-
公开(公告)号：CN109259528A
公开(公告)日：2019-01-25
申请号：CN201811140558.4
申请日：2018-09-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于人脸识别与肤质检测的家居智能镜子。本发明包括固定壳体、显示界面、摄像头、温度传感器、控制装置；固定壳体内部设置有温度传感器和控制装置；显示界面包括显示屏和原子镜，原子镜设置在固定壳体外，显示屏设置在固定壳体内，与控制装置相连，且与原子镜相邻设置；显示界面利用原子镜单向透光的原理，通过显示屏和原子镜的叠加，将信息显示在原子镜上；通过对显示屏的控制，使得前面原子镜处于普通镜子状态亦或是镜子状态下。本发明增加了镜子的实用性，可应用于客厅、浴室、梳妆台、线下体验门店等场景，和市面上现有智能镜子相比，具有人脸识别速度更快、能进行肤质诊断、可提供定制化的肤质保养方等优点。
-
Patent Agency Ranking
公开(公告)号：CN112257911B
公开(公告)日：2024-03-26
申请号：CN202011089562.X
申请日：2020-10-13
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06Q50/04 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于并行时空注意力机制的TCN多元时间序列预测方法，首先对公式进行定义，然后构建多元时间序列预测模型，包括两个并行的网络主干，空间注意力分支主干通过空间注意力模块提取外生序列和目标序列之间的空间相关性，时间注意力分支主干则通过时间注意力模块来捕捉窗口中所有时间步间的时间依赖性。空间注意力模块和时间注意力模块分别连接两个相同的堆叠TCN主干和全连接层；最后将多变量的时间序列输入多元时间序列预测模型中，获得最终的预测结果。本发明方法将时空注意力机制与TCN相结合相较于传统TCN取得了更高的准确率，同时提高网络计算效率相较于基于RNN的模型大大缩减了模型训练所需要的时间。
-
公开(公告)号：CN113592023B
公开(公告)日：2024-02-27
申请号：CN202110918765.3
申请日：2021-08-11
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/09
Abstract: 本发明公开了一种基于深度模型框架的高效细粒度图像分类模型。本发明创新地将数据增强方法与知识蒸馏技术相结合，设计交叉集成知识蒸馏(CEKD)模型，以在线方式动态生成软目标；整个交叉集成知识蒸馏模型包括教师网络和学生网络，且教师和学生网络采用同一骨干网络；针对数据增强中存在的噪声干扰问题，提出交叉蒸馏模块(CD)来重建网络的输入路径以获得额外的监督信息；同时针对目标冲突问题，提出协同集成模块(CE)来动态集成和优化所有最终的输出值；最后结合交叉蒸馏模块和协同集成模块，全面捕捉图片的判别性区域并提高CEKD模型的鲁棒性。本发明在细粒度数据集上的大量实验证明了CEKD模型性能的优越性。
-
公开(公告)号：CN113592023A
公开(公告)日：2021-11-02
申请号：CN202110918765.3
申请日：2021-08-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度模型框架的高效细粒度图像分类模型。本发明创新地将数据增强方法与知识蒸馏技术相结合，设计交叉集成知识蒸馏(CEKD)模型，以在线方式动态生成软目标；整个交叉集成知识蒸馏模型包括教师网络和学生网络，且教师和学生网络采用同一骨干网络；针对数据增强中存在的噪声干扰问题，提出交叉蒸馏模块(CD)来重建网络的输入路径以获得额外的监督信息；同时针对目标冲突问题，提出协同集成模块(CE)来动态集成和优化所有最终的输出值；最后结合交叉蒸馏模块和协同集成模块，全面捕捉图片的判别性区域并提高CEKD模型的鲁棒性。本发明在细粒度数据集上的大量实验证明了CEKD模型性能的优越性。
-
公开(公告)号：CN112257911A
公开(公告)日：2021-01-22
申请号：CN202011089562.X
申请日：2020-10-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于并行时空注意力机制的TCN多元时间序列预测方法，首先对公式进行定义，然后构建多元时间序列预测模型，包括两个并行的网络主干，空间注意力分支主干通过空间注意力模块提取外生序列和目标序列之间的空间相关性，时间注意力分支主干则通过时间注意力模块来捕捉窗口中所有时间步间的时间依赖性。空间注意力模块和时间注意力模块分别连接两个相同的堆叠TCN主干和全连接层；最后将多变量的时间序列输入多元时间序列预测模型中，获得最终的预测结果。本发明方法将时空注意力机制与TCN相结合相较于传统TCN取得了更高的准确率，同时提高网络计算效率相较于基于RNN的模型大大缩减了模型训练所需要的时间。
-
公开(公告)号：CN111291804A
公开(公告)日：2020-06-16
申请号：CN202010074244.X
申请日：2020-01-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于注意力机制的多传感器时间序列分析模型。本发明包括数据收集、数据挖掘、时间序列分析和前端可视化，所述的数据收集通过设置在人体上的可穿戴传感器设备进行收集；可穿戴传感器设备分别固定在测试人员身体的大臂上侧和膝盖上侧，其中左臂上侧设置主传感器,其余都是从机传感器；从机传感器通过其射频无线传输模块将运动信号发送到主传感器，再发送到手机；根据分析方向进行定向分析，如果是运动预测，则对信号进行预处理，再由模型进行预测；如果是活动识别，则对信号进行预处理、特征提取、特征归一化、特征降维和识别分类器；最后均将结果显示在手机上。本发明用于多变量时间序列长期预测，可以实现实时运动预测。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
