-
公开(公告)号：CN114898158B
公开(公告)日：2025-05-23
申请号：CN202210569646.6
申请日：2022-05-24
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V20/54 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于多尺度注意力耦合机制的小样本交通异常图像采集方法及系统，本发明方法包括步骤：S1.将早先布置的摄像头中收集的交通异常情形图像打上标签作为有标签数据集，并进一步划分训练集和测试集；S2.对样本数据进行数据处理并构造情景任务，从训练集中随机采样少量样本作为支持集样本和一定量同类样本作为查询样本图像；S3.利用骨干网络对每个情景任务中的图像进行特征提取，并获取多尺度输入特征；S4.将两个不同层次注意力结合，形成特征多域层次结构；S5.将不同尺度度量结果加权聚合，根据最终的支持集和查询集样本间的度量分数实现影像分类；S6.利用损失函数进行端到端训练；S7.进行测试保留最优训练权重；S8.模型部署和图像采集。
-
公开(公告)号：CN119961909A
公开(公告)日：2025-05-09
申请号：CN202510049408.6
申请日：2025-01-13
Applicant: 杭州电子科技大学
IPC: G06F21/32 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/2415 , G06N3/042 , G06N3/084
Abstract: 本发明公开了一种基于知识蒸馏的心跳信号身份识别方法、系统、存储介质及电子设备。方法包括如下步骤：1)数据预处理阶段：将毫米波雷达采集到的心跳信号，进行分段处理，将每一段心跳信号通过频域分析得到log‑mel(对数梅尔)频谱图，将得到的log‑mel频谱图集划分为训练集和测试集。2)训练阶段：基于残差网络ResNet和ViT构建知识蒸馏模型，采用ResNet作为教师模型指导ViT学生模型训练，再基于训练集完成知识蒸馏模型训练；3)测试阶段：使用步骤2)训练得到的知识蒸馏模型在测试集上进行测试，得到心跳信号身份识别结果。本发明克服了因数据集规模过小导致的过拟合问题，提高了身份识别的准确率。
-
公开(公告)号：CN114926682B
公开(公告)日：2025-05-02
申请号：CN202210547394.7
申请日：2022-05-18
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于局部离群因子的工业图像异常检测与定位方法及系统，本发明方法具体如下：(1)获取训练数据集；(2)特征提取；(3)采用局部离群因子算法进行异常检测与定位。本发明将深度学习和传统方法相结合提出了一种无监督的异常检测与定位技术方案，具有较高的异常检测准确性和较精准的异常定位性能。
-
公开(公告)号：CN114694262B
公开(公告)日：2025-04-04
申请号：CN202210397625.0
申请日：2022-04-15
Applicant: 杭州电子科技大学
IPC: G06V40/20 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于两个正交视角方向的特征分开提取的多视角步态识别方法及系统，方法具体步骤：S1.采集得到多视角、多协变量情况的步态数据集，并对数据集进行预处理；S2.将预处理后的输入送入训练好的特征提取网络，提取出90°和0°两个视角方向成分的特征向量；同时，根据输入的样本识别出样本的协变量，并得到协变量向量；S3.根据得到的协变量向量，对步骤S2的特征向量做加权处理，得到最终的步态特征向量；S4.设置注册集，注册集中只含有90°和0°两个视角方向的样本；S5.通过对比网络输出的步态特征与注册集的步态特征，分类得到输入的身份信息。本发明实现了多视角、多携带物状态的步态识别的目的，有效降低了协变量对步态识别的影响。
-
公开(公告)号：CN118570527A
公开(公告)日：2024-08-30
申请号：CN202410646713.9
申请日：2024-05-23
Applicant: 杭州电子科技大学平湖数字技术创新研究院有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/20 , G06V10/40
Abstract: 本发明属于基于深度学习的图像异常检测技术领域，具体涉及基于受控特征生成器的图像异常检测方法及系统。方法包括：S1：获取图像异常检测数据集；S2：对图像数据集进行预处理；S3：构建深度学习模型，将预训练权重加载到特征提取器中；S4：生成伪标签，定义不确定特征和模糊域；S5，伪标签控制特征生成器中生成异常的数量；S6，伪标签控制特征生成器中添加对抗扰动的幅度；S7，受控特征迭代生成；S8，定义模型损失函数，对经过生成的特征进行约束；S9，对受控特征生成器进行参数设置；S10，迭代深度学习模型中的参数，保存迭代训练好的深度学习模型；S11，导入模型训练参数，将待检测的图像数据输入模型进行异常检测。
-
