-
公开(公告)号：CN113935404A
公开(公告)日：2022-01-14
申请号：CN202111120902.5
申请日：2021-09-24
Applicant: 杭州电子科技大学
IPC: G06K9/62 , G06V10/776 , G06V10/774
Abstract: 本发明公开了一种光场显著性检测数据集清晰度评价方法。首先通过显著性区域掩膜制作三个掩膜，并获取对应的窗函数；通过掩膜A获得光场焦堆栈图像显著性区域图像；用傅里叶变换将焦堆栈显著性区域图像从空域转换到频域，获得其频谱信息；对显著性区域高频信息进行傅里叶反变换，得到空域图像；用腐蚀的掩膜B截取空域高频部分，计算高频图像灰度值之和，用以表示焦堆栈图像显著性区域高频能量值大小；对堆栈图像显著性区域高频能量值进行归一化，用来表示该图片的训练权重。本发明针对数据集焦堆栈中显著性区域进行清晰程度判定，并以此作为焦堆栈中该图片训练权重的评价标准，显著性区域越清晰，则该图片的训练权重越高。
-
公开(公告)号：CN113920354A
公开(公告)日：2022-01-11
申请号：CN202111075801.0
申请日：2021-09-14
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V40/20 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于事件相机的动作识别方法，首先搭建事件相机数据采集系统，然后对事件数据进行处理；再搭建软件框架，通过搭建的事件相机数据采集系统采集人类动作数据对模型进行训练；最后将待识别的人类动作事件流进行处理，然后将处理后的输送到步骤四训练好的动作识别网络，通过训练好的动作识别网络进行动作识别，输出对应的动作类别。本发明使用先进的DAVIS346相机作为采集设备，事件数据流具有很强的时间信息，可以有效地捕捉动作的变化。本方法鲁棒性强，对极端光照情况具有免疫力，同时实时性强，冗余小。
-
公开(公告)号：CN113792621A
公开(公告)日：2021-12-14
申请号：CN202110995008.6
申请日：2021-08-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于FPGA的目标检测加速器设计方法，首先选择要移植到该平台上的目标检测算法；然后根据选择的算法的特点,在FPGA硬件平台下采用软硬件协同设计的思想进行总体架构设计；最后对所选择的目标检测算法模型网络参数进行16位动态定点数据量化，依据网络模型的运算特点对数据的调度进行规划，并提出一个CNN硬件加速器架构，包括输入输出模块、卷积模块、池化模块、重排序模块、全连接模块、激活模块以及控制模块。本发明方法利用较少的硬件资源完成目标检测加速器的设计，提高了总线带宽利用率，具有一定的通用性和可扩展性，功耗较低，可以达到一个较高的能效比，比较适合应用在有严重功耗限制的场所。
-
公开(公告)号：CN113538657A
公开(公告)日：2021-10-22
申请号：CN202110725474.2
申请日：2021-06-29
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种组件级别的三维场景理解方法。本发明对于三维场景中的物体，使用树形图表示其物体的结构，预测真实世界扫描场景中物体的零件图信息，作为一种中间表示，以实现物体的鲁棒的、基于零件的表示形式。利用训练集中预测的一种语义标签物体的通常结构来作为先验知识，以便于为扫描场景中的物体更有效的推断出part级别的表示。通过预测出的part图来补全扫描物体的缺失部分，即，这个物体与模板物体是否相似，如果是的话，会通过先验结构来对扫描物体缺失的部分的语义标签进行预测，并通过其他部分的形状作为参考进行补全。
-
公开(公告)号：CN113160198A
公开(公告)日：2021-07-23
申请号：CN202110474102.7
申请日：2021-04-29
Applicant: 杭州电子科技大学
Abstract: 本发明公共了一种基于通道注意力机制的图像质量增强方法首先将高质量原图处理成对应的低质量图像，得到低质量‑高质量图像对照组；然后搭建图像增强网络模型，通过得到的低质量图像训练图像增强网络模型；最后将低质量的图像输入训练好的图像增强网络模型得到高质量图像。本发明方法通过采用具有残差网络模块和通道注意力模块的神经网络模型作为图像增强模型，进行图像增强，通过残差网络和通道注意力网络模型配合，能利用低质量图像输出具有更丰富的细节的高质量图像。
-
Patent Agency Ranking
公开(公告)号：CN113159186A
公开(公告)日：2021-07-23
申请号：CN202110441605.4
