-
公开(公告)号：CN112016670A
公开(公告)日：2020-12-01
申请号：CN202010637629.2
申请日：2020-07-05
Applicant: 桂林电子科技大学 , 桂林安维科技有限公司
Abstract: 本发明公开了一种面向轻量级神经网络的模型优化和压缩方法，首先向原始ReLU函数中加入改进参数对ReLU函数进行改进，并利用链式法则和动量法对所述改进参数进行更新；其次利用ReLU6函数将自门控函数中的Sigmoid函数进行替换，并与改进后的ReLU函数进行融合，得到融合激活函数；最后，根据获取的剔除阈值，自下而上的删除对应数量的卷积核对卷积神经网络模型进行压缩，直至模型精度与参数量平衡，提升轻量级神经网络模型的性能。
-
公开(公告)号：CN107563345A
公开(公告)日：2018-01-09
申请号：CN201710847985.5
申请日：2017-09-19
Applicant: 桂林安维科技有限公司
Abstract: 本发明公开一种基于时空显著性区域检测的人体行为分析方法，利用数据集训练Faster R-CNN模型；输入多路视频并将单路视频分割成视频图像帧；对分割的视频图像帧使用Faster R-CNN模型进行目标检测；分析目标检测结果并重新计算目标候选框；对单路视频使用块匹配构造运动矢量场；通过运动矢量场计算感兴趣区域的运动矢量，用混合高斯模型计算出的概率选定前景显著运动区域；根据目标候选框和显著运动区域合成时空显著性区域；对目标时空显著性区域进行特征采样和特征预处理；对视频的目标时空显著性区域进行编码和池化；对视频的时空显著性区域进行人体行为分析识别；将分析识别结果写入时空显著性区域框。本发明使可以合理分析视频中的人体行为活动的所属类别。
-
公开(公告)号：CN107563345B
公开(公告)日：2020-05-22
申请号：CN201710847985.5
申请日：2017-09-19
Applicant: 桂林安维科技有限公司
Abstract: 本发明公开一种基于时空显著性区域检测的人体行为分析方法，利用数据集训练Faster R‑CNN模型；输入多路视频并将单路视频分割成视频图像帧；对分割的视频图像帧使用Faster R‑CNN模型进行目标检测；分析目标检测结果并重新计算目标候选框；对单路视频使用块匹配构造运动矢量场；通过运动矢量场计算感兴趣区域的运动矢量，用混合高斯模型计算出的概率选定前景显著运动区域；根据目标候选框和显著运动区域合成时空显著性区域；对目标时空显著性区域进行特征采样和特征预处理；对视频的目标时空显著性区域进行编码和池化；对视频的时空显著性区域进行人体行为分析识别；将分析识别结果写入时空显著性区域框。本发明使可以合理分析视频中的人体行为活动的所属类别。
-
公开(公告)号：CN107527045A
公开(公告)日：2017-12-29
申请号：CN201710851835.1
申请日：2017-09-19
Applicant: 桂林安维科技有限公司
Abstract: 本发明公开一种面向多路视频的人体行为事件实时分析方法，前端摄像机通过RTMP协议将采集到的视频内容推送到服务器端；服务器接收视频内容并将RTMP协议流媒体转换为HLS协议；服务器开启索引文件定时扫描线程，读取HLS协议中的M3U8索引文件，得到索引中指定的TS视频文件名，并将其加入作业队列；循环读取队列中的作业，每个作业在服务器端开启相应子线程，子线程并发地对每个作业的视频内容进行分析识别；将分析识别的结果写入原视频片段，最终展现到客户端，或将信息提交到其他预警系统中。本发明采用多路并发处理前端摄像机的视频流数据，后台服务器的多线程直接对前端多路摄像机做一对一的多路并发处理，从而实时响应多路视频的人体行为事件分析。
-
公开(公告)号：CN113080923B
公开(公告)日：2024-04-02
申请号：CN202110307959.X
申请日：2021-03-23
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于电桥法的等效生物电阻抗测量方法，所述系统以扫频的形式产生激励测试信号，并通过由运放搭建的自适应平衡电桥实现等效生物电阻抗值的测量，流经人体后的测试信号进入放大电路，对所测得的信号进行放大，之后进入高通滤波电路过滤掉工频干扰等低频杂波，并通过混频器技术降低测量信号频率，实现人体等效生物电阻抗中相位角的直接测量，解决了现有技术中的生物电阻抗测量在高频激励信号下相位角的测量误差较大所导致的测量准确性较低技术问题。
-
Patent Agency Ranking
公开(公告)号：CN116909369A
公开(公告)日：2023-10-20
申请号：CN202310785029.4
申请日：2023-06-29
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06F1/20 , G06F21/62 , G06N3/0455 , G06N3/084
