-
公开(公告)号：CN115546503B
公开(公告)日：2025-02-07
申请号：CN202211285533.X
申请日：2022-10-20
Applicant: 济南大学
IPC: G06V10/42 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/084
Abstract: 本发明公开了基于深度注意力的自适应多尺度视觉特征表达方法及系统，包括：获取原始神经网络模型作为SDA网络模块的主干分支，用于分层特征的提取；设计SDA网络模块的轻量化深度注意力分支，用于动态加权分层特征；堆叠多个SDA网络模块构成神经网络，即为基于深度注意力的自适应多尺度视觉特征表达的神经网络方法；对自适应多尺度特征表达神经网络SDA‑Net进行参数优化，所得到的神经网络模型可用于图像分类、目标检测和语义分割等视觉任务的主干。
-
公开(公告)号：CN117373050B
公开(公告)日：2024-07-09
申请号：CN202311446813.9
申请日：2023-11-02
Applicant: 济南大学
IPC: G06V30/422 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种高精度识别图纸管线的方法，涉及P&ID图纸识别领域。本发明通过对切分的P&ID图纸图像进行文字识别和去除、符号识别，采用细化算法减小管线的宽度、突出特征，然后从符号出发进行管线的遍历和识别。与现有技术相比，本发明提高了管线识别的精度。本发明通过对图纸图像进行细化操作，使深度神经网络能够更好地学习管线的特征，降低了由于管线自身存在宽度而影响图纸的识别，提高了识别的精度和准确度，方便进行图纸的重绘。
-
公开(公告)号：CN117808044A
公开(公告)日：2024-04-02
申请号：CN202410051371.6
申请日：2024-01-15
Applicant: 济南大学
IPC: G06N3/0455 , G06N3/0464 , G06N3/082 , G06V10/82
Abstract: 卷积神经网络（CNNs）和Vision Transformers（ViTs）是计算机视觉领域两大主流框架。CNNs通过卷积学习局部特征，参数少、复杂度低。ViTs通过自注意机制学习全局依赖，但计算冗余问题显著。头部交互问题鲜有人关注，限制其潜力。为解决问题，提出HybridFormer，包含局部卷积块（LCB）和全局变压器块（GTB）。LCB用多核卷积注意力提取局部多尺度特征，GTB用交叉头自注意学习全局上下文。HybridFormer整合改进卷积和自注意，平衡冗余和依赖，高效表示学习。实验证明HybridFormer在多视觉任务上达最先进水平，包括图像分类、目标检测和语义分割等。
-
公开(公告)号：CN110298446B
公开(公告)日：2022-04-05
申请号：CN201910578644.1
申请日：2019-06-28
Applicant: 济南大学
Inventor： 郭庆北
Abstract: 本发明公开了一种面向嵌入式系统的深度神经网络压缩方法及系统，所述方法包括：获取待压缩的原始神经网络模型；对所述神经网络模型中各层的过滤器/输出神经元进行重要性评估；基于重要性评估结果，对所述神经网络模型中各层的过滤器/输出神经元采用聚类方法进行分组；根据预设的每层的压缩率，采用聚类中心确定弱连接并进行裁剪，得到压缩后的模型；将压缩后的模型通过局部和全局微调恢复它的识别性能；将所述压缩后的模型部署到嵌入式系统中，采用本发明的压缩方法，一方面降低网络的存储空间和加速网络的推断，另一方面保持网络的识别精度。
-
公开(公告)号：CN113128465A
公开(公告)日：2021-07-16
申请号：CN202110508078.4
申请日：2021-05-11
Applicant: 济南大学
Abstract: 本发明公开了一种针对工业场景基于改进YOLOv4的小目标检测方法，包括以下步骤：通过工业摄像头采集现场数据集；对采集数据集进行标注，划分训练集和测试集；通过K‑Means++聚类算法，对数据集中真实目标框计算出针对本数据集的不同大小的先验框大小；对YOLOv4模型中网络进行修改，得到YOLOv4‑head2网络模型；将训练集输入YOLOv4‑head2模型训练，并使用验证集不断优化模型效果；在YOLOv4的特征融合层，添加与低特征层的特征融合，得到YOLOv4‑head2‑L网络结构；将评价较高的模型经过转换，采用TensorRT技术进行前向推理以达到提高检测速度和部署小型边缘计算设备目标。本发明具备保留与真实目标尺度接近的检测尺度，充分利用模型的网络结构，充分计算，增加低层和高层的跨层连接，更加轻量和简洁高效的优点。
-
Patent Agency Ranking
