-
公开(公告)号：CN119559605B
公开(公告)日：2025-04-29
申请号：CN202510080711.2
申请日：2025-01-20
Applicant: 杭州电子科技大学
IPC: G06V20/56 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开基于可学习线锚和KAN网络检测头的车道线检测方法。首先利用主干图像特征提取模型对输入的车道线图像进行多阶段的特征提取。在前几个阶段，专注于线锚的学习与调整，利用预定义的线锚对主干图像特征提取模型输出的特征图进行线锚池化，并利用基于KAN网络的检测头，生成车道线的初步预测结果，并调整线锚位置，用于对下一阶段的特征图进行线锚池化，并将前序阶段的池化结果作为全局信息进行融合。重复多次后，利用调整后的线锚，对最后一个阶段的特征图进行线锚池化，输出最终的车道线预测结果。并且在模型的训练过程中，提出分段交并比作为损失计算的一部分，更有效地监督模型学习。该方法能够提升车道线检测的速度与精度。
-
公开(公告)号：CN119783111A
公开(公告)日：2025-04-08
申请号：CN202411831537.2
申请日：2024-12-12
Applicant: 杭州电子科技大学
IPC: G06F21/57 , G06F18/211 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明公开了基于代码局部特征与长距离依赖关系的软件缺陷预测方法。该方法首先采用时间卷积神经网络对语义特征进行挑选，以保留潜在的、与缺陷相关的语义特征，从而提高预测的有效性和准确性。再将保留的语义特征与传统特征结合，先输入CNN模型，通过滑动卷积核在输入数据上提取局部特征，有效捕捉代码中的局部模式和语法结构；再输入两个连续的BILSTM层，捕捉软件代码中的长距离依赖关系，如跨多个时间步的复杂逻辑、函数调用关系等，这对于理解代码行为和预测缺陷至关重要。通过上述步骤，构建了一个更加全面、有效的软件缺陷预测模型，显著提升了缺陷预测的准确性，进而为软件质量保障与维护效率提升提供了有效支持。
-
公开(公告)号：CN119576742A
公开(公告)日：2025-03-07
申请号：CN202411694537.2
申请日：2024-11-25
Applicant: 杭州电子科技大学
IPC: G06F11/3604 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于特征交叉和KAN网络的软件缺陷定位方法。首先从缺陷报告和源代码文件中提取不同类型的特征，再通过交叉层进行特征的交叉关联，挖掘特征间的隐藏关系；进一步利用KAN网络对参数化的非线性激活函数的学习，将特征交叉网络拟合多项式函数的过程转换为拟合多个一维函数的过程，克服维度灾难，精准捕捉和适应复杂函数的变化，以及缺陷定位中复杂的高阶特征交互信息，从而提高缺陷定位的性能。最后将KAN网络输出的结果输入到全连接层中，计算出最终相似分数，根据最终相似分数降序排序，得到缺陷定位结果。该方法提高了缺陷定位精度，而且在计算效率方面具有优势，尤其适用于对时间要求严格的关键业务应用场景。
-
公开(公告)号：CN114092926B
公开(公告)日：2024-07-16
申请号：CN202111222652.6
申请日：2021-10-20
Applicant: 杭州电子科技大学
IPC: G06V20/62 , G06V30/146 , G06V30/18 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/0475 , G06N3/094 , G06N3/048
Abstract: 本发明公开了一种复杂环境下的车牌定位和识别方法，本发明采用循环生成对抗网络对合成车牌图像进行风格迁移，生成更接近真实的车牌图像以丰富训练样本集，并解决样本不均衡问题，采用一种MF‑RepUnet车牌定位方法，将改进的VGG结构和特征金字塔融入U‑Net模型，提高模型特征提取能力，成功弥补了车牌定位中小目标车牌和倾斜车牌等容易漏检的缺陷，用基于卷积循环神经网络和注意力机制的车牌识别方法，通过注意力自适应加权协助循环神经网络改善因图像质量退化导致的语义特征模糊问题，进一步提高字符识别的准确率。
-
公开(公告)号：CN118135654A
公开(公告)日：2024-06-04
申请号：CN202410252906.6
申请日：2024-03-06
Applicant: 杭州电子科技大学
IPC: G06V40/20 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06T3/4038
Abstract: 本发明公开了一种级联解码与双难分样本挖掘的人物交互关系检测方法，该方法首先使用图片上下文一致性拼接方法，对获取到的含有人物的图片进行处理。其次基于处理后的图片，通过卷积神经网络进行特征提取，再通过扁平化操作得到一维特征向量，记作输入特征映射。最后基于输入特征映射，进行级联解码与双难分样本挖掘的人‑物交互关系检测，输出人‑物交互检测结果。本发明解决了训练数据样本不均衡的问题，能够准确地定位人‑物对，提高交互依赖关系的有效性，并实现高准确率的人‑物交互关系检测。
