-
公开(公告)号：CN108268887A
公开(公告)日：2018-07-10
申请号：CN201711345175.6
申请日：2017-12-15
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于虚拟驾驶与EEG检测的驾驶人安全意识评估方法，主要解决现有技术缺少对驾驶人安全意识综合评估的问题。其实现方案是：使用商用unity3D软件构建动态虚拟场景，并且用头盔进行调试预览；然后，在虚拟场景中通过驾驶模拟器采集驾驶人的操作数据、车辆状态数据和脑电信号并判定驾驶人格；按照所设计的调查问卷计算驾驶操作在某一场景中的评分权重；通过类神经网络模型对驾驶人进行安全意识综合评分。本发明可展示驾驶人的个人安全意识水平，以及个人相较于平均水平的安全意识水平，对处于平均水平之下的驾驶群体，给出暂时不适合单独上路的建议，可用于虚拟驾驶环境下驾驶人的驾驶操作与脑电信号状态的分析实验。
-
公开(公告)号：CN106534610A
公开(公告)日：2017-03-22
申请号：CN201611111565.2
申请日：2016-12-06
Applicant: 西安电子科技大学
IPC: H04N1/405
CPC classification number: H04N1/4052
Abstract: 本发明公开了一种基于FPGA的改进彩色矢量误差扩散方法，所述基于FPGA的改进彩色矢量误差扩散方法通过RGB三个通道实现误差扩散的并行处理，并采用矩阵增益模型使单通道的误差扩散值可以扩散到其他两个通道；通过硬件实现半色调过程及误差值生成，使用增益矩阵预存储器替代算法中的乘法运算；对每个通道，采用流水线的方式处理，使误差扩散的流程平均在一个时钟周期内可以计算出一个像素点的半色调结果。FPGA为运行平台，通过对半色调算法的彩色矢量误差扩散算法的改进，实现算法在嵌入式平台上的快速高效执行。实现了彩色矢量误差扩散不同通道之间的并行处理。将基色之间并行处理，提高处理效率。
-
公开(公告)号：CN104331933B
公开(公告)日：2017-03-15
申请号：CN201410566821.1
申请日：2014-10-22
Applicant: 西安电子科技大学
IPC: G06T17/30
Abstract: 本发明公开了一种分层方向自适应快速选取方法，将三维模型三角网格化得到三角形面片后求出面积加权法向量；然后对面积加权法向量进行主成分分析，构造协方差矩阵并进行奇异值分解，得出三个特征向量作为候选分层方向；其后，在候选分层方向下对模型进行分层，并计算分层后构建模型和原始模型的总体积误差，最小总体积误差所对应的候选分层方向即为最优分层方向。本发明通过提取特征向量获得三个垂直正交的候选分层方向，并基于最小体积误差选择最优分层方向，无需将模型表面所有法向量或空间法向量的采样作为候选分层方向，提高模型精度的同时减少了算法复杂度，能够大大降低获得最优分层方向的时间，适用于几何特征或拓扑结构复杂的模型。
-
公开(公告)号：CN106383579A
公开(公告)日：2017-02-08
申请号：CN201610824475.1
申请日：2016-09-14
Applicant: 西安电子科技大学
IPC: G06F3/01
CPC classification number: G06F3/015 , G06F3/014 , G06F3/017 , G06F2203/011
Abstract: 本发明公开了一种基于EMG和FSR的精细手势识别系统及方法，设置有手套和MYO臂环；MYO臂环内置肌电信号传感器；手套固定有FSR传感器；数据采集系统包括对肌电传感器的采集和对FSR传感器的采集；采集的肌电信号通过蓝牙发送至计算机，采集的压力信号通过串口发送至计算机。本发明将肌电信号和压力信号结合，完成对21种自定义精细手势动作的识别，克服了单一信号自身的限制；将FSR传感器固定在手套里，做成可穿戴设备，和MYO臂环结合起来，形成可穿戴设备，操作简单，使得人机交互更加自然和人性化，并且克服了自然环境限制；FSR传感器放置在手背上，采集手指运动时的手背压力分布，对手指的运动检测有较好的识别率。
-
公开(公告)号：CN102930497A
公开(公告)日：2013-02-13
申请号：CN201210434246.0
申请日：2012-10-19
Applicant: 西安电子科技大学
IPC: G06T1/00
Abstract: 本发明公开了一种基于像素块奇偶校验和块误差分散的半调水印方法，具体步骤包括：(1)图像分色处理；(2)水印图像预处理；(3)计算像素块的奇偶校验值；(4)确定水印嵌入强度；(5)嵌入水印；(6)图像矫正；(7)水印提取。本发明解决了现有技术中在提取水印时要求将扫描后的待检测图像二值化，水印的鲁棒性差，难以真正抵抗打印扫描攻击的问题。本发明具有良好的鲁棒性、能够有效的抵抗打印扫描、随机涂改和裁剪等攻击、容易提取水印的优点。
-
Patent Agency Ranking
公开(公告)号：CN114764564B
公开(公告)日：2024-08-06
申请号：CN202210465093.X
申请日：2022-04-25
Applicant: 西安电子科技大学