Abstract: 本发明属于数据处理技术领域，公开了一种基于AutoRec算法的差分隐私保护推荐方法及系统，在AutoRec算法上选择在训练过程中对其梯度加噪实现差分隐私保护，将AutoRec算法和差分隐私相结合设计DPAutoRec算法并在此基础上进一步优化，最后利用实验仿真验证DPAutoRec算法在满足差分隐私的同时也保证了模型的可用性。本发明基于经典的AutoRec算法，将差分隐私和AutoRec模型相结合，设计了DPAutoRec，在深度学习领域，使用Guaasian机制来扰动梯度数据比用Laplace机制来扰动梯度数据的性能更好，Rényi差分隐私也确实进一步优化隐私预算提高了扰动后的模型准确率。
-
公开(公告)号：CN116580116A
公开(公告)日：2023-08-11
申请号：CN202310376801.7
申请日：2023-04-10
Applicant: 桂林电子科技大学
IPC: G06T11/00 , A61B5/0536 , G06N3/04 , G06N3/086 , G06N3/0985
Abstract: 本发明公开了一种基于改进粒子群算法的EIT成像算法优化方法，所述方法包括：建立FEM模型，搭建广义回归神经网络作为EIT成像算法；提出了粒子自适应分解机制，与粒子群算法相结合，自适应的分解低质量粒子，保留和分裂高质量粒子；对自适应分解机制粒子群算法中的不同粒子以不同的方式施加动态Chebyshev混沌映射，得到自适应分解机制动态混沌粒子群优化算法；利用自适应分解机制动态混沌粒子群优化算法对EIT成像算法广义回归神经网络中的平滑因子进行寻优计算，得到平滑因子的最优解，得到更好的EIT图像重建效果。该方法基于粒子群优化算法，借鉴了生物体细胞的分解、保留和分裂机制，提出了粒子自适应分解机制，保证算法优化的精度，提高优化效率，再结合动态Chebyshev混沌映射，解决粒子群优化算法易于陷入局部最优的问题。用自适应分解机制动态混沌粒子群优化算法优化EIT成像算法，得到更高的算法收敛精度，更好的优化EIT成像算法。
-
公开(公告)号：CN113100739A
公开(公告)日：2021-07-13
申请号：CN202110274819.7
申请日：2021-03-15
Applicant: 桂林电子科技大学
IPC: A61B5/0536
Abstract: 本发明公开了一种便携式多频电阻抗成像前端数据采集及处理方法，利用压控恒流源将DAC产生正弦信号转换成电流信号，并在第一模拟开关的作用下进行电流激励；通过采样电阻获取参考输入信号，并通过第二模拟开关选通不同组电极，利用倒T型程控增益放大器进行程控增益，得到测量输入信号；对所述参考输入信号和所述测量输入信号进行同步采集，并根据数字信号的周期性、对称性以及三角函数的对称性进行多次单点傅里叶解调，得到信号的相位信息，改善现有解调方法，极大降低了所需的乘法次数，提升了解调的速度。
-
公开(公告)号：CN116152467A
公开(公告)日：2023-05-23
申请号：CN202310161845.8
申请日：2023-02-24
Applicant: 桂林电子科技大学
IPC: G06T17/20 , A61B5/0536 , G06N3/006 , G06N3/08 , G06N3/044
Abstract: 本发明公开了一种基于广义回归神经网络的电阻抗成像方法，所述方法包括：对待测场域使用有限元法进行三角形剖分，求解正问题，建立FEM模型；搭建系数加权广义回归神经网络，并构建系数加权广义回归神经网络成像模型，输出电阻抗分布结果；利用粒子群算法对系数加权广义回归神经网络成像模型中的平滑因子进行寻优计算，得到平滑因子的最优解；代入平滑因子的最优解得到优化后的电阻抗成像模型，求解电阻抗分布并进行图像重构。通过对传统广义回归神经网络的模式层的神经元设置系数权重，得到系数加权广义回归神经网络，从而达到抑制或去除成像伪影的目的；再结合粒子群优化算法，利用粒子群算法优化系数加权广义回归神经网络的平滑因子，改变由于网络平滑因子选择不当而导致的成像精度不足的问题，提升网络的非线性逼近能力，进而提高图像重建的质量。
-
公开(公告)号：CN114947802A
公开(公告)日：2022-08-30
申请号：CN202210387565.4
申请日：2022-04-13
Applicant: 桂林电子科技大学
IPC: A61B5/0536 , G06F30/23 , G06F30/27 , G06N3/00
Abstract: 本发明公开了基于疏密两种网格剖分模型的粒子群优化电阻抗成像方法，涉及电阻抗成像技术领域，其技术方案要点是：具体包括以下步骤：S1：构建原始模型，记为模型0，并生成初始电导率分布σ0；S2：在模型0的基础上对感兴趣区域ROI进行网格细划分，其他区域不变构建模型I，其他区域进行网格合并构建模型II；S3：构建模型0到模型I、模型I到模型II之间的电导率转换矩阵；S4：根据求出的上述电导率转换矩阵，获得由σ0映射到模型I和模型II对应的电导率分布值σI和σII；S5：采用粒子群优化算法基于模型I和模型II进行电阻抗成像中正问题和逆问题的求解。该方法解决了粒子群算法中的维度灾难问题，从而提高了目标的定位准确度和成像的速度。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.031 seconds)