-
Patent Agency Ranking
公开(公告)号：CN114200960B
公开(公告)日：2024-05-28
申请号：CN202111461528.5
申请日：2021-12-02
Applicant: 杭州电子科技大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法，具体为：(1)创建覆盖搜索模型提出控制方案，(2)初始化种群，生成无人机控制方案，初始化禁忌表，(3)通过自适应更新策略计算发现者和跟随者的比例并分配，(4)将改进过后的发现者更新公式对发现者进行位置更新，(5)根据发现者更新结果和跟随者更新公式对追随者进行位置更新，(6)根据侦探预警行为公式对警戒者进行位置更新，(7)将当前迭代中最大适应度值的发现者的适应度值与禁忌表中的数值进行判断，(8)回到步骤(3)进行迭代，直到满足迭代要求。本发明提高了无人机集群在集群搜索控制能力，提高搜索的稳定性和精确性。
-
公开(公告)号：CN116012260A
公开(公告)日：2023-04-25
申请号：CN202310155602.3
申请日：2023-02-23
Applicant: 杭州电子科技大学
IPC: G06T5/00 , G06T5/50 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度Retinex的低光图像增强方法，该方法根据Retinex理论，利用层分解网络将低光、正常光图像分解为反射图像和照度图像；然后，将低光照度图像和低光反射率图像作为反射率恢复网络的输入，学习低光反射图像到正常光反射图像的映射，得到反射率恢复图像。接着，将低光照度图像作为照度调节网络的输入，学习低光照度图像到正常光照度图像的映射，得到照度增强图像。然后融合反射率恢复图像和照度增强图像，得到初步增强图像；最后使用感知强化网络学习初步增强图像到正常光图像的映射，得到最终增强图像。本方法可以有效地恢复输入图像的纹理细节和增强色彩信息，使图像的亮度分布更加自然，并且具备更低的噪声。
-
公开(公告)号：CN115995029A
公开(公告)日：2023-04-21
申请号：CN202211689872.4
申请日：2022-12-27
Applicant: 杭州电子科技大学
IPC: G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于双向连接的图像情感分析方法。本发明主要考虑扩充特征提取模型的宽度取代深度堆叠来提升深度神经网络在视觉情感分析领域对情感这一抽象目标的适应性。本发明采用双向特征连接的方式，首先对训练集进行数据增强扩充样本容量，然后采用横向连接深度特征提取网络扩充特征提取网络宽度，然后采用类特征金字塔的纵向特征连接方式提高模型特征提取能力，最后使用分类网络得到情感分类结果，成功弥补了图像情感分析中深度神经网络对情感这一抽象目标的识别过充分的缺陷，进一步提高视觉情感分析的准确率。
-
公开(公告)号：CN115482666A
公开(公告)日：2022-12-16
申请号：CN202211110596.1
申请日：2022-09-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于数据融合的多图卷积神经网络交通预测方法，本发明针对目前主流模型构建交通拓扑图时不考虑节点的时空特征，利用3D卷积构成3DRepVGG组件来提取欧式交通流数据的时空特征，并将其作为交通拓扑图中每个节点特征；设计了周期门控逻辑单元处理非欧式交通流数据，提升模型提取时间特征的能力，并利用聚类算法对区域交通状况进行识别和量化，提高模型泛化能力并减少参数量；根据区域交通状态、非欧式交通流数据和节点特征数据来构建多个交通拓扑图，加强模型提取远距离空间特征的能力，进一步提高预测精度。
-
公开(公告)号：CN110515837B
公开(公告)日：2022-12-02
申请号：CN201910701110.3
申请日：2019-07-31
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于EFSM模型和聚类分析的测试用例排序方法。本发明首先根据EFSM模型，构建复杂网络模型，计算EFSM模型的状态权重，然后构建测试用例的状态向量，结合状态向量和状态权重信息计算任意两个测试用例相似度，再根据相似度设计改进的K均值聚类算法，运用该聚类算法对测试用例进行聚类分析，尽可能使得不同簇中的测试用例不同。最后，结合聚类分析结果，设计测试用例排序策略。本发明相比传统基于模型的测试用例排序技术，考虑了测试用例之间的相关性，使得已排序的测试用例序列中相邻的测试用例尽可能来自不同的簇，即相邻测试用例具有不同的错误检测能力，能够尽早发现模型中不同的错误。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.036 seconds)
