-
公开(公告)号：CN112927211B
公开(公告)日：2023-08-25
申请号：CN202110255222.8
申请日：2021-03-09
Applicant: 电子科技大学
IPC: G06T7/00 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于深度三维检测器的通用对抗攻击方法、存储介质和终端，方法包括以下步骤：获取待攻击的深度三维检测器的结构，得到预存的与所述结构对应的对抗体素；当进行攻击时，将所述对抗体素叠加至输入于待攻击的深度三维检测器的雷达激光场景上。本发明使用对抗体素的方法计算和保存场景修改计算方便；以对抗体素形式保存的修改可以应用到任何点云场景中，具有通用性；同时采用对抗体素的方法会最大可能的使修改能够保留梯度到检测结果并进行优化。
-
公开(公告)号：CN111414875B
公开(公告)日：2023-06-02
申请号：CN202010223912.0
申请日：2020-03-26
Applicant: 电子科技大学
IPC: G06V20/64 , G06V20/10 , G06V40/10 , G06V40/20 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于深度回归森林的三维点云头部姿态估计系统，所述头部姿态采用欧拉角表示方法，即将头部姿态表示为俯仰角、偏航角和翻滚角，主要包含三个模块，包括：特征提取模块，用于对采样后的三维点云数据进行特征提取，并输出头部点云的全局特征；深度回归森林模块，用于根据特征提取模块学习到的头部特征分别预测出俯仰角、偏航角和翻滚角，还用于计算损失函数；参数更新模块，用于根据所述损失函数，对特征提取模块和深度回归森林模块进行网络参数更新。本发明将头部姿态估计抽象为一个多任务回归问题，以点云数据作为模型的输入提取深度特征，利用三组深度回归森林分别对描述头部姿态的三个欧拉角进行预测。
-
公开(公告)号：CN106875156B
公开(公告)日：2020-09-08
申请号：CN201710078245.X
申请日：2017-02-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种通用化智能审核平台及其审核方法，审核平台包括项目构建模块和智能审核模块；所述的项目构建模块用于管理项目库；所述的项目库中包括至少一个实例化项目；所述的项目构建模块包括业务数据单元、业务数据库单元、业务JavaBean单元和业务规则单元。本发明在审核平台开发和部署时将业务数据和业务审核逻辑进行无关化处理，提高系统的可用性和稳定性，降低审核平台的开发、运营和维护成本；并且进一步的，本发明支持不同的审核应用场景，本审核平台支持事中审核和事后审核两种审核方式，业务审核方式根据实时性、响应速度和数据量的不同审核要求，相应处理方式也不同。
-
公开(公告)号：CN111428619A
公开(公告)日：2020-07-17
申请号：CN202010201707.4
申请日：2020-03-20
Applicant: 电子科技大学
Abstract: 本发明公开了基于有序回归和软标签的三维点云头部姿态估计系统和方法，系统包括：特征学习网络模块，用于对点云数据进行分层特征提取；预测网络模块，用于将特征学习网络模块得到的特征映射到头姿态角获得角度预测值，并将所述角度预测值和作为标签的头姿态角带入第一损失函数；排序网络模块，用于将头姿态角进行维度划分形成若干子任务、将作为标签的头姿态角与所述子任务之间存在的关系生成软标签、将特征学习网络模块得到的特征进行值预测、将点云数据的值预测和所述软标签带入第二损失函数；网络更新模块。本发明将排序网络模块和预测网络模块的损失相结合，其目的是引入排序网络，从而引导预测网络学习，使得特征提取更加精准，以提高预测网络的精度。
-
公开(公告)号：CN106227514B
公开(公告)日：2020-03-27
申请号：CN201610547503.X
申请日：2016-07-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种支持多行业的WebGIS中间件，其从上到下依次包括GIS基础层、GIS扩展层和GIS接口层，且每层都向其上一层提供服务，并使用下层提供的服务。GIS基础层通过对不同GIS平台的服务的获取，分别实现各自的地图服务和初始化，GIS扩展层包括所有GIS操作的内部实现，目的是在地图上添加信息点的处理和图层操作，GIS接口层直接为WebGIS应用提应用程序编程接口API，实现GIS数据的信息服务。本发明提供了一个不局限于GIS平台的、且可重用和接口规范的WebGIS中间件，在初次进行中间件开发时能快速完成地图访问和初始化等的开发；在对中间件进行维护或重写时也只需针对新的平台更改实现策略而无需更改中间件的结构和接口规范。
-
Patent Agency Ranking
