-
公开(公告)号：CN110460844A
公开(公告)日：2019-11-15
申请号：CN201910744353.5
申请日：2019-08-13
申请人： 杭州电子科技大学
IPC分类号： H04N19/117 , H04N19/119 , H04N19/635 , H04N19/70
摘要： 本发明公开了一种基于DWT的3D-HEVC快速CU分割预测方法。快速CU分割预测编码决策方法在CU划分之前，首先对CU进行DWT变换获得当前CU的DWT系数矩阵，然后对当前系数块的水平，垂直，对角线方向系数和进一步对预测块的四周方差进行判断是否平缓，如果平缓则CU不需要划分为子CU，否则进入递归进一步划分。DWT具有能量聚集的特性，故在3D-HEVC深度图编码过程中可以明显区分编码块是否具有边缘。本发明直接对CU进行判断，减少了递归带来的时间消耗因此具有计算复杂度低、编码时间短和视频重建效果好的特点。
-
公开(公告)号：CN106681508A
公开(公告)日：2017-05-17
申请号：CN201611245516.8
申请日：2016-12-29
申请人： 杭州电子科技大学
CPC分类号： G06F3/017 , B25J9/16 , B25J9/1602 , B25J9/161 , G06K9/00355
摘要： 本发明公开了一种基于手势远程控制机器人的系统及其实现方法。本发明包括两个摄像头、本地网络终端、远程网络终端；一个摄像头安装在本地，用于采集手势指令数据，另一个摄像头安装在六足机器人上，用于实时采集并反馈六足机器人的所处环境；本地网络终端用于数据处理和传输，当本地网络终端接收到手势指令时，对手势指令进行解析处理，并将解析结果远程无线发送给六足机器人；远程网络终端用于数据接收和传输，接收来自本地网络终端的解析结果，并通过解析结果对六足机器人进行控制；所述的本地网络终端设置有手势指令数据库，手势指令数据库包括静态手势和动态手势。本发明解放人的双手并使人类对机器人的控制更加便利。
-
公开(公告)号：CN112508973B
公开(公告)日：2024-10-18
申请号：CN202011118130.7
申请日：2020-10-19
申请人： 杭州电子科技大学
IPC分类号： G06T7/12 , G06T7/155 , G06T5/30 , G06T5/90 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/08
摘要： 本发明公开一种基于深度学习的MRI图像分割方法。本发明先利用图像数据增强、提取技术，对数据进行扩容，利用形态学的方法，得到前列腺边缘的标签。然后在U‑Net网络基础上加入IBN模块，把maxpool层改成stride conv层，采用2D和3D卷积结合的方法，作为编码部分；在解码部分中，采用两个解码器，其中一个解码器进行前列腺整体的分割预测，另一个解码器进行单独的前列腺边缘的预测。本发明采用了IN和BN相结合的策略，使得模型泛化能力得到加强。同时，把原本下采样的maxpool层改成stride conv层，使得模型保留图像细节信息的能力得到加强，使得分割的结果更加精细。采用2D和3D卷积相结合的做法进一步提高模型的精度。
-
公开(公告)号：CN111741313B
公开(公告)日：2022-12-27
申请号：CN202010418949.9
申请日：2020-05-18
申请人： 杭州电子科技大学
IPC分类号： H04N19/597 , H04N13/161 , G06V10/762 , G06V10/764
摘要： 本发明公开了一种基于图像熵K均值聚类的3D‑HEVC快速CU分割方法。快速CU分割预测编码决策方法在CU划分之前，首先将CU平均划分为四块，然后对CU整体以及各小块分别进行二维熵计算，并合成一个五维向量，然后对其进行K均值聚类(K均值聚类模型需要进行离线训练得到各尺寸的聚类中心)，若判断为不需要划分，则停止对CU的划分，否则进入递归进一步划分。二维熵具有能突显图像分布特征以及混乱程度的能力，以此为基础进行K均值训练从而能够得到判断是否划分的模型。本发明直接对CU进行判断，减少了递归带来的时间消耗，因此具有计算复杂度低、编码时间短和视频重建效果好的特点。
-
公开(公告)号：CN110782314B
公开(公告)日：2022-05-03
申请号：CN201910942908.7
申请日：2019-09-30
申请人： 杭州电子科技大学
IPC分类号： G06Q30/06 , H04L67/12 , H04L67/06 , H04L67/562 , H04L67/125
摘要： 本发明提供一种基于边缘计算技术的新型散货零售平台。本发明包括计价平台和零售云服务平台：计价平台包括称重模块、边缘计算平台、数据通信模块、电源模块，用于计算商品总价，与预购进行交互，并上传商品照片、购买人照片和商品购买详情数据至零售云服务平台；零售云服务平台包括数据收发服务器、中间件消息队列、后台处理程序、数据储存模块、前端交互平台，用于对商品购买详情进行进一步分析，获得各特征之间的相关性分析结果。本发明解决了在散货销售过程中，对于不同类型的产品，因为单价不同而需要一名特定人员值守于称台边消耗不必要的劳动力且容易出错的问题，可以获得丰富的销售数据，为商户的销售过程提供指导。