IPC: G06F40/284 , G06F40/253 , G06F18/241 , G06F18/25 , G06F18/214 , G06N3/042 , G06N3/084
Abstract: 本发明公开了一种基于融合语言学知识的方面级情感极性分类方法，包括下述步骤：(1)建立训练样本集和测试样本集；(2)搭建基于融合语言学知识的方面级情感分类模型；(3)对方面级情感极性分类模型进行迭代训练；(4)获取方面级情感极性分类结果。本发明构建了基于融合语言学知识的方面级情感极性分类网络，利用现有的SOTA模型分析并提取评论数据中所特有的语言学知识，搭建基于图神经网络和注意力机制的语言学知识融合网络，将评论数据中所蕴涵的语言学知识融入到最终的单词表示中，提高了方面级情感极性分类的准确率。
-
公开(公告)号：CN118244901A
公开(公告)日：2024-06-25
申请号：CN202410451693.X
申请日：2024-04-16
Applicant: 西安电子科技大学
IPC: G06F3/01 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种动态融合多模信息的关节角度估计方法，主要解决现有技术关节角度估计精度低，计算时间长，估计值可能偏离真实运动情况的问题。其实现方案是：获取肌电信号、加速度信号和手部运动学数据并构建数据集；针对多模信息的三种不同输入方式，分别构建三个关节角度估计网络模型及其损失函数；通过损失函数最小化分别训练三个关节角度网络估计模型；使用门控决策网络和三个训练好的模型构建动态融合关节角度估计模型并对其进行训练；通过训练好动态融合关节角度估计模型实现对手部关节角度的估计。本发明显著提高了关节角度的估计精度，降低了估计时间，使得关节角度估计值更符合真实自然的运动，可用于人机交互过程中的手部动作识别。
-
公开(公告)号：CN118228806A
公开(公告)日：2024-06-21
申请号：CN202410296454.1
申请日：2024-03-15
Applicant: 西安电子科技大学
IPC: G06N3/096 , G06N3/0499 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种基于超网络的动态模块化持续学习方法，主要解决现有技术计算资源浪费，模块复用率低及灾难性遗忘的问题。其方案是：获取任务流训练集；设计包含超网络及模块化网络的模型网络并定义其损失函数；将任务流训练集输入到模型网络中，使用任务流中的第一个任务训练初始化模型网络，并冻结完成该训练后的模块化网络；利用当前任务流的其他任务训练超网络及冻结模块化网络。所有训练均在模态不变正则化投影及模态不变正则化两阶段完成，即在不同阶段迭代计算模型损失函数和梯度，更新模型网络参数，直到达到设定的长度得到训练好的模型网络。本发明能克服灾难性遗忘，提升模块复用率，节约计算资源，可用于机器人学习，医疗诊断与辅助治疗。
-
公开(公告)号：CN118153626A
公开(公告)日：2024-06-07
申请号：CN202410331911.6
申请日：2024-03-22
Applicant: 西安电子科技大学
IPC: G06N3/045 , G06N3/0464 , G06N3/084 , G06F18/15 , G06F18/25 , G06F18/2415 , A61B5/389
Abstract: 本发明公开了一种表面肌电信号手势识别的轻量化网络模型及其构建方法，解决了现有网络结构庞大复杂，难有效捕捉肌电信息的问题。本发明的轻量化网络模型，为两层轻量化特征融合结构，一层两个串接的轻量化多流特征和二层的轻量化多尺度特征融合模块融合输出。模型构建步骤：获取肌电信号数据；预处理；构建网络模型；训练模型；输入肌电信号，获取手势类型。本发明依肌电采集位置和肌群间协同设计特征融合模块，轻量化残差注意力加入到多流特征融合模块，不增加额外计算开销，有效提取特征。捕获多尺度特征，增强特征传播，提高识别准确率。将深度可分离卷积引入多流特征融合模块，大幅减少参数量和计算量。用于临床医学、机器人等领域。
-
公开(公告)号：CN117953570A
公开(公告)日：2024-04-30
申请号：CN202410216429.8
申请日：2024-02-27
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于协同学习的头部姿态估计方法，主要解决现有技术估计精度较低，前向推理时间较长的问题。其实现方案为：获取人脸图像数据集，划分训练数据和测试数据；构建包括人脸关键点热力图模块、头部姿态初步预测模块和姿态角模块的头部姿态估计网络，在这些模块中共享人脸特征图，在人脸关键点和头部姿态角之间进行协同学习；将训练数据输入到对头部姿态估计网络采用反向传播法对其训练；将测试数据输入训练好的头部姿态估计网络得到头部姿态估计结果。本发明通过共享人脸特征图，缩短了在多人脸场景下头部姿态估计时间，可有效地提高估计效率，并通过协同学习提高了头部姿态角的估计精度，可用于疲劳驾驶检测、智慧课堂行为分析、人机交互。
-
-
-
-
-
-
-
-
-
Search Results
122
records
(took 0.077 seconds)
