-
公开(公告)号：CN116796129A
公开(公告)日：2023-09-22
申请号：CN202310486009.7
申请日：2023-05-04
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/10 , G06N3/0475 , G06N3/094 , G06N3/0895 , G06N3/088
Abstract: 本发明公开了一种基于变焦生成对抗网络的惯性传感器信号增强方法及系统，涉及惯性传感器信号增强领域。该方法包括：构建无监督变焦生成对抗网络；构建弱监督变焦生成对抗网络；所述弱监督变焦生成对抗网络包括编码器和解码器；当低成本传感器信号与高成本传感器信号之间无相似语义信息时，采用所述无监督变焦生成对抗网络中的训练好的高成本信号生成器对所述低成本传感器信号进行增强；当低成本传感器信号与高成本传感器信号之间具有相似语义信息时，采用训练好的弱监督变焦生成对抗网络对所述从低成本传感器信号进行增强。本发明能够实现低成本传感器信号质量的显著增强。
-
公开(公告)号：CN112308110B
公开(公告)日：2023-07-21
申请号：CN202010994901.2
申请日：2020-09-21
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/214 , G06N3/0442 , A61B5/11
Abstract: 本发明涉及一种能够实现人机交互的手部运动识别方法及系统。该方法包括：建立轨迹几何模型，利用光学传感器和惯性运动传感器采集手部运动数据；根据手部运动数据建立轨迹识别数据集；根据惯性运动传感器采集的手部运动数据对手部运动轨迹进行初步轨迹还原，得到初步还原轨迹，初步还原轨迹为轨迹几何模型中的任一种轨迹几何模型；根据轨迹识别数据集和对应的初步还原轨迹结果，对深度学习模型进行训练，得到训练后的深度学习模型；获取待预测的惯性运动传感器采集的手部运动数据；将待预测的惯性运动传感器采集的手部运动数据输入至训练后的深度学习模型，得到手部运动轨迹。本发明能够降低轨迹还原难度。
-
公开(公告)号：CN112101255B
公开(公告)日：2023-06-27
申请号：CN202010994285.0
申请日：2020-09-21
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V40/20 , G06V40/10 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于深度学习模型的特定动作识别方法及系统，所述方法包括：获取初始训练数据集；根据所述初始训练数据集得到设定动作光学轨迹信息和设定动作惯性轨迹信息，根据设定动作光学轨迹信息和设定动作惯性轨迹信息对动作识别模型进行训练，通过训练后的动作识别模型和样条函数完成设定动作的识别。本发明通过精确的训练集对模型进行训练，通过训练好的模型并基于样条函数完成设定动作的精准识别。
-
公开(公告)号：CN112308110A
公开(公告)日：2021-02-02
申请号：CN202010994901.2
申请日：2020-09-21
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明涉及一种能够实现人机交互的手部运动识别方法及系统。该方法包括：建立轨迹几何模型，利用光学传感器和惯性运动传感器采集手部运动数据；根据手部运动数据建立轨迹识别数据集；根据惯性运动传感器采集的手部运动数据对手部运动轨迹进行初步轨迹还原，得到初步还原轨迹，初步还原轨迹为轨迹几何模型中的任一种轨迹几何模型；根据轨迹识别数据集和对应的初步还原轨迹结果，对深度学习模型进行训练，得到训练后的深度学习模型；获取待预测的惯性运动传感器采集的手部运动数据；将待预测的惯性运动传感器采集的手部运动数据输入至训练后的深度学习模型，得到手部运动轨迹。本发明能够降低轨迹还原难度。
-
公开(公告)号：CN114611554B
公开(公告)日：2025-05-13
申请号：CN202210223491.0
申请日：2022-03-09
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/21 , G06F18/213 , G06N3/044 , G06N3/0455
Abstract: 本发明公开了一种基于循环重建网络的惯性传感器语义信息识别方法及系统。该方法包括：构建多源信号循环重建网络；通过训练好的多源信号循环重建网络对惯性传感器信号进行重建；基于重建后的惯性传感器信号还原运动轨迹；将还原后的运动轨迹与重建后的惯性传感器信号合并，得到多个时刻的特征向量；将各时刻的特征向量中的位置信息与时间信息合并，得到编码四元数；对编码四元数进行归一化处理，得到单位编码四元数；基于加速度分量、角速度分量和轨迹分量，构建多个特征四元数；基于单位编码四元数和特征四元数确定特征编码向量；将特征编码向量输入至Transformer中进行语义信息识别。本发明能够准确识别用户基于惯性传感器在空中做出的特定轨迹的运动。
-
Patent Agency Ranking
公开(公告)号：CN116188613A
