一种基于自适应模板更新的孪生网络跟踪方法

    公开(公告)号:CN112132856B

    公开(公告)日:2024-05-24

    申请号:CN202011056564.9

    申请日:2020-09-30

    Abstract: 本发明涉及一种基于自适应模板更新的孪生网络跟踪方法,用于解决目标跟踪过程中面对遮挡和快速变形等问题时的跟踪精度和鲁棒性低的问题。首先将待跟踪的视频帧和目标模板输入到孪生跟踪模块中,输出预测的目标跟踪边界框;然后将历史跟踪信息输入到轨迹预测模块中,判断是否启动模板更新模块;若启动了模板更新模块,模板更新模块对当前帧使用的目标模板进行更新,更新后的目标模板代替更新前的目标模板作为孪生跟踪模块的输入;重复这一过程完成视频跟踪。本发明使目标模板特征能够适应目标的外观变化,实现了实时跟踪,有效解决了目标在发生被遮挡或快速变形等问题时目标跟踪精度和鲁棒性低的问题。

    基于4D数据表达和3DCNN的运动想象任务解码方法

    公开(公告)号:CN112932503B

    公开(公告)日:2023-05-02

    申请号:CN202110058756.1

    申请日:2021-01-16

    Abstract: 本发明公开了基于4D数据表达和3DCNN的运动想象任务解码方法,对原始运动想象脑电信号MI‑EEG进行基线校正和带通滤波处理;将预处理后的MI‑EEG信号从低维头皮空间映射到高维脑皮层空间,获得偶极子源估计;结合偶极子坐标系转换、插值和体积下采样等操作,构建3D偶极子幅值矩阵;在TOI内设置滑窗,将窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵;设计三模块级联结构的三维卷积神经网络3M3DCNN,对4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别,实现运动想象任务解码;本发明避免了ROI的选择带来的大量信息丢失,并省去了时频分析等复杂操作步骤,有效提高了脑电信号的识别效果。

    一种基于时频能量的符号传递熵及脑网络特征计算方法

    公开(公告)号:CN112932505A

    公开(公告)日:2021-06-11

    申请号:CN202110058776.9

    申请日:2021-01-16

    Abstract: 本发明公开了一种基于时频能量的符号传递熵及脑网络特征计算方法,首先,基于共平均参考对采集的运动想象脑电信号(MI‑EEG)进行预处理;然后,对各导联MI‑EEG进行连续小波变换,求得其时‑频‑能量矩阵,并将与运动想象密切相关的频带内各频率所对应的时间‑能量序列依次拼接,得到该导联的一维时频能量序列;进而,计算任意两个导联时频能量序列之间的符号传递熵,构建大脑连通性矩阵,并使用皮尔逊特征选择算法优化矩阵元素;最后,计算脑功能网络的度和中间中心性,构成特征向量,用于MI‑EEG的分类。结果表明,本发明可以有效地提取MI‑EEG的频域特征和非线性特征,相比于传统的基于脑功能网络的特征提取方法具有明显的优势。

    一种基于双重自注意力机制的图像描述方法

    公开(公告)号:CN112329794A

    公开(公告)日:2021-02-05

    申请号:CN202011235688.3

    申请日:2020-11-06

    Abstract: 本发明公开了一种基于双重自注意力机制的图像描述网络,包括特征提取器、双重自注意力模块、解码器。其中,Faster R‑CNN网络作为特征提取器用于提取图像的重要特征。双重自注意力模块由两个自注意力分支组成,利用自注意力机制能够捕获长范围依赖关系的特性分别从空间和通道维度捕获特征的依赖性。解码器由两层LSTM构成,分别为注意层和语言层,注意层来预测生成当前词汇在图像上的注意力分布,语言层生成描述。本发明能自适应地将局部特征与全局相关性结合起来,从而获得图像的上下文信息,有利于生成更精确的描述,提高了描述语句的准确性。

    基于深度卷积神经网络识别脑电成像图的方法

    公开(公告)号:CN109726751B

    公开(公告)日:2020-11-27

    申请号:CN201811574691.0

    申请日:2018-12-21

    Abstract: 本发明公开了基于深度卷积神经网络识别脑电成像图的方法,对采集到的运动想象脑电信号进行基线消除预处理;将每导联信号分成若干时间窗口,对每个窗口MI‑EEG型号分别进行快速傅里叶变换,将之分别进行快速傅里叶逆变换,计算其相应的时域功率值;将每个窗口得到的时域功率值求均值,得到时域功率特征;将提取的三频带功率特征在数据矩阵中进行插值成像,得到MI‑EEG信号的伪RGB图像;DCNN模型设计成五段卷积,每段卷积结束后使用卷积层替代最大池化层进行数据降维;使用训练好的DCNN模型在测试集上进行评估,完成分类测试。MI‑EEG成像图在特征表达方面的优势,配合模型拟合能力更强的30层DCNN,对于提升MI‑EEG信号特征表达、分类精度具有重要意义。

