络模型的大规模人脸识别方法

    公开(公告)号:CN106874898A

    公开(公告)日:2017-06-20

    申请号:CN201710226292.4

    申请日:2017-04-08

    Applicant: 复旦大学

    CPC classification number: G06K9/00281 G06K9/00288 G06N3/08 G06N3/084

    Abstract: 本发明属于计算机视觉、人工智能技术领域,具体为一种基于深度卷积神经网络模型的大规模人脸识别方法。本发明首先提出面向大规模人脸识别的残差学习深度网络模型,该模型由卷积层、下采样层、残差层以及全连接层组成,其中残差层由两路数据(一路是若干个卷积层级联的数据和一路原始数据)相加求和构成,并且模型中每一个卷积层之后都做批量归一化操作。本发明利用深度卷积神经网络学习能力强和残差学习收敛好的特性,在网络模型层数方面,把模型的层数增加;在残差层结构方面,本发明提出一个高效的残差层结构。在面向大规模人脸识别领域,本发明较之基线模型在准确率方面得到了极大提升,在百万级人脸数据库中人脸检索的准确率达到了74.25%。

    基于机器学习的农药喷洒检测方法

    公开(公告)号:CN103699907B

    公开(公告)日:2017-02-15

    申请号:CN201410002727.3

    申请日:2014-01-04

    Applicant: 复旦大学

    Inventor: 冯瑞 李斌 蒋龙泉

    Abstract: 本发明属于数字图像处理及模式识别技术领域,具体为一种基于机器学习的农药喷洒检测方法。本发明先在农业作业场景的监控视频中,获取大量务农人员背着农药箱和不背农药箱进行走动的视频,采用较适合刚性物体检测的方法检测农药箱;从视频中各抽取部分图片作为样本,对每个抽取的图片中的农药箱图像进行特征提取,将这些特征组合成特征向量;然后对每幅特征向量用Adaboost的方法进行级联训练,形成一个Adaboost级联分类器,然后将大量的包含或不包含农药箱的图像用该分类器检测图像中是否存在农药箱。本发明具有高实时性和高易实施性,解决了需要实体考察才能判断是否有人在喷洒农药以及农药喷洒效果的弊端。

    低碳节能实时温湿度采集系统

    公开(公告)号:CN103697940B

    公开(公告)日:2017-01-04

    申请号:CN201310695785.4

    申请日:2013-12-18

    Applicant: 复旦大学

    Abstract: 本发明属于物联网技术领域,具体为一种低碳节能实时温湿度采集系统。其包括采集位点、温湿度传感器,ZigBee路由节点、数据汇总节点和监控系统;所述采集位点部署温湿度传感器,温湿度传感器通过ZigBee网络采集温湿度信息,ZigBee路由节点负责将所在楼层的温湿度信息通过ZigBee网络发送给数据汇总节点;监控系统通过串口与数据汇总节点进行通信获取采集位点的温湿度数据。本发明的有益效果在于:其采用ZigBee网络进行通信,使用方便,可应用于复杂实际环境中进行温湿度采集,同时解决了ZigBee遇到障碍信号减弱的问题。

    一种基于分布式视频检测的座位统计方法

    公开(公告)号:CN103324956B

    公开(公告)日:2016-07-06

    申请号:CN201310238940.X

    申请日:2013-06-17

    Applicant: 复旦大学

    Inventor: 冯瑞 蔡松 鲁帅

    Abstract: 本发明属于视频处理技术领域,具体为一种基于分布式视频检测的座位统计方法。本发明包括样本库和特征库的建立、分布式视频检测、样本库纠正三个部分。其中,样本库和特征库的建立是实现视频检测设备虚拟化的前提,它将视频中关键帧抽取传递到缓冲池,让检测设备能稳定有序的获取关键帧并进行处理;分布式视频检测是动态地分配任务给多台检测设备组成的计算集群,优化资源配置,进行最大效率的计算处理,检测完成后,通过座位空间域和关键帧时间域的两层融合实时获得检测结果;样本库纠正采用缓冲队列形式,将置信度较低的结果传递给人工判定,添加到样本库,从而有效地提高了二次检测准确率。本发明对于座位统计管理具有很高的应用价值。

