公开(公告)号：CN120048507A

公开(公告)日：2025-05-27

申请号：CN202411951989.4

申请日：2024-12-27

Applicant: 杭州电子科技大学

Inventor： 吴旭 ,  颜成钢 ,  曾龙健 ,  孙垚棋 ,  盛熙淳 ,  高宇涵

IPC: G16H50/30 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/098 ,  G06N3/096 ,  G06T7/00

Abstract: 本发明公开了一种基于超图的联邦学习生存预测方法。首先，对于r个中心，针对每个中心获取n张病理图，得到数据集的特征信息；然后采用最近邻居算法计算每张病理图的p个patch图的最近邻居，连接互为邻居的的patch形成超图，得到关联矩阵；然后通过超图卷积神经网络学习并获得整张病理图的特征；再者，使用超图蒸馏进行局部网络的更新；之后根据每个中心的局部网络，更新全局网络，并进行生存预测。本发明利用超图蒸馏来缩小HGSurvNet和MLP之间的差距，在实现快速推理的同时保留了捕获结构信息的能力；改善了生存预测联邦学习领域的准确性和鲁棒性不足问题，提高了生存预测的准确率和对不同中心数据预测的鲁棒性。

公开(公告)号：CN119337161A

公开(公告)日：2025-01-21

申请号：CN202411286382.9

申请日：2024-09-13

Applicant: 杭州电子科技大学

Inventor： 吴旭 ,  颜成钢 ,  曾龙健 ,  江劭玮 ,  丁贵广 ,  王鸿奎

IPC: G06F18/23213 ,  G06F18/22 ,  G06F18/25 ,  G06N3/0455 ,  G06N3/0895 ,  G06N3/048 ,  G06N3/084 ,  G06F17/16 ,  G06F17/18

Abstract: 本发明公开了一种基于超图自编码器的多模态聚类方法。首先获取模态数据集合，基于模态数据集合形成超图，并得到邻接矩阵；然后通过自编码器网络得到每个模态数据集合的编码器输出和解码器输出；再者，融合每个模态数据对应的潜在表示为多模态数据潜在表示，得到相应的相似度矩阵；综上更新自编码器网络的网络参数和多模态潜在表示直到损失函数收敛，最后根据更新的多模态潜在表示将多模态数据分为k个类别。本发明通过数据的结构先验来学习样本间的潜在相似性，有效的结构先验可以减轻样本特征的偏差。我们利用预训练模型的特征表示能力和超图的卓越建模能力，将特征先验和结构先验集成到模型中。这提高了自监督学习算法的质量。

公开(公告)号：CN117097997A

公开(公告)日：2023-11-21

申请号：CN202311052724.6

申请日：2023-08-21

Applicant: 杭州电子科技大学

Inventor： 颜成钢 ,  曾龙健 ,  吴旭 ,  金颖杰 ,  江涛 ,  孙垚棋 ,  朱尊杰 ,  高宇涵 ,  王鸿奎 ,  赵治栋 ,  殷海兵 ,  王帅 ,  张继勇 ,  李宗鹏 ,  丁贵广 ,  付莹 ,  郭雨晨 ,  赵思成

IPC: H04N25/60 ,  H04N5/262 ,  H04N17/00

Abstract: 本发明公开了一种反向图像信号处理的噪声图像合成方法，首先构建噪声形成模型；然后估计噪声参数。记录两个原始图像序列即平场帧和偏置帧来估计由模拟和数字增益组成的整体系统增益K和噪声源；为了噪声形成模型能模拟多种ISO设置下的真实情况，对联合参数分布进行建模，以便以耦合的方式对噪声参数进行采样；最后完成噪声图像合成。本发明能够合成真实的噪声原始数据，更好地匹配噪声形成的潜在物理过程。本发明极大地提升了合成数据集地真实性；噪声参数校准方法可以校准多种相机的噪声参数，使合成数据集能模拟不同相机拍摄的真实图片，使通过该数据集训练的模型能具有很好的泛化性。

公开(公告)号：CN117058400A

公开(公告)日：2023-11-14

申请号：CN202311018632.6

申请日：2023-08-14

Applicant: 杭州电子科技大学

Inventor： 颜成钢 ,  曾龙健 ,  金颖杰 ,  吴旭 ,  江涛 ,  王帅 ,  张继勇 ,  李宗鹏 ,  丁贵广 ,  付莹 ,  郭雨晨 ,  赵思成 ,  孙垚棋 ,  朱尊杰 ,  高宇涵 ,  王鸿奎 ,  赵治栋 ,  殷海兵

IPC: G06V10/40 ,  G06V10/82 ,  G06V10/30 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种微光RAW图像端到端训练的特征提取方法。首先构建包含具有基本像素对像素对应关系的图像对的大规模数据集；然后构建基于L2‑Net网络的深度学习框架(LowerFeat，确定损失函数；再通过构建的大规模数据集对LowerFeat进行训练；最后通过训练好的LowerFeat实现特征提取。本发明提出了LowerFeat框架，该框架以端到端的方式输出RAW格式图像的局部特征检测和描述，能可靠地提取足够的关键点，同时抑制具有不显著和噪声敏感特征的区域。

公开(公告)号：CN204065118U

公开(公告)日：2014-12-31

申请号：CN201420181685.X

申请日：2014-04-15

Applicant: 杭州电子科技大学

Inventor： 吕强 ,  王平 ,  王坚 ,  王超 ,  蒋志宝 ,  孙健康 ,  吴旭

IPC: G01P3/44 ,  G08C17/02

Abstract: 本实用新型涉及一种用于无人单轨车辆的无线测速电路。现有技术存在成本高、元器件多、体积大、监控能力不足的问题。本实用新型包括控制模块、霍尔测速模块、WIFI模块、电源模块、下载接口模块，电源模块为其余各模块提供电源，霍尔测速模块将采集到的速度信号传送给控制模块，WIFI模块将接收到的速度数据根据内部的无线协议通过WIFI无线发送到智能手机或PC终端。本实用新型的优点在于实现实时监控，具有安装方便、使用简单，适合无人单轨车辆、智能车的测速。