-
公开(公告)号：CN110175988A
公开(公告)日：2019-08-27
申请号：CN201910339022.3
申请日：2019-04-25
Applicant: 南京邮电大学
Abstract: 本发明提供了一种基于深度学习的布匹缺陷检测方法。该方法包括：建立不同类型缺陷的布匹检测图像库及其标签库；建立基于深度学习的目标检测模型，包括基础网络、区域提议网络和Fast R-CNN检测网络；建立基于深度学习的图像分类模型；在准备好的各图库上训练已建立的目标检测模型或图像分类模型，训练过程中每次迭代的输入数据都执行数据增强操作，根据检测出的布匹中缺陷的相对位置，检测布匹有无缺陷，若有缺陷则利用图像分类模型确定布匹的缺陷类型。与传统的图像识别方法相比，本发明无需人工设计繁琐的图像特征提取器，可以帮助工作人员完成初步的布匹图像数据筛选，为后续的进一步检测奠定基础，减轻了工作强度并提升了纺织产业的智能化水平。
-
公开(公告)号：CN108564052A
公开(公告)日：2018-09-21
申请号：CN201810370279.0
申请日：2018-04-24
Applicant: 南京邮电大学
Abstract: 本发明公开了基于MTCNN的多摄像头动态人脸识别系统与方法，适用场景为包括安装在管理区域的多个摄像头监控摄像头，多个监控系统通过摄像头从不同角度采集行人的视频，所有监控系统均通过网络连接到同一服务器并共享服务器的内网；方法包括步骤S1，从不同角度采集行人的视频，并逐帧从视频流中裁剪出脸部帧；步骤S2，采用MTCNN方法来对所有脸部帧提取人脸特征；步骤S3，对提取到的特征进行分类，以实现人脸识别。本发明结合多摄像头和服务器的硬件平台，将深度学习和特征识别应用在监控系统上面，对提高治安管理具有重要的意义。
-
公开(公告)号：CN110070027A
公开(公告)日：2019-07-30
申请号：CN201910308543.2
申请日：2019-04-17
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于智能物联网系统的行人重识别方法，包括(1)制作行人重识别数据集；(2)利用深度残差网络训练行人重识别模型；(3)通过多个摄像头从不同角度实时采集行人连续帧图像发送至服务器，并对采集到的行人连续帧图像采用深度残差网络进行图像特征提取；(4)将图像特征与步骤2中所得到的模训练型进行匹配，识别行人身份。利用深度残差网络提取行人数据集的图像特征并训练行人重识别模型，提高了治安监控的准确性以及识别率，同时加快了运行速率。该发明可以应用于视频监控的多个场合，包括银行、商场、企业等，相比于传统监控方案，极大地提升了监控系统的智能性和安全性。
-
Patent Agency Ranking
公开(公告)号：CN108564053A
公开(公告)日：2018-09-21
申请号：CN201810370308.3
申请日：2018-04-24
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了基于FaceNet的多摄像头动态人脸识别系统与方法，适用场景为包括安装在管理区域的多个摄像头监控系统，多个监控系统的摄像头从不同角度实时采集行人的视频，所有监控系统均通过网络连接到同一服务器并共享服务器的内网，包括步骤1，从不同角度采集行人的视频，并采用HAAR模型逐帧从视频流中裁剪出脸部帧；2，采用FaceNet框架来对所有脸部帧提取人脸特征；3，对提取到的特征进行分类，以实现人脸识别。本发明结合多摄像头和服务器的硬件平台，将深度学习和特征识别应用在监控系统上面，对提高治安管理具有重要的意义。
-
公开(公告)号：CN110059616A
公开(公告)日：2019-07-26
申请号：CN201910308541.3
申请日：2019-04-17
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于融合损失函数的行人重识别模型优化方法，包括(1)利用神经网络训练得到行人重识别模型后，利用交叉熵损失函数计算模型中每个行人图像特征空间相似度；(2)根据空间相似度设置损失阈值，并利用阈值构造三元组对象；(3)利用三元组对象构造三重损失函数迭代优化，得到优化后的行人重识别模型。本发明结合交叉熵损失函数和三重损失函数，将深度学习和特征识别应用在行人重识别问题上面，对提高治安管理具有重要的意义。
-
公开(公告)号：CN108768585B
公开(公告)日：2021-03-16
申请号：CN201810391478.X
申请日：2018-04-27
Applicant: 南京邮电大学
IPC: H04L1/00
Abstract: 本发明公开了一种基于深度学习的上行免信令NOMA系统多用户检测方法，该方法包括对接收信号建模，将接收信号稀疏表示和训练用于稀疏信号恢复的深度结构三个部分；本发明利用NOMA系统中用户的稀疏性以及在不同时隙的发送信号之间存在的联系，使用结构化压缩感知理论进行多用户检测，并利用深度学习理论来解决稀疏重构问题，能够实现低复杂度且高性能的多用户检测，结合用户在不同时隙的发送信号之间存在的相关性，使用结构化压缩感知理论实现多用户检测；利用深度学习理论来解决信号恢复的欠定逆问题，基于深度学习的方法从优化参数、训练稀疏表示以及神经网络三个方面进一步改进了稀疏重构算法的重构精度并提高了重构效率。
-
公开(公告)号：CN108768585A
公开(公告)日：2018-11-06
申请号：CN201810391478.X
申请日：2018-04-27
Applicant: 南京邮电大学
IPC: H04L1/00
Abstract: 本发明公开了一种基于深度学习的上行免信令NOMA系统多用户检测方法，该方法包括对接收信号建模，将接收信号稀疏表示和训练用于稀疏信号恢复的深度结构三个部分；本发明利用NOMA系统中用户的稀疏性以及在不同时隙的发送信号之间存在的联系，使用结构化压缩感知理论进行多用户检测，并利用深度学习理论来解决稀疏重构问题，能够实现低复杂度且高性能的多用户检测，结合用户在不同时隙的发送信号之间存在的相关性，使用结构化压缩感知理论实现多用户检测；利用深度学习理论来解决信号恢复的欠定逆问题，基于深度学习的方法从优化参数、训练稀疏表示以及神经网络三个方面进一步改进了稀疏重构算法的重构精度并提高了重构效率。
-
公开(公告)号：CN208938330U
公开(公告)日：2019-06-04
申请号：CN201821974648.9
申请日：2018-11-28
Applicant: 南京邮电大学
Abstract: 本实用新型属于交通监控技术领域，尤其为一种交通管理用监控装置，包括固定安装在地面上的支撑管，所述支撑管的顶端固定安装有支撑块，所述支撑管的一侧设有储水槽，所述支撑块上开设有腔体，所述腔体的底部内壁上开设有凹槽，所述凹槽的底部内壁上开设有条孔，所述腔体的底部内壁上固定安装有电机，所述电机的输出轴上固定安装有第一齿轮，所述腔体的底部内壁上固定安装有两个固定块，两个固定块上转动安装有同一个螺杆，所述螺杆靠近电机的一端贯穿固定块并焊接有第二齿轮，所述第二齿轮与第一齿轮啮合。本实用新型结构简单，操作容易，使用方便，可以快速的对监控设备进行清洗，使得监控画面更加清晰，节约时间。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