    基于有限状态机的道路车辆拥堵判别方法

    公开(公告)号:CN102768802B

    公开(公告)日:2014-08-06

    申请号:CN201210240036.8

    申请日:2012-07-12

    Applicant: 复旦大学

    Abstract: 本发明属于数字图像处理及模式识别技术领域,具体为一种基于有限状态机的道路拥堵判别方法。本发明根据GA115-1995道路交通阻塞标准,结合城市道路拥堵的形成过程,建立有限状态机模型,利用高清相机捕获交通道路图像,对图像中机动车道的车队进行长度估计和整体速度估算,依据机动车道对车辆容量和速度的限制,激活有限状态机中的触发条件,判定当前路况是否处于拥堵状态。与传统方法相比,本发明综合考虑了城市路面交通拥堵形成的过程,能实时动态地检测交通拥堵的发生和消散,为相关部门进行交通治理提供了有效的依据。

    低碳节能实时温湿度采集系统

    公开(公告)号:CN103697940A

    公开(公告)日:2014-04-02

    申请号:CN201310695785.4

    申请日:2013-12-18

    Applicant: 复旦大学

    Abstract: 本发明属于物联网技术领域,具体为一种低碳节能实时温湿度采集系统。其包括采集位点、温湿度传感器,ZigBee路由节点、数据汇总节点和监控系统;所述采集位点部署温湿度传感器,温湿度传感器通过ZigBee网络采集温湿度信息,ZigBee路由节点负责将所在楼层的温湿度信息通过ZigBee网络发送给数据汇总节点;监控系统通过串口与数据汇总节点进行通信获取采集位点的温湿度数据。本发明的有益效果在于:其采用ZigBee网络进行通信,使用方便,可应用于复杂实际环境中进行温湿度采集,同时解决了ZigBee遇到障碍信号减弱的问题。

    一种基于视频的过境车辆快速检测方法

    公开(公告)号:CN101872546B

    公开(公告)日:2013-03-13

    申请号:CN201010167001.7

    申请日:2010-05-06

    Applicant: 复旦大学

    Abstract: 本发明属于交通监视、视频处理技术领域,具体公开了一种基于视频的过境车辆快速检测方法。该方法采用背景差法、梯度帧间差法和帧间差法,同时消除白天阴影、呼吸效应以及晚上前大灯地面反射光等影响,精确检测运动物体位置,判断运动物体所处车道。实验结果表明,本方法能够克服传统方法中运算量较大的缺点,满足电子警察视频车辆检测的实时性要求,能够对场景中的车辆进行精确检测,对光线变化、阴影等干扰,具有较好的鲁棒性。

    基于SVM机器学习的植物病虫害检测方法

    公开(公告)号:CN102915446A

    公开(公告)日:2013-02-06

    申请号:CN201210351242.6

    申请日:2012-09-20

    Applicant: 复旦大学

    Abstract: 本发明属于数字图像处理及模式识别技术领域,具体为一种基于SVM机器学习的植物病虫害检测方法。本发明首先在大量农业场景的监控视频中,获取大量正常生长的植物叶片和发生病虫害的植物叶片,从正常生长的植物叶片和发生病虫害的植物叶片中各抽取部分图片作为样本,对每幅叶片图像提取特征(包括颜色特征、HSV特征、边缘特征和HOG特征),将这些特征组合成特征向量;然后对每幅叶片图像的特征向量用SVM的机器学习方法进行训练,训练后形成一个分类器,然后将大量的植物叶片图像用这个分类器进行检测,检测植物叶片是否发生病虫害。相比于生物学方面的植物病虫害检测方法,本发明具有更高的实时性和易实施性,较好解决了必须深入田间地头才能检测植物病虫害的弊端。

Patent Agency Ranking