-
公开(公告)号：CN117475408A
公开(公告)日：2024-01-30
申请号：CN202311436568.3
申请日：2023-10-31
Applicant: 杭州电子科技大学
IPC: G06V20/58 , G06V10/774 , G06V10/44 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种用于智能辅助驾驶的交通标志小目标检测方法，以及实现该方法的装置。本方法将交通标志小目标图片输入改进后的YOLOv5s模型中，通过Backbone中的空洞卷积扩大较低层次特征图在原图中的感受野，为后续检测提供更多的信息，利用特征金字塔融合不同层次的特征图，然后利用检测层输出小目标的位置和分类信息。在检测层中引入了注意力机制，使用精确的位置信息对通道关系和远程依赖性进行编码，实现坐标信息嵌入和坐标注意生成，使模型更准确地定位感兴趣的对象。本方法能够有效提高对于交通标志小目标检测的精度，且检测速度也能够满足移动端检测的实时性需求。
-
公开(公告)号：CN115553781A
公开(公告)日：2023-01-03
申请号：CN202211190514.9
申请日：2022-09-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法。本发明创新性的结合相关性分析和图论中心性原理为判断节点重要性的依据，考虑功能网络随精神状态的变化，通过保留关键节点和相应边来确定影响精神状态的核心脑网络。针对多层脑网络不同频带的脑网络特征之间的关联无法被有效挖掘的问题，本发明将脑网络数据作为高阶张量，使用连续低秩非负塔克分解算法，使用张量分解的方法保留不同频带脑网络之间的相互联系，快速高效的提取多层核心脑网络的分类特征。
-
公开(公告)号：CN115631371A
公开(公告)日：2023-01-20
申请号：CN202211266313.2
申请日：2022-10-17
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V40/10 , G06F3/01
Abstract: 本发明提出一种脑电信号核心网络提取方法。本发明通过对脑电信号进行分析和特征提取，使用注意力图卷积神经网络(A‑GCN)训练获取到脑网络的核心节点，同时也获取了核心网络，使得多种分类预测模型在测试集上只需要计算少量的节点或边特征(网络)就能够获得更高的识别准确率。本发明提供的方法只需要采集被试少量的通道数据，提升了BCI应用中的实用性。
-
公开(公告)号：CN101324669A
公开(公告)日：2008-12-17
申请号：CN200810120197.7
申请日：2008-07-25
Applicant: 杭州电子科技大学
IPC: G01S15/08
Abstract: 本发明涉及多路超声波传感器信号处理方法。单一传感器信号难以保证输入信息的准确性和可靠性。本发明采用数字处理器TMS320LF2407A，超声波传感器谐振频率为40kHz，具体方法是：将数字处理器初始化，设定多路传感器数据采集通道；定时器T1产生激励脉冲，各个超声波发射传感器接收到激励脉冲后，分别发射超声波；对应的超声波接收传感器接收到超声回波后，CAP模块产生中断，测得障碍物距离信息；如果超声波接收传感器在定时器T2的定时周期内没有接收到超声回波，则判断无障碍物，定时器T2重新开始计时。本发明通过设定不同通道的超声波发射接收通道，完成多路超声波数据采集，可以获得高精度的采集数据。
-
公开(公告)号：CN117436123A
公开(公告)日：2024-01-23
申请号：CN202311460758.9
申请日：2023-11-02
Applicant: 杭州电子科技大学
IPC: G06F21/62 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0442 , G06N3/048 , G06F18/24
Abstract: 本发明公开了基于生成对抗网络的物流车辆轨迹隐私保护方法及装置。该方法首先对训练集和提取停留点后的需要保护的轨迹数据进行轨迹编码。然后使用编码后的训练集来训练生成对抗网络模型，编码后的需要保护的轨迹数据输入到训练后的模型中得到多批轨迹中各坐标点的经纬度混淆值。接着对每个停留点从多批经纬度混淆值中根据指数机制来选择出最佳的一批中该停留点的经纬度混淆值作为确定后的轨迹。最后将确定后的轨迹中各坐标点的经纬度混淆值加上原始轨迹数据各坐标点的经纬度来实现混淆。本发明能个性化地对原始轨迹数据进行混淆以达到隐私保护的效果，即使算法程序泄露了，攻击者也无法从混淆后的轨迹数据还原出原始轨迹数据。
-
Patent Agency Ranking
公开(公告)号：CN116823662A
公开(公告)日：2023-09-29
申请号：CN202310793102.2
申请日：2023-06-30
Applicant: 杭州电子科技大学
IPC: G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种融合原生特征的图像去噪去模糊方法，属于计算机视觉领域，该方法首先通过摄像机拍摄获取数据集中的原始数据，并进行数据集合成，得到合成后的模糊清晰图像对。其次构建原生图像估计网络，得到估计的原生图像。最后构建融合原生特征的图像去噪去模糊网络，实现去噪和去模糊，输出不同尺度的去噪去模糊后的清晰图像。本发明在联合去噪去模糊方面优于以往的方法，有助于提高图像质量，降低相机成本，减少资源浪费，对智慧交通、人脸识别等领域具有非常重要的意义。
