公开(公告)号：CN119344751A

公开(公告)日：2025-01-24

申请号：CN202411897459.6

申请日：2024-12-23

Applicant: 安徽大学

Inventor： 孙登第 ,  刘彦卿 ,  董长续 ,  赵启元 ,  孙井鹏 ,  丁转莲

IPC: A61B5/372 ,  A61B5/00 ,  G06F18/10 ,  G06F18/15 ,  G06F18/2131 ,  G06F18/24 ,  G06F18/25 ,  G06N3/0464

Abstract: 本发明公开一种基于自适应时空注意力与动态融合网络的癫痫预测方法，涉及脑信号预处理模块、上下文注意力编码层、远距离内容依赖网络、自适应时序状态空间建模模块和癫痫预测模块；脑信号预处理模块获得对应时域信息和频域信息和邻接矩阵；邻接矩阵视为图结构，图结构各条边的权重输入上下文注意力编码层，提取各通道间的空间特征，通过邻居节点信息的聚合和注意力动态调整权重，输出节点特征矩阵；节点特征矩阵输入远距离内容依赖网络输出全局空间特征和对应时间序列；通过自适应时序状态空间建模模块得到时空动态融合特征；时空动态融合特征输入癫痫预测模块后输出癫痫预测结果。本发明能够精准预测。

公开(公告)号：CN118366222A

公开(公告)日：2024-07-19

申请号：CN202410555138.1

申请日：2024-05-07

Applicant: 江淮前沿技术协同创新中心 ,  安徽大学

Inventor： 孙登第 ,  周远银 ,  郭宇 ,  李成龙 ,  丁转莲 ,  焦均均

IPC: G06V40/20 ,  G06V20/52 ,  G06V20/40 ,  G06V10/62 ,  G06V10/82 ,  G06V10/74

Abstract: 本发明涉及一种基于多物理特性的车辆异常行为检测方法，包括：输入道路监控视频信息，使用改进的YOLOv3网络对道路监控视频中的车辆进行多目标检测；为每辆车分配唯一ID，通过DeepSort多目标跟踪算法对车辆进行轨迹跟踪；获取车辆的物理特征，包括加速度、车辆方向变化和车辆重合度；分别进行车辆异常得分的估算；将四种车辆异常得分相加，得到最终车辆异常得分，若最终车辆异常得分超过预设阈值，判定为发生车辆异常，否则，判定为未发生车辆异常。本发明使用改进的YOLOv3的目标检测算法对监控视角的小目标车辆进行检测标记；使用DeepSort算法的记忆功能与之前的特征进行相似度对比，从而与上一时刻的目标对接；利用跟踪与检测的结果计算车辆的物理运动特征。

公开(公告)号：CN111626245B

公开(公告)日：2023-04-07

申请号：CN202010482943.8

申请日：2020-06-01

Applicant: 安徽大学

Inventor： 丁转莲 ,  盛漫锦 ,  石家毓 ,  孙登第 ,  吴心悦 ,  沈心怡

IPC: G06V40/20 ,  G06V10/80 ,  G06V10/62 ,  G06V20/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明涉及一种基于视频关键帧的人体行为识别方法，包括：获取已经分类的视频集；基于信息量划分视频片段；构造双流卷积神经网络并随机取样训练该双流卷积神经网络；基于系数重构矩阵方法提取测试视频的时空特征；将得到的时空特征输入训练好的双流卷积神经网络，得到行为识别结果。本发明通过提高待检测帧的质量来提高识别的准确性；采用双流卷积神经网络，大大提高了视频时间信息的利用，有效的提高了行为识别的准确率；采用贪心算法求解，采用简单的条件循环就可以完成视频段划分，简单准确；本发明在光流时间特征上，采用的不是传统连续帧，而是重构矩阵选取出的贡献度最大的5帧作为光流关键帧。

公开(公告)号：CN111626245A

公开(公告)日：2020-09-04

申请号：CN202010482943.8

申请日：2020-06-01

Applicant: 安徽大学

Inventor： 丁转莲 ,  盛漫锦 ,  石家毓 ,  孙登第 ,  吴心悦 ,  沈心怡

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于视频关键帧的人体行为识别方法，包括：获取已经分类的视频集；基于信息量划分视频片段；构造双流卷积神经网络并随机取样训练该双流卷积神经网络；基于系数重构矩阵方法提取测试视频的时空特征；将得到的时空特征输入训练好的双流卷积神经网络，得到行为识别结果。本发明通过提高待检测帧的质量来提高识别的准确性；采用双流卷积神经网络，大大提高了视频时间信息的利用，有效的提高了行为识别的准确率；采用贪心算法求解，采用简单的条件循环就可以完成视频段划分，简单准确；本发明在光流时间特征上，采用的不是传统连续帧，而是重构矩阵选取出的贡献度最大的5帧作为光流关键帧。

公开(公告)号：CN111310768A

公开(公告)日：2020-06-19

申请号：CN202010063895.9

申请日：2020-01-20

Applicant: 安徽大学

Inventor： 孙登第 ,  张子鹏 ,  梁怡晓 ,  郑健 ,  李凯 ,  丁转莲

IPC: G06K9/46 ,  G06K9/62 ,  G06T7/11 ,  G06T7/13 ,  G06T7/90

Abstract: 本发明属于图像处理技术领域，具体涉及基于鲁棒性背景先验和全局信息的显著性目标检测方法。该方法包括以下步骤：构建待检测图像的超像素标签矩阵；构建待检测图像的超像素权重矩阵；筛选瞬态节点和吸收节点；构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；构建马尔科夫转移矩阵的显著性特征图；根据权重矩阵，计算超像素点的前背景概率；构建鲁棒性背景先验显著特征图；将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。本发明整合了鲁棒性背景先验方法和全局信息，得到的显著性目标更均匀，能更有效地计算图像的显著性值。