-
公开(公告)号：CN117218545A
公开(公告)日：2023-12-12
申请号：CN202311259766.7
申请日：2023-09-27
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/25 , G06V10/44 , G06V10/46 , G06V10/54 , G06V10/766 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于LBP特征与改进Yolov5的雷达图像检测方法，该方法针对原始SAR图像提取LBP特征，并与原始图像融合后作为训练数据。在Yolov5模型特征提取网络的C3模块中加入可变形卷积，在特征融合金字塔网络模块中使用基于特征的内容感知重组CARAFE算子来对特征图进行上采样、在三个预测特征层进行使用自适应特征融合ASFF增强特征表达。然后利用训练数据进行网络训练，使用训练后的网络进行雷达图像目标检测。本方法为训练数据补充了低层次的纹理信息，降低了在复杂场景中背景的干扰，通过融合低层次的局部纹理特征和深度网络的高层次语义特征，提升了整体的目标检测性能。
-
公开(公告)号：CN116413819A
公开(公告)日：2023-07-11
申请号：CN202310482538.X
申请日：2023-04-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于随机共振系统的航空磁异常检测方法，包括以下步骤：S1：采集地磁场数据。其中所述数据为经过航磁补偿技术处理后的数据。S2：建立随机共振检测系统并计算二元假设检测统计量。所述二元假设检测统计量为随机共振系统输出的标准差。S3：计算阈值并检测目标。所述阈值计算方法为单元平均法。通过二元假设检测统计量与阈值的比较来确定检测中是否存在目标。当随机共振系统中任一子系统的二元假设检测统计量大于相应阈值即可认为目标存在，当且仅当两子系统统计量均小于阈值时认为测量为纯噪声。该方法针对复杂环境下磁异常检测过程中出现的信号信噪比低、相关性匹配检测方法受噪声类型影响严重等问题。
-
公开(公告)号：CN116310525A
公开(公告)日：2023-06-23
申请号：CN202310194883.3
申请日：2023-02-28
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于对比表示蒸馏与输出蒸馏的病理图像分类方法，本发明采用对比表示学习设计了双蒸馏病理图像分类网络。其中，使用弱监督模型作为分类网络，大幅降低模型的数据依赖性，采用对比表示蒸馏使弱监督模型提取到更显著、更具区分度的深层特征，采用输出蒸馏可以通过高精度、高准确率的全监督模型来引导弱监督模型的优化方向。通过输出蒸馏和对比表示蒸馏使弱监督模型保持对正常组织样本高识别能力的同时大幅提升对不同肺癌亚型的预测能力。此外，通过设计深度门控注意力模块，具有实现对正常组织样本和肺癌亚型精准预测。
-
公开(公告)号：CN116704274A
公开(公告)日：2023-09-05
申请号：CN202310823416.2
申请日：2023-07-06
Applicant: 杭州电子科技大学
IPC: G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于空间相关性注意力的红外和可见光图像融合方法，包括以下步骤：S1：读取红外和可见光图像；S2：将红外和可见光图像分别输入编码器提取4种尺度的深度特征；S3：将红外的深度特征和可见光图像的深度特征输入融合网络；S4：在融合网络中，对输入融合网络的相应尺度的红外图和可见光图像特征计算空间相关性注意力权重并将空间相关性注意力权重作用于红外和可见光图像的特征；S5：在融合网络中，对空间注意力作用后的特征利用交叉残差网络进一步融合；S6：根据融合特征构建融合图像；该方法针有效解决了红外和可见光图像像素级融合任务中细粒度信息丢失的问题。
-
公开(公告)号：CN115878983A
公开(公告)日：2023-03-31
申请号：CN202211597492.8
申请日：2022-12-12
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/25 , G06F17/16 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于多层次交互融合的多模态数据场景识别方法。使用自动驾驶场景下车载传感器收集的视频数据和车载数据，分别提取三种单模态特征，包括基于双阶段注意力机制的多示例学习获取视频中2D级别的特征；通过多层时空注意力网络提取出场景视频中的3D时空特征，同时加入了车载信息特征向量一起训练，进行交互；以及对车载信息特征向量进行训练。完成三个模态的特征提取后，进行相似度损失的计算，在训练过程中最大化三个模态的相似部分，并基于多层自注意力网络对三个模态的特征进行交互，最后进行分类操作。该方法能利用已有的视频和车载信息交互，补充信息，提高识别场景识别速度和精度。