Patent Agency Ranking
公开(公告)号：CN118505762A
公开(公告)日：2024-08-16
申请号：CN202410646716.2
申请日：2024-05-23
Applicant: 杭州电子科技大学平湖数字技术创新研究院有限公司
IPC: G06T7/30 , G06V10/74 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于多分辨率层次化结构的梯度调节医学图像配准方法及系统，方法包括以下步骤：S1.获取医学图像，制作数据集，分成训练集和测试集；S2.构建多分辨率层次化网络架构，分辨率分为三层，从低到高进行配准；S3.制定多层次梯度调节策略；S4.确定优化使用的相似性损失和正则化损失函数；S5.设计多分辨率层次化网络的梯度调节实施方案；S6.将数据集输入设计好的多层次网络架构中，通过各层梯度调节完成训练，并保存模型。本发明利用多分辨率层次化结构对医学图像从全局到局部完成多尺度配准。
-
公开(公告)号：CN117877529A
公开(公告)日：2024-04-12
申请号：CN202410075787.1
申请日：2024-01-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双特征的语音情感识别方法及系统，方法如下：S1、获取采样频率和时长相同的语音信号；S2、提取语音信号的小波散射特征和MFCC相关特征；S3、将小波散射特征按尺度维度扩展为尺度特征，并计算尺度特征的排列熵作为权重；S4、使用排列熵对尺度特征预测的情感类别的后验概率进行加权，并按情感类别求和，得到排列熵加权后验概率；S5、使用梅尔频率倒谱系数相关特征预测情感类别的后验概率；S6、使用偏差调整规则融合基于小波散射特征和梅尔频率倒谱系数特征的后验概率，得到情感分类结果。本发明利用小波散射尺度扩展特征和MFCC相关特征的互补性，通过排列熵加权和偏差调整的方式，提高语音情感识别的准确性和鲁棒性。
-
公开(公告)号：CN115908983A
公开(公告)日：2023-04-04
申请号：CN202211572240.X
申请日：2022-12-08
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
IPC: G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于生成对抗网络的蚊群计数方法及系统，方法包括如下步骤：1)数据集制作阶段：采集蚊群图像制作训练集和测试集，生成训练集的真值图；2)训练阶段：构建生成器网络和判别器网络，训练生成器网络和判别器网络；3)测试阶段：将测试集图像输入训练阶段训练完成的生成器网络中得到预测图；4)使用阶段：将待计数蚊群图输入到生成器网络中，得到预测数量和预测图。其中生成器部分由前端网络和后端网络构成，前端网络是由使用了公共数据集Imagenet预训练完的VGG‑16前十层构成；后端网络是融入注意力机制的多尺度卷积神经网络构成；判别器部分由马尔科夫判别器构成。该网络结构对蚊群图像计数有较高的准确率。
-
公开(公告)号：CN109359519B
公开(公告)日：2021-12-07
申请号：CN201811026243.7
申请日：2018-09-04
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于深度学习的视频异常行为检测方法。本发明方法包括训练阶段和测试阶段。在训练阶段，将训练视频序列转换成灰度图和光流图，并分别制作成时空块，分别输入到残差自编码模型中进行训练，建立基于灰度图和光流图的两个模型，训练好的模型包含了正常行为的运动模式和外观信息，所以更有利于正常行为的重构。在测试阶段，将测试数据制作成灰度图和光流图的时空块，先将灰度图时空块输入到灰度图模型中，初步检测出正常区域和可疑区域，再将可疑区域的光流图时空块输入到光流图模型中，检测出正常区域和异常区域，得到最终的异常判定，本发明方法能更好地鉴别视频数据的运动信息和外观特征，从而提高异常行为的检测率。
-
公开(公告)号：CN113505651A
公开(公告)日：2021-10-15
申请号：CN202110660708.X
申请日：2021-06-15
Applicant: 杭州电子科技大学 , 浙江省疾病预防控制中心
Abstract: 本发明公开了一种基基于卷积神经网络的蚊虫识别方法。现有识别蚊虫的方法效率低、误识率较高。本发明方法包括训练阶段和测试阶段。训练阶段首先收集蚊子彩色图像，组成训练集，然后对蚊虫彩色图像尺寸规范化处理；构建依次由卷积模块、注意力网络模块和分类模块组成的卷积神经网络，并训练该卷积神经网络。测试阶段是将预处理后测试图像输入到训练好的卷积神经网络中，输出为五个概率值，概率最大者所在位置为模型预测该样本相应的类别。本发明采用了混合池化以降低特征丢失，并且在网络中引入了注意力网络模块，使得网络学习到不同蚊虫类别图像的局部关键信息，添加了中心损失作为辅助损失函数，进一步提升了网络的性能。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.033 seconds)