申请日：2021-04-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于半监督学习的医学图像自动标注方法。首先将训练集输入到一级分类网络中得到一级通用深度卷积特征，然后根据输出结果对数据进行预分类，并得到预分类的混淆矩阵。接着通过谱聚类得到类别训练子集，输入到将其输入到二级分类网络中，得到二级特殊深度卷积特征；将两者融合得到图像的深度卷积特征。将患者的附加信息通过word2vec编码成多源异构特征，与深度卷积特征进行融合并通过SVM分类器得到最后的输出结果。本发明所述的方法只需使用少量有标注的医学数据即可完成对大量医学数据的自动标注。极大了减少了人工标注所耗费的大量的人力物力。相比于现有的自动标注方法，本方法效率更高，标注结果更加准确。
-
公开(公告)号：CN119169208B
公开(公告)日：2025-02-25
申请号：CN202411690058.3
申请日：2024-11-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于多模态正则化和温度平滑约束的三维场景重建方法，属于计算机视觉技术领域。该方法首先对同一三维场景相同视角下的彩色‑温度图像对进行配准，然后通过混合或轮廓线叠加的方式生成增强的图像。对增强的图像进行运动构造，生成点云与相机位姿。再创建两个独立的高斯模型，输入点云数据和相机位姿，分别渲染得到温度图像和彩色图像。为温度模态和彩色模态的高斯模型设置损失函数，在温度模态的损失函数中引入平滑项。设置一个正则化系数，将温度模态和彩色模态的损失函数联立起来。利用总损失函数计算整体损失和梯度，并反向传播，通过自适应密度控制对模型的各项参数进行优化。最后使用训练后的模型完成三维场景的重建。
-
公开(公告)号：CN113935404B
公开(公告)日：2025-02-11
申请号：CN202111120902.5
申请日：2021-09-24
Applicant: 杭州电子科技大学
IPC: G06V10/776 , G06V10/774
Abstract: 本发明公开了一种光场显著性检测数据集清晰度评价方法。首先通过显著性区域掩膜制作三个掩膜，并获取对应的窗函数；通过掩膜A获得光场焦堆栈图像显著性区域图像；用傅里叶变换将焦堆栈显著性区域图像从空域转换到频域，获得其频谱信息；对显著性区域高频信息进行傅里叶反变换，得到空域图像；用腐蚀的掩膜B截取空域高频部分，计算高频图像灰度值之和，用以表示焦堆栈图像显著性区域高频能量值大小；对堆栈图像显著性区域高频能量值进行归一化，用来表示该图片的训练权重。本发明针对数据集焦堆栈中显著性区域进行清晰程度判定，并以此作为焦堆栈中该图片训练权重的评价标准，显著性区域越清晰，则该图片的训练权重越高。
-
公开(公告)号：CN117880118A
公开(公告)日：2024-04-12
申请号：CN202311625296.1
申请日：2023-11-30
Applicant: 杭州电子科技大学
IPC: H04L41/142 , H04L41/147 , H04L41/14 , H04W24/06 , H04W24/02
Abstract: 本发明公开了基于XGBoost集成算法与核岭回归融合的实时带宽预测方法。首先根据用户需求获取不同场景的数据集；然后对不同场景的数据集中的数据进行清洗；再分别通过不同场景的数据集训练XGBoost模型，得到每个场景的最佳模型；最后使用核岭回归算法对多个场景的模型进行融合。本发明使用XGBoost算法进行带宽预测，能够在每一轮迭代中逐步改进模型，从而提高预测性能；使用高斯核函数的核岭回归方法，对多个场景的模型进行融合，使预测更加强准确和稳健。
-
公开(公告)号：CN117857376A
公开(公告)日：2024-04-09
申请号：CN202311807202.2
申请日：2023-12-26
Applicant: 杭州电子科技大学
IPC: H04L41/147 , H04L41/16 , H04L43/0894
Abstract: 本发明公开了一种基于改进Transformer的网络带宽实时预测方法。首先根据用户自身需求获取数据集，然后使用箱型图方法对数据处理，剔除负数和异常值；建立基于改进Transformer的带宽预测模型，对传统的Transformer结构进行改进，引入了生成式编码结构；最后获取待预测场景当前的带宽数据作为训练好的模型的输入，获得网络带宽预测值，实时的带宽数据预测。本发明采用生成式编码结构改进Transformer模型在设计上更注重特征与目标的相关性，而不仅仅是特征之间的相关性。这种结构的设计使得模型更有可能学到输入序列中的有用信息，能够更好地捕捉目标与历史信息的关系。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.027 seconds)