-
Patent Agency Ranking
公开(公告)号：CN114690182A
公开(公告)日：2022-07-01
申请号：CN202210330466.2
申请日：2022-03-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开提出了一种基于GP‑PNF的极化SAR目标方位模糊消除方法，该方法结合了第三特征值λ3和GP‑PNF算法，利用新极化凹口滤波器求出目标能量，构造新的探测器。具体实现步骤如下：首先对待检测的极化SAR图像协方差矩阵C进行Boxcar滤波处理；然后对滤波后的C矩阵进行特征值分解，计算出λ3，利用λ3构建新的特征矢量tnew；在GP‑PNF方法的框架下，根据tnew计算目标能量PT，构造目标检测器，采用阈值分割实现目标检测。与传统方法相比，本发明方法能够精准地探测真实舰船，更好地消除方位模糊。
-
公开(公告)号：CN111369507B
公开(公告)日：2023-08-11
申请号：CN202010125748.X
申请日：2020-02-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于归一化灰度霍夫变换和局部CFAR的尾迹检测方法，首先利用归一化灰度Hough变换将原始SAR图像转换到Hough参数空间，然后利用局部滑窗CFAR方法获得Hough参数空间的峰值和谷值检测结果，并将其反演到图像域，从而得到尾迹检测结果。本发明方法不需要进行舰船目标区域掩膜处理，避免了较为复杂的预处理过程；本发明方法利用局部CFAR的思想得到Hough参数空间的检测统计量，能够进一步增强尾迹特征，提高了尾迹检测性能。
-
公开(公告)号：CN115409812A
公开(公告)日：2022-11-29
申请号：CN202211067591.5
申请日：2022-09-01
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于融合时间注意机制的CT图像自动分类方法，首先构建基于时间注意机制的3D CNN分类网络，该网络利用时间注意力层自动学习到CT图像中的空间和时间信息，以更精确地进行分类嵌入的表示，提高分类准确度；随后构建一种噪声校正网络，该网络通过给真实标签加上一个参数未知的噪声信道，并利用神经网络学习噪声分布参数，可以有效识别出分类干扰噪声，从而缓解数据分布的多中心效应，在辅助提高网络分类精度的同时，使得模型具有更高的泛化性和鲁棒性，也具有更高的推广性。
-
公开(公告)号：CN111028256A
公开(公告)日：2020-04-17
申请号：CN201910973877.1
申请日：2019-10-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种提出了一种基于改进活动轮廓模型的SAR图像目标检测方法，该方法基于Gamma分布假设，利用Bhattacharyya距离度量推导了基于局部区域统计信息的活动轮廓模型的能量泛函，利用全局最小化框架，实现所提能量泛函的全局能量最小化。本发明方法能够获得精确定位的目标轮廓，从而达到检测目标的目的，并且具有很高的计算效率。
-
公开(公告)号：CN115984308A
公开(公告)日：2023-04-18
申请号：CN202310037807.1
申请日：2023-01-10
Applicant: 杭州电子科技大学
IPC: G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及基于平均教师模型的半监督肺叶分割方法，采用了一种平均教师模型的半监督肺叶分割框架，并利用全局和局部对比损失对主干网络进行总体预训练。预训练的编码器和解码块提取了未标记数据中全局和局部的有用信息表示，并将预训练的U‑Net结构作为平均教师模型中教师网络和学生网络的主干。将经过数据增强处理的无标签数据送入教师网络得到对应的伪标签，利用伪标签训练学生网络以使学生模型和教师模型在语义层面趋于一致，同时，使用学生网络中的指数移动平均(EMA)权重来更新教师模型的网络参数，以此方式来优化肺叶分割网络的性能，来生成准确率更高的肺叶掩膜。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.021 seconds)