公开(公告)号：CN112101235A
公开(公告)日：2020-12-18
申请号：CN202010977729.X
申请日：2020-09-16
Applicant: 济南大学
Abstract: 本发明公开一种基于老年人行为特征的老年人行为识别检测方法，包括：在老年人身体上佩戴加速度传感器，令老年人做指定动作；通过Kinect设备和所述加速度传感器进行数据采集，通过Kinect设备获取动作视频，所述加速度传感器获取身体加速度数据；从所述动作视频提取动作帧；以第一特征提取通道提取所述动作帧的空间特征和时间特征；以第二特征提取通道，提取所述身体加速度数据的数值特征和时间特征；将所述第一特征提取通道和第二特征提取通道的输出结果通过前馈神经网络融合获得目标结果。本发明利用老年人行为特征与年轻人行为特征在时间上的区别能识别老年人行为，而且通过对动作视频和身体加速度数据特征来进行行为识别，互为补充使得识别更加准确。
-
公开(公告)号：CN112101219A
公开(公告)日：2020-12-18
申请号：CN202010970662.7
申请日：2020-09-15
Applicant: 济南大学
Abstract: 本发明提出了一种面向老年陪护机器人的意图理解方法和系统，该方法包括：实时获取老年人的手势图像和姿态信息，对手势图像和姿态信息均进行图像分割分别形成手势数据集和姿态数据集；将手势数据集输入训练好的神经网络模型进行手势识别得到手势识别概率集、将姿态数据集输入训练好的隐马尔可夫模型进行姿态识别得到姿态识别概率集；基于混淆矩阵的融合算法将手势识别概率集和姿态识别概率集进行意图融合，在不同意图分类下，采用F1分数计算两个概率集融合时不同意图下的权重占比；进而确定出最终识别意图。基于该方法，还提出了意图理解系统。本发明提高了老年陪护机器人系统的意图理解率，以及老年人对于社交陪护机器人的使用满足感。
-
公开(公告)号：CN109063769A
公开(公告)日：2018-12-21
申请号：CN201810864958.3
申请日：2018-08-01
Applicant: 济南大学
IPC: G06K9/62
CPC classification number: G06K9/6223
Abstract: 本发明公开了基于变异系数自动确认簇数量的聚类方法、系统及介质，计算数据集中每个数据点的密度值，根据密度值计算密度指数，选择密度指数最大的数据点作为第一个聚类中心；计算每个数据点与当前已有聚类中心之间的最短距离，然后根据最短距离计算每个数据点被选为聚类中心的概率，按照轮盘法预选聚类中心；直至选择出设定个聚类中心，根据选择出的初始聚类中心进行k‑means聚类从而产生相应个数的簇；计算平均簇内变异系数和最小簇间变异系数，然后，计算平均簇内变异系数和最小簇间变异系数的差值，将差值与设定值进行比较，如果差值小于设定值，则将两个簇间变异系数最小的两个簇进行合并；直至差值大于等于设定值，则输出聚类结果。
-
公开(公告)号：CN104346169B
公开(公告)日：2017-06-16
申请号：CN201410542448.6
申请日：2014-10-14
Applicant: 济南大学
IPC: G06F9/44
Abstract: 本发明公开了一种流程对象原始数据时序发现与调整方法，包括：数据取样步骤，对流程对象各环节测点在时间T内采集到的原始数据集进行抽样，抽取单位时间段内变化量最大的数据片段作为样本数据；时序发现步骤，以任意环节测点为基测点，计算其与其他环节测点间的时间距，从而获得包含所有环节测点时间顺序的时间序列L；时序调整步骤，根据时间序列L对各环节测点原始数据进行时序调整。本发明对原始数据进行抽样、发现时序并调整时序，具有简单、精确、人为干预少的优点，以解决现有流程工业中原始数据错漏较多，无法体现各个环节间的相互影响关系的问题。
-
公开(公告)号：CN104346169A
公开(公告)日：2015-02-11
申请号：CN201410542448.6
申请日：2014-10-14
Applicant: 济南大学
IPC: G06F9/44
Abstract: 本发明公开了一种流程对象原始数据时序发现与调整方法，包括：数据取样步骤，对流程对象各环节测点在时间T内采集到的原始数据集进行抽样，抽取单位时间段内变化量最大的数据片段作为样本数据；时序发现步骤，以任意环节测点为基测点，计算其与其他环节测点间的时间距，从而获得包含所有环节测点时间顺序的时间序列L；时序调整步骤，根据时间序列L对各环节测点原始数据进行时序调整。本发明对原始数据进行抽样、发现时序并调整时序，具有简单、精确、人为干预少的优点，以解决现有流程工业中原始数据错漏较多，无法体现各个环节间的相互影响关系的问题。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.024 seconds)