公开(公告)号：CN106131959B
公开(公告)日：2019-05-14
申请号：CN201610656535.3
申请日：2016-08-11
Applicant: 电子科技大学
Abstract: 本发明提出的一种基于Wi‑Fi信号空间划分的两级定位方法，在对子区域采用K‑Means聚类进行划分后还进行了优化和离群点的处理。相比现有技术中仅对Wi‑Fi指纹进行信号空间的聚类，本发明在对信号空间聚类后引入聚类优化和离群点校正，从物理空间上对聚类进行校正，即本发明对信号空间与物理空间两者进行聚类，对子区域的划分更为准确。本发明在采样空间聚类算法将较大信号空间区域划分成更小而且特征更加明显集中的子区域，然后结合SVM分类算法和SVM回归算法来建模这种未知的依赖关系，进而提高定位精度。
-
公开(公告)号：CN105224104B
公开(公告)日：2018-06-19
申请号：CN201510551488.1
申请日：2015-09-01
Applicant: 电子科技大学
IPC: G06F3/0346
Abstract: 本发明提供一种基于智能手机持握方式的行人运动状态识别方法，包括离线训练步骤：对手机持握方式进行分类，针对每一种持握方式采集不同运动状态的加速度传感器数据并提取运动特征训练运动状态分类器；在线识别阶段步骤：先识别出当前的手机握持方式，再根据手机持握方式采集当前手机加速度传感器数据并提取运动特征识别出的运动状态。由于手机的不同握持方式下，获取到的加速度传感器数据不同，提取出的运动特征也不同，所以本发明提出先确定手机的握持方式，再在该握持方式下进行运动识别能极大提高识别准确性。
-
公开(公告)号：CN104280686B
公开(公告)日：2017-02-15
申请号：CN201410539126.6
申请日：2014-10-13
Applicant: 电子科技大学
IPC: G01R31/36
Abstract: 本发明公开了一种蓄电池剩余电量检测方法，包括以下步骤：S1：初始化；S2：判断蓄电池当前处于充电状态还是放电状态，如果处于充电状态则进行充电状态电量检测，如果处于放电状态则进行放电状态电量检测；S3：动态设置采样频率，返回步骤S2。本发明在不增加硬件成本的前提下，使蓄电池的电量检测结果变得非常准确，解决了充电设备的使用者无法准确把握设备剩余电量的问题，在使用过程中具有累计误差自动校准的能力，可以自动适应蓄电池老化和环境温度变化对蓄电池储电能力和放电能力的影响，能够自动调整工作频率，以适应蓄电池变化的工作状态，实现了变频采样，可广泛使用于智能手机、平板电脑、便携式计算机、电动汽车等充电设备。
-
公开(公告)号：CN103605920B
公开(公告)日：2016-03-30
申请号：CN201310557930.2
申请日：2013-11-10
Applicant: 电子科技大学
IPC: G06F21/50
Abstract: 本发明涉及对基于SEAndroid平台的系统安全管理，具体涉及一种基于SEAndroid平台的应用程序动态安全管理方法及系统。本发明的方法为：对系统权限库中的各权限进行类别划分，得到系统的模板类型库；在应用程序运行时，捕捉并拦截其进程创建，并判断其是否为安装后首次启动，若否，直接执行进程创建；否则解析其配置文件，匹配查询得到安全标签集；基于获取的安全标签集，向用户呈现安全策略选择界面，并根据用户的选择设置生成安全策略设置文件，最后，基于当前应用程序的安全策略设置文件执行当前应用程序的进程创建。同时，本发明还提出了对应于上述方法的应用程序动态安全管理系统。本发明可用于基于SEAndroid的终端设备，能带来易用性和安全性兼备的有益效果。
-
公开(公告)号：CN104281853A
公开(公告)日：2015-01-14
申请号：CN201410444276.9
申请日：2014-09-02
Applicant: 电子科技大学
CPC classification number: G06K9/00342 , G06K9/00744 , G06K9/38 , G06K9/6269
Abstract: 该发明公开了一种基于3D卷积神经网络的行为识别方法，涉及机器学习、特征匹配、模式识别和视频图像处理的领域。该方法分为两个阶段：首先是离线训练，通过输入各种行为的样本视频，经过计算得到不同输出，每种输出对应一类行为，再根据输出向量和标签向量之间的误差修正计算过程中参数使各输出数据误差下降，误差满足要求之后，对各输出根据其对应的样本视频的行为名称添加标签；其次进行在线识别，输入需要行为识别的视频，采用与训练阶段相同的方法进行计算后输出，再将该输出和添加标签的样本向量进行匹配，将与之最匹配的样本标签名称视为该输入视频的行为名称，从而具有复杂度低、计算量小、实时性高、准确度高的效果。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.023 seconds)
