公开(公告)号：CN114708615B

公开(公告)日：2024-03-22

申请号：CN202210350896.0

申请日：2022-04-02

Applicant: 西安电子科技大学广州研究院 ,  西安电子科技大学

Inventor： 王晓甜 ,  苗垟 ,  赵至夫 ,  韩皓轩 ,  冯继凡 ,  王可心 ,  庄伟林 ,  杨安东 ,  石中熙

IPC: G06V40/10 ,  G06V10/80 ,  G06V10/82 ,  G06T5/94 ,  G06N3/09 ,  G06N3/0464

Abstract: 本发明公开了基于图像增强的低照度环境下人体检测方法、电子设备及储存介质，检测方法为：将低照度图像输入至低照度图像增强模块中，得到增强后图像；将增强后图像输入至改进的人体检测模块中，输出人体检测预测结果；通过多任务损失函数，对低照度图像增强模块和人体检测模块进行多阶段联合优化，训练得到端到端的低照度人体检测框架；将低照度图像输入到训练好的端到端的低照度人体检测框架中，进行图像增强以及人体检测，输出人体检测预测结果。本发明构建的端到端的低照度图像人体检测框架通过低照度图像增强模块和人体检测模块的相互适应，实现了更高的检测精度，对不同光照环境下人体检测具有更强的鲁棒性。

公开(公告)号：CN114708615A

公开(公告)日：2022-07-05

申请号：CN202210350896.0

申请日：2022-04-02

Applicant: 西安电子科技大学广州研究院 ,  西安电子科技大学

Inventor： 王晓甜 ,  苗垟 ,  赵至夫 ,  韩皓轩 ,  冯继凡 ,  王可心 ,  庄伟林 ,  杨安东 ,  石中熙

IPC: G06V40/10 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T5/00

Abstract: 本发明公开了基于图像增强的低照度环境下人体检测方法、电子设备及储存介质，检测方法为：将低照度图像输入至低照度图像增强模块中，得到增强后图像；将增强后图像输入至改进的人体检测模块中，输出人体检测预测结果；通过多任务损失函数，对低照度图像增强模块和人体检测模块进行多阶段联合优化，训练得到端到端的低照度人体检测框架；将低照度图像输入到训练好的端到端的低照度人体检测框架中，进行图像增强以及人体检测，输出人体检测预测结果。本发明构建的端到端的低照度图像人体检测框架通过低照度图像增强模块和人体检测模块的相互适应，实现了更高的检测精度，对不同光照环境下人体检测具有更强的鲁棒性。

公开(公告)号：CN114611560A

公开(公告)日：2022-06-10

申请号：CN202210272742.4

申请日：2022-03-18

Applicant: 西安电子科技大学

Inventor： 王晓甜 ,  陈世宇 ,  李小俚 ,  冯继凡 ,  苗垟

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于卷积神经网络的SSVEP脑电信号分类方法，其具体步骤包括：构建卷积神经网络，生成训练集，训练卷积神经网络，处理待分类的SSVEP脑电信号，输出SSVEP脑电信号的分类结果。由于本发明构造了一个包含LSTM层的卷积神经网络并采用网格搜索法训练该网络，克服了现有技术中利用多元调制分量获取目标脑电信号分解中易丢失有效的脑电信号的缺陷，改善了每名被试者分别训练Volterra模型参数导致的方法不具有普适性的问题。使得本发明分类后的SSVEP脑电信号更加完整，提高了脑电信号分类的准确性和SSVEP脑电信号的普适性。

公开(公告)号：CN114611560B

公开(公告)日：2024-09-06

申请号：CN202210272742.4

申请日：2022-03-18

Applicant: 西安电子科技大学

Inventor： 王晓甜 ,  陈世宇 ,  李小俚 ,  冯继凡 ,  苗垟

IPC: G06F18/241 ,  G06F18/15 ,  G06F18/2131 ,  G06F18/214 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于卷积神经网络的SSVEP脑电信号分类方法，其具体步骤包括：构建卷积神经网络，生成训练集，训练卷积神经网络，处理待分类的SSVEP脑电信号，输出SSVEP脑电信号的分类结果。由于本发明构造了一个包含LSTM层的卷积神经网络并采用网格搜索法训练该网络，克服了现有技术中利用多元调制分量获取目标脑电信号分解中易丢失有效的脑电信号的缺陷，改善了每名被试者分别训练Volterra模型参数导致的方法不具有普适性的问题。使得本发明分类后的SSVEP脑电信号更加完整，提高了脑电信号分类的准确性和SSVEP脑电信号的普适性。

公开(公告)号：CN112528815A

公开(公告)日：2021-03-19

申请号：CN202011408091.4

申请日：2020-12-05

Applicant: 西安电子科技大学

Inventor： 王晓甜 ,  苗垟 ,  冯继凡 ,  李燕 ,  党敏

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  A61B5/18 ,  A61B5/16 ,  A61B5/291 ,  A61B5/00

Abstract: 一种基于多模态信息融合的疲劳驾驶检测方法。该方法通过同时采集脑电信号、面部图像和车辆行驶车道图像，分别构建并训练卷积神经网络，采集待检测数据输入到训练好的卷积神经网络中进行初步预测，综合各初步预测结果融合判定驾驶人是否处于疲劳状态。具体步骤包括：生成训练集，分别构建并训练脑电信号分类、定位眼睛和嘴巴区域、判断眼睛和嘴巴开合状态、定位车道线位置的卷积神经网络，采集待检测数据，初步预测疲劳驾驶状态，融合判定驾驶人疲劳状态。本发明克服了驾驶人疲劳状态判断依据模态单一，表征驾驶人疲劳状态不全面的问题，具有较好的鲁棒性和稳定性，提高了疲劳驾驶检测的精度。

公开(公告)号：CN115661510A

公开(公告)日：2023-01-31

申请号：CN202211195463.9

申请日：2022-09-29

Applicant: 西安电子科技大学

Inventor： 王晓甜 ,  冯继凡 ,  崔鑫语 ,  党敏

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06T3/40 ,  G06N3/0464

Abstract: 本发明公开了一种基于超分辨率图像重建和类别一致性约束的图像分类方法，实现步骤为：获取训练样本集和测试样本集；构建基于超分辨率重建和类别一致性的图像分类网络模型；对图像分类网络模型进行迭代训练；获取低分辨率图像分类结果。本发明利用超分辨率重建网络模块间短路连接提升低分辨率图像质量，丰富图像的细节信息，提升网络的分类精度，通过约束网络之间的类别概率一致，增加低分辨率特征提取网络提取到特征的分辨性，进一步提高了图像分类精度，可用于低分辨率图像分类。