公开(公告)日：2023-05-30
申请号：CN202310173088.6
申请日：2023-02-28
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T11/00 , G06T7/10 , G06T3/40 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成对抗网络的IHC图像生成方法及系统，涉及计算机图像处理技术领域，方法包括获取检测者目标部位切片的冰冻H&E图像；对冰冻H&E图像进行切分，得到若干个冰冻H&E子图像，将若干个冰冻H&E子图像分别输入至训练好的石蜡H&E图像生成器，得到每一冰冻H&E子图像对应的石蜡H&E子图像；将每一石蜡H&E子图像分别输入至训练好的IHC图像生成器，得到每一石蜡H&E子图像对应的IHC子图像；将所有IHC子图像进行拼接，得到IHC图像。本发明采用石蜡H&E图像生成器将冰冻H&E图像生成石蜡H&E图像，然后通过IHC图像生成器将石蜡H&E图像生成IHC图像，减少了生成IHC图像的时间。
-
公开(公告)号：CN116091305A
公开(公告)日：2023-05-09
申请号：CN202310172920.0
申请日：2023-02-28
Applicant: 哈尔滨工业大学(深圳)
IPC: G06T3/00 , G06T7/10 , G06T3/40 , G06N3/0475 , G06N3/094
Abstract: 本发明公开一种基于生成对抗网络的病理组织多域虚拟染色方法及系统，包括：获取组织病理切片图像并进行分割，得到多个分块图像和分块坐标；将每一分块图像和对应的目标染色风格标签输入到生成对抗网络的生成器中，输出分块染色图像；生成器包括下采样模块、多个串联连接的GramLIN模块和上采样模块；GramLIN模块中包括风格编码字典，所述风格编码字典中存储有多种目标染色风格信息；将所有分块染色图像按照分块坐标进行拼接，得到具有目标染色风格的组织病理切片图像。在生成器中引入了多个串联的GramLIN模块，GramLIN模块引入了风格编码字典，能够使用单一网络在多种染色之间实现染色迁移。
-
公开(公告)号：CN114818772A
公开(公告)日：2022-07-29
申请号：CN202210223564.6
申请日：2022-03-09
Applicant: 哈尔滨工业大学(深圳)
IPC: G06K9/00 , G06N3/04 , G06F3/0346
Abstract: 本发明涉及一种基于数据增强与智能运动分割的动作语义信息识别方法及系统。该方法包括：采用基于波形‑轨迹信息融合的智能运动分割算法对六轴惯性传感器运动数据进行分割，得到若干六轴惯性传感器数据片段；基于信号重建算法对六轴惯性传感器数据片段进行数据增强处理，生成数据增强后的六轴惯性传感器波形数据片段，基于此进行轨迹解算，生成数据增强后的六轴惯性传感器波形数据片段对应的三维运动轨迹；对数据增强后的六轴惯性传感器波形数据片段及其三维运动轨迹进行上采样处理，将上采样后的波形数据片段及其三维运动轨迹输入空间图神经网络进行语义信息识别，得到动作语义信息的识别结果，实现高精度的基于惯性传感器的动作语义信息识别。
-
公开(公告)号：CN114611553A
公开(公告)日：2022-06-10
申请号：CN202210222980.4
申请日：2022-03-09
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种基于惯性传感器的身份检测方法及系统。该方法包括：提取有效运动数据；基于动态噪声反馈的扩展卡尔曼滤波的姿态解算模型，对有效运动数据进行姿态解算；基于姿态信息还原运动轨迹；分别在时域和频域上对有效运动数据和运动轨迹进行特征提取，得到多个运动特征向量；随机生成多组干扰运动数据，并提取所述干扰运动数据的特征向量；基于干扰运动数据特征向量、运动特征向量、干扰运动数据特征向量对应的动作类别以及运动特征向量对应的动作类别对随机森林模型进行训练，得到分类模型；通过分类模型进行身份检测。本发明能够在小样本数据集上实现精确的的动作识别、身份检测。
-
公开(公告)号：CN112212861B
公开(公告)日：2022-05-06
申请号：CN202010994902.7
申请日：2020-09-21
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明涉及一种基于单惯性传感器的轨迹还原方法。首先构建多种基础动作轨迹的几何模型，根据惯性传感器测量的加速度和角速度数据形成初步运动轨迹，利用LSTM模型和相似度曲线对初步运动轨迹完成了准确的分割，将初步运动轨迹分割为多个基础动作轨迹，使用训练好的1D‑CNN模型预测每个基础动作轨迹的类型，并使用训练好的深度学习模型准确确定每个基础动作轨迹的几何参数的值，完成了每个基础动作轨迹的准确还原，将基础动作轨迹进行拼接，最终得到运动动作的还原轨迹，实现了只根据单个惯性传感器的测量数据就能精确还原运动轨迹。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.032 seconds)