-
公开(公告)号：CN112907641A
公开(公告)日：2021-06-04
申请号：CN202110151211.5
申请日：2021-02-03
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于细节信息保持的多视点视图深度估计方法。本方法首先利用U型神经网络提取出图片序列在不同尺度的特征，在同一尺度的特征中，分为两个分支：一个分支进行分割操作，得到高质量细节保持的目标分割图；一个分支进行为后续的深度估计进行特征提取。将不同尺度的特征与同尺度下的分割图Fs相乘，按照单应矩阵映射融合为3D特征体素，最后通过回归得到深度图。将该深度图与对应大小的Fs逐像素相乘，通过由粗到细不同尺度的优化，输出最终的深度图，其中只有目标的深度信息有效。本发明提出的基于细节信息保持的多视点视图深度估计方法，避免了重建中背景对目标的影响，提高了深度估计的精度。
-
公开(公告)号：CN111626117A
公开(公告)日：2020-09-04
申请号：CN202010321347.1
申请日：2020-04-22
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于目标检测的垃圾分拣系统及方法。本发明包括垃圾分类目标检测模型、机械臂、工业相机、服务器以及传送带；所述的垃圾分类目标检测模型由YOLOV3神经网络模型，通过带标注的数据集进行训练，然后再通过交叉验证集不断调试训练后的YOLOV3神经网络模型，用测试集测试调试后的最终模型，达到指标后的模型保即为垃圾分类目标检测模型。所述的带标注的数据集，使用图像采集设备，在垃圾处理站实地采集真实场景的垃圾图片，并对垃圾图片中的垃圾类别进行标注，标记为[x_min,y_min,x_max,y_max]以及该垃圾的类别classes_id。所述的服务器与机械臂、工业相机相连接后分别创建线程；本发明实现垃圾分拣生产线智能化、无人化的目标。
-
公开(公告)号：CN112907641B
公开(公告)日：2024-04-09
申请号：CN202110151211.5
申请日：2021-02-03
申请人： 杭州电子科技大学
IPC分类号： G06T7/33 , G06N3/0464 , G06N3/08 , G06T7/10
摘要： 本发明公开了一种基于细节信息保持的多视点视图深度估计方法。本方法首先利用U型神经网络提取出图片序列在不同尺度的特征，在同一尺度的特征中，分为两个分支：一个分支进行分割操作，得到高质量细节保持的目标分割图；一个分支进行为后续的深度估计进行特征提取。将不同尺度的特征与同尺度下的分割图Fs相乘，按照单应矩阵映射融合为3D特征体素，最后通过回归得到深度图。将该深度图与对应大小的Fs逐像素相乘，通过由粗到细不同尺度的优化，输出最终的深度图，其中只有目标的深度信息有效。本发明提出的基于细节信息保持的多视点视图深度估计方法，避免了重建中背景对目标的影响，提高了深度估计的精度。
-
公开(公告)号：CN110460844B
公开(公告)日：2021-07-09
申请号：CN201910744353.5
申请日：2019-08-13
申请人： 杭州电子科技大学
IPC分类号： H04N19/117 , H04N19/119 , H04N19/635 , H04N19/70
摘要： 本发明公开了一种基于DWT的3D‑HEVC快速CU分割预测方法。快速CU分割预测编码决策方法在CU划分之前，首先对CU进行DWT变换获得当前CU的DWT系数矩阵，然后对当前系数块的水平，垂直，对角线方向系数和进一步对预测块的四周方差进行判断是否平缓，如果平缓则CU不需要划分为子CU，否则进入递归进一步划分。DWT具有能量聚集的特性，故在3D‑HEVC深度图编码过程中可以明显区分编码块是否具有边缘。本发明直接对CU进行判断，减少了递归带来的时间消耗因此具有计算复杂度低、编码时间短和视频重建效果好的特点。
-
公开(公告)号：CN111741313A
公开(公告)日：2020-10-02
申请号：CN202010418949.9
申请日：2020-05-18
申请人： 杭州电子科技大学
IPC分类号： H04N19/597 , H04N13/161 , G06K9/62
摘要： 本发明公开了一种基于图像熵K均值聚类的3D-HEVC快速CU分割方法。快速CU分割预测编码决策方法在CU划分之前，首先将CU平均划分为四块，然后对CU整体以及各小块分别进行二维熵计算，并合成一个五维向量，然后对其进行K均值聚类(K均值聚类模型需要进行离线训练得到各尺寸的聚类中心)，若判断为不需要划分，则停止对CU的划分，否则进入递归进一步划分。二维熵具有能突显图像分布特征以及混乱程度的能力，以此为基础进行K均值训练从而能够得到判断是否划分的模型。本发明直接对CU进行判断，减少了递归带来的时间消耗因此具有计算复杂度低、编码时间短和视频重建效果好的特点。
-
-
-
-
-
-
-
-
-
搜索结果
18 条记录 (耗时 0.031 秒)
