-
公开(公告)号：CN105786610A
公开(公告)日：2016-07-20
申请号：CN201610213792.X
申请日：2016-04-07
Applicant: 吉林大学
IPC: G06F9/48
CPC classification number: G06F9/4881
Abstract: 本发明公开了计算密集型任务向云服务器中卸载的方法,克服了移动云计算中任务卸载机制不高效的问题，步骤：1.以任务图表示计算密集型任务中任务执行的先后顺序及任务间的关系。2.一般形式的任务图中任务的卸载决策：在一般形式的任务图中计算将第一个任务卸载到云服务器中执行较在智能手机上执行的节约时间；将第二个任务和第二个任务后面的每一个任务按照顺序采用依次求出每个任务节约最大时间的方法，选取使得计算密集型任务执行的总时间最短的最优方案；确定最佳的卸载队列卸载起始点和卸载结束点。3.复合型任务的卸载决策：1)确定大计算量任务；2)确定大计算量任务集合；3)对大计算量集合的前序任务的判断。4.最终的卸载决策。
-
公开(公告)号：CN103578227B
公开(公告)日：2015-10-07
申请号：CN201310434763.2
申请日：2013-09-23
Applicant: 吉林大学
Abstract: 本发明公开了一种基于GPS定位信息的疲劳驾驶检测方法，旨在克服现有技术没有消除道路曲率对驾驶行为检测的影响的问题，其步骤：1.构建疲劳模式分类器：传感器采集50名以上驾驶人在不同驾驶状态下的位于直道条件下的驾驶行为数据，构建直道条件下的疲劳模式分类器；2.采集车辆行进过程中的驾驶行为数据及车载GPS定位信息，利用车载GPS定位信息及数字地图，获取车辆所在位置的道路曲率信息，将不同弯道条件下驾驶行为数据换算到直道条件下，消除道路曲率对驾驶行为数据的影响；3.提取并融合各特征参数在其最优时间窗内的特征参数值，并将此特征参数输入直道条件下疲劳模式分类器实现对驾驶人疲劳状态的辨识。
-
公开(公告)号：CN104925054A
公开(公告)日：2015-09-23
申请号：CN201510437378.2
申请日：2015-07-23
Applicant: 吉林大学
IPC: B60W30/045 , B60W40/10
CPC classification number: B60W30/045 , B60W40/072 , B60W40/10 , B60W40/112 , B60W2520/10 , B60W2520/12 , B60W2710/18 , B60W2710/207 , B60W2720/30 , B60W2720/406
Abstract: 本发明涉及一种车辆稳定转向控制方法，特别是一种基于微分平坦的整体式集成式稳定转向控制方法。该方法从路径信息推导车辆期望稳定状态的期望纵向速度、期望侧向速度和期望横摆角速度，并将其作为微分平坦控制的期望，通过微分平坦控制与PID反馈调节相结合将车辆系统的状态变量保持在期望值附近，保证高速行驶车辆的转向稳定性；并利用微分平坦转角和驾驶员预瞄转角的加权控制方式求得在不同车速下的加权系数，由控制器和驾驶员共同控制车辆转向角，实现对期望轨迹的跟踪。本发明在保证高速行驶车辆转向稳定性的同时又有良好的轨迹跟踪性能。
-
公开(公告)号：CN117398111A
公开(公告)日：2024-01-16
申请号：CN202311420933.1
申请日：2023-10-30
Applicant: 吉林大学
Abstract: 本发明属于脑电信号分析技术领域，具体涉及一种基于多领域融合特征和深度学习的脑病检测系统；首先将同步压缩小波变换和相干函数相结合，并在时间维度进行压缩得到时间平均同步压缩小波相干；然后将MSWC和小波交叉谱求出的锁相值结合，提出了一种新的标志物P‑MSWC，并使用该标志物构建大脑高维功能连接矩阵；该标志物可以从时域‑频域‑相位三个领域全面捕获原始EEG信号种的信息并对生理噪声有较强的抗干扰能力，优于传统的功能连接标记；最后，提出一种轻量级CNN模型，该模型有效地利用了大脑的高维连接矩阵，能够更准确、更有效地检测各种脑部相关疾病。
-
公开(公告)号：CN112634243B
公开(公告)日：2022-08-05
申请号：CN202011578982.4
申请日：2020-12-28
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/10 , G06V10/764 , G06V10/82 , G06V10/26 , G06V20/69 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种强干扰因素下基于深度学习的图像分类识别系统；其中检测统计模块用于采集完整的细胞原图像，并对该细胞原图像进行逐块显示，根据细胞识别模块识别出的细胞类别及个数生成报告；细胞分割模块采用Unet网络细胞轮廓分割模型对观察窗口内显示的图像中细胞进行识别和分割，每处理完一个观察窗口，就将其输入细胞识别模块，直至处理完全部观察窗口；细胞识别模块采用SSD目标检测网络模型对细胞分割模块从观察窗口内识别并分割出的细胞进行定位以及识别；对显微镜下白细胞图像进行分析，辅助临床医生准确高效完成白细胞分类识别统计，提高准确率及判断精度，能够有效降低噪声干扰，提升分类识别效果。