-
公开(公告)号：CN119782928A
公开(公告)日：2025-04-08
申请号：CN202411714443.7
申请日：2024-11-27
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , A61B5/374 , A61B5/18 , A61B5/00 , G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/047
Abstract: 本发明公开了一种基于双源多尺度特征融合网络的疲劳驾驶检测方法，其针对采集的脑电信号进行分频滤波并提取微分熵作为通道特征，斯皮尔曼等级相关系数作为脑网络特征；对滤波后提取的通道特征进行映射和堆叠，使其转换为三维特征后输入不同核大小的VSCM得到不同尺度的特征信息，与传统技术中按通道顺序一维排列的方式相比，本发明较好地考虑了电极通道在人脑空间中的实际分布，解决了原本在人脑空间中相邻的电极通道在卷积的过程中无法被正常使用的问题；同时，本发明利用上采样层对不同级的逐点卷积进行融合，并通过卷积层对融合后的特征经过一系列卷积再叠加得到更加全面的多尺度特征，适用于通道数量较少的情况，提高了疲劳驾驶检测率。
-
公开(公告)号：CN119357826A
公开(公告)日：2025-01-24
申请号：CN202411503476.7
申请日：2024-10-25
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/048 , A61B5/369 , A61B5/00
Abstract: 本发明公开一种基于通道自适应卷积核与信息融合网络的手指运动想象解码方法。本发明引入通道自适应核模块CAK来应对卷积核的通道差异问题，采用两个分支来解决不同的电极通道间存在差异问题，一个是以原始EEG信号为输入的EEG‑CAK分支，另一个是以协方差矩阵作为输入的COV‑CAK分支。EEG‑CAK和COV‑CAK分支输出的特征向量拼接为一个特征向量；特征向量通过两个全连接层，第二层中神经元等于手指运动想象的类别数量。CAK模块在CNN的框架内巧妙地同时为所有的通道确定有效的卷积核，并融合他们提取的信息。另外，CAK是一个通用模块可以应用于其他的EEG任务。本发明公开的手指运动想象的解码方案取得了目前最佳的解码准确率。
-
公开(公告)号：CN118940180A
公开(公告)日：2024-11-12
申请号：CN202411007354.9
申请日：2024-07-25
Applicant: 杭州电子科技大学
IPC: G06F18/2433 , G06F18/214 , G06F18/10 , G06F18/23213 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F123/02
Abstract: 本发明公开一种基于异常注意力和门控存储的多变量时序异常检测方法，首先收集多变量时间序列数据集，接着构建基于异常注意力和门控存储的多变量时序异常检测模型，包括：异常注意力模块、门控存储模块和弱解码器；然后将预处理后的时间序列输入异常注意力模块获得关联差异，根据序列关联矩阵得到隐状态数据，经门控存储模块得到检索内存项，将检索内存项和查询在特征维度相加获得弱解码器的输入数据，通过弱解码器得到重构时间序列；再对模型进行训练并判定异常数据。本发明方法强化了模型的重构能力，并能够更有效地捕获关联差异，提高了时序异常检测的精度，可应用于水处理设备、交通信号设备、互联网公司服务器等传感器数据的时序异常检测。
-
公开(公告)号：CN118071998A
公开(公告)日：2024-05-24
申请号：CN202410267197.9
申请日：2024-03-08
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V10/24 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于边缘信息自适应特征融合网络的伪装目标检测方法，包括：获取伪装目标图像数据；构建基于边缘信息自适应特征融合网络；利用图像数据训练集对基于边缘信息自适应特征融合网络进行训练，得到训练完成后的伪装目标检测模型；采集待检测的伪装目标图像，对待检测的图像进行预处理，然后输入到训练完成后的伪装目标检测模型中，生成当前检测图像的检测结果。本发明通过使用MCFE模块提高每个特征层对多尺度上下文信息建模的能力，并强调对伪装目标响应突出的区域和通道，解决了丰富上下文信息时容易丢失细节信息的问题；通过使用MID模块聚合多层特征，生成定位图，解决了聚合多层特征时相邻层特征交互不充分的问题；通过使用AFF模块自适应融合来自编码器和解码器特征，解决了融合编码器和解码器特征时忽略不同层次特征的特点和贡献的问题；所提出的网络能够有效解决复杂场景下伪装目标检测性能差的问题，提供更加准确的检测结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.027 seconds)