    一种运动想象脑电信号的特征提取方法

    公开(公告)号:CN108829257A

    公开(公告)日:2018-11-16

    申请号:CN201810955270.6

    申请日:2018-08-21

    Abstract: 本发明公开了一种运动想象脑电信号的特征提取方法。根据平均功率谱确定对运动想象脑电信号进行特征提取的最优时间段,然后对这一时间段内的运动想象脑电信号进行四层双树复小波分解,利用每个子带的复小波系数进行信号重构,通过计算重构后信号最有时间段内数据的平均能量特征作为运动想象脑电信号的时频特征;提出IL-MVU算法对重构后的脑电信号的最有时间段内数据进行降维,将降维后得到的低维向量作为运动想象脑电信号的非线性特征,最后通过对最优时间段内运动想象脑电信号的时频特征与非线性特征进行标准化处理与特征融合,得到运动想象脑电信号的特征向量。本发明极大地降低了算法的时间消耗,有助于提高MI-EEG信号的分类准确率。

    一种四自由度康复机械臂装置

    公开(公告)号:CN108210246A

    公开(公告)日:2018-06-29

    申请号:CN201810023630.9

    申请日:2018-01-10

    Abstract: 本发明公开了一种四自由度康复机械臂装置,该装置由基座和康复机械臂两部分组成,康复机械臂安装在基座上。康复机械臂由肩部外展关节,肩部屈伸关节,肘部屈伸关节,腕部屈伸关节组成。运动想象脑电信号被采集后,通过预处理,特征提取,模式分类得到的二分类信号作为机械臂控制单元的输入信号。控制单元输出PWM波控制肩部外展电机、肩部屈伸电机、肘部屈伸电机和腕部外展电机转动。通过算法实现运行想象脑电信号的分类,将信号传输给控制单元。控制单元发出相应控制信号。控制信号对伺服电机转动进行控制。本发明的机械臂结构设计的简单化,方便安装拆卸。

    基于Centering Trick卷积限制玻尔兹曼机的物体识别方法

    公开(公告)号:CN104036242B

    公开(公告)日:2017-04-05

    申请号:CN201410241967.9

    申请日:2014-06-03

    Abstract: 本发明涉及基于centering trick卷积限制玻尔兹曼机的物体识别方法,包括构造训练数据库,对图像进行重构,进行白化预处理,采用融合centering trick的CRBM模型对训练集进行特征提取,将三维特征矩阵变换为一维特征向量,采用Softmax分类器对特征进行分类,获取测试集并对其进行重组和白化,计算池化层输出所对应的假设值Si,根据Si是否等于测试集标签判断分类是否正确。本发明在特征提取过程中充分利用图像自身的二维性及像素间的联系,使用CRBM模型实现权重共享,减少了运算所需内存,提高了运算速度。利用centering trick减少了每一层输入时的噪声,提高了运算的准确性和模型的稳定性。

    一种基于有监督学习概率主题模型的地点图像识别方法

    公开(公告)号:CN103810500B

    公开(公告)日:2017-04-05

    申请号:CN201410064526.6

    申请日:2014-02-25

    Abstract: 本发明涉及基于有监督学习概率主题模型的地点图像识别方法,目的在于更好地解决地点图像识别中由于不同光照和角度、事物变化和运动导致的不确定问题,以及原有LDA模型中随主题数目增加图像的识别率出现过拟合现象进而影响图像的识别率的问题。所述方法包括:图像获取;图像预处理;采用SIFT对图像局部特征进行检测和描述;生成“词袋”;用“词袋”中的词对图像进行描述步骤;本发明采用基于有监督学习的概率主题模型学习图像的潜在主题分布;根据sLDA模型中图像的类别响应函数识别测试集中的未知地点图像。本发明用有监督学习的LDA模型代替原有的LDA模型,在保证实时性的前提下,可以有效提高地点图像的识别率。

    一种基于图像中层特征的场景分类方法

    公开(公告)号:CN105426924A

    公开(公告)日:2016-03-23

    申请号:CN201510927766.9

    申请日:2015-12-14

    CPC classification number: G06K9/6267

    Abstract: 本发明公开了一种基于图像中层特征的场景分类方法,属于场景图像分类领域。首先利用一种快速查找图像中物体区域的方法,得到物体区域图像块,并将得到的区域图像块作为图像的中层特征。然后对中层特征图像块进行聚类,并利用SVM为每个聚类训练一个形状模板,同时根据评级指标,选取评级得分最高的n个形状模板。最后,根据测试图像与n个形状模板的匹配得分实现场景图像分类。本发明解决了场景图像分类中图像鉴别性不足和代表性不强的问题。

Patent Agency Ranking