-
Patent Agency Ranking
公开(公告)号：CN113392740B
公开(公告)日：2022-06-28
申请号：CN202110618743.5
申请日：2021-06-03
Applicant: 吉林大学
IPC: G06V10/764 , G06V10/80 , G06V40/10 , G06K9/62 , G06N3/04
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于双重注意力机制的行人重识别系统；在strongbaseline网络中引入注意力机制，包含通道注意力机制和空间注意力机制，其中通道注意力机制可以通过空间维度上进行压缩促进模型以专注于关键通道；空间注意力机制可以通过聚合所有通道的类似特征来突出语义像素；注意机制的本质是强调对学习目标有用的重要位置，并通过将权重系数分配给图像特征信息来抑制无关信息；将注意力机制插入到人员重识别模型中，减小相机角度、身体姿势的变化、身体未对齐和图片多样化等问题，在不显著增加计算量和参数量的前提下能提升网络模型的特征提取能力，提升网络性能。
-
公开(公告)号：CN112561863B
公开(公告)日：2022-06-10
申请号：CN202011406222.5
申请日：2020-12-03
Applicant: 吉林大学
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种基于深度学习的粒细胞图片细粒度分类识别系统；包含定位模块和分类模块，其中定位模块利用Hourglass网络模型对输入的粒细胞图片进行特征提取，将粒细胞图片中的全部细胞分别进行定位，再将定位后的细胞裁剪出来，留下单个完整的细胞，并将全部裁剪出来的细胞进行尺寸归一化处理；分类模块采用构建的深度学习分类模型对定位模块定位出的粒细胞进行分类；辅助临床医生准确高效完成粒细胞分类识别计数任务，减小主观性带来的误差，减轻医生的工作量，辅助医生做出疾病判断；该系统能够有效解决非均衡数据下的细胞分类以及粒细胞间的细粒度分类，提升网络分类识别效果。
-
公开(公告)号：CN113408463B
公开(公告)日：2022-05-10
申请号：CN202110734642.4
申请日：2021-06-30
Applicant: 吉林大学
IPC: G06V20/69 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明属于深度学习技术领域，具体涉及一种基于距离度量的细胞图像小样本分类系统；其中图像转换模块对细胞图像数据集进行处理，并采用训练好的图像转换网络得到细胞小样本数据集；预训练模块对构建的Resnet18分类模型进行预训练，小样本分类模块通过训练构建的细胞小样本分类模型实现对细胞小样本图像中的细胞进行分类；本系统能够辅助临床医生对血液细胞进行快速分类，以减少工作量，提高细胞分类能力以及模型泛化能力，对处理医学领域中的血液细胞小样本分类问题具有重要意义。
-
公开(公告)号：CN110705639B
公开(公告)日：2022-03-15
申请号：CN201910940562.7
申请日：2019-09-30
Applicant: 吉林大学
Abstract: 本发明属于图像识别技术领域，具体涉及一种基于深度学习的医学精子图像识别系统；包括输入模块、定位模块和分类模块，其中输入模块用于采集检测者进行灰度化处理后的精子图片；定位模块根据输入模块中采集到的精子图片，利用深度学习和图像识别方法中的YOLO v3模型对精子图片上的精子头部进行定位；分类模块采用构建的VGG‑dense block分类模型对定位模块中定位出的精子头部进行正异常判定，输出正常精子和异常精子；本系统检测精子图片用时短，大大减轻了医生的工作量，准确率高，减小主观性带来的误差，可以辅助和部分替代医生进行精子形态评估，具有良好的应用前景。
-
公开(公告)号：CN112634243A
公开(公告)日：2021-04-09
申请号：CN202011578982.4
申请日：2020-12-28
Applicant: 吉林大学
Abstract: 本发明属于医学图像处理技术领域，具体涉及一种强干扰因素下基于深度学习的图像分类识别系统；其中检测统计模块用于采集完整的细胞原图像，并对该细胞原图像进行逐块显示，根据细胞识别模块识别出的细胞类别及个数生成报告；细胞分割模块采用Unet网络细胞轮廓分割模型对观察窗口内显示的图像中细胞进行识别和分割，每处理完一个观察窗口，就将其输入细胞识别模块，直至处理完全部观察窗口；细胞识别模块采用SSD目标检测网络模型对细胞分割模块从观察窗口内识别并分割出的细胞进行定位以及识别；对显微镜下白细胞图像进行分析，辅助临床医生准确高效完成白细胞分类识别统计，提高准确率及判断精度，能够有效降低噪声干扰，提升分类识别效果。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.028 seconds)
