-
公开(公告)号：CN111325111A
公开(公告)日：2020-06-23
申请号：CN202010076654.8
申请日：2020-01-23
Applicant: 同济大学
Abstract: 本发明涉及一种融合逆注意力和多尺度深度监督的行人重识别方法，包括构建行人重识别训练网络；利用训练数据集对行人重识别训练网络进行训练，以得到学习网络，屏蔽学习网络中特征提取模块的逆注意力分支和多尺度深度监督分支，得到测试网络；利用测试数据集对测试网络进行测试，测试通过后将实际数据集输入学习网络，以学习实际数据集的图像特征，之后，屏蔽学习网络中特征提取模块的逆注意力分支和多尺度深度监督分支，以得到应用网络；将实际查询图像输入应用网络，得到实际查询图像对应的识别结果。与现有技术相比，本发明采用逆注意力掩膜和一维尺度的多角度深度监督方式，能够有效避免特征信息丢失，同时保证识别计算效率。
-
公开(公告)号：CN103824083B
公开(公告)日：2017-02-22
申请号：CN201410065251.8
申请日：2014-02-25
Applicant: 同济大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于叶片完备局部二值特征的Web在线物种识别方法，包括以下步骤：1)浏览器通过上传接口将叶片图像、交互操作信息上传给Web服务器；2)Web服务器获取叶片图像，并对叶片图像进行图像预处理；3)采用新的完备局部二值模式提取叶片图像新的完备局部二值纹理特征；4)以提取出的新的完备局部二值纹理特征作为SVM分类器的输入，对叶片图像进行识别，获得该叶片图像对应的物种分类编号；5)Web服务器向浏览器反馈物种分类编号及相应的物种信息。与现有技术相比，本发明具有准确率高、方便快捷等优点。
-
公开(公告)号：CN105631451A
公开(公告)日：2016-06-01
申请号：CN201610008257.0
申请日：2016-01-07
Applicant: 同济大学
CPC classification number: G06K9/40 , G06K9/46 , G06K9/6269
Abstract: 本发明涉及一种基于安卓系统的植物叶片识别方法，该方法包括以下步骤：1)ARM设备端在得到服务器端允许接入的情况下，与服务器端建立网络连接；2)ARM设备端获取待识别图片，抠取待识别图片中的叶片部分，并进行预处理；3)处理完成之后发送服务请求，服务器端接受和分析ARM设备端的服务请求，并启动服务器端的识别功能模块，响应ARM设备端的识别请求，进行叶片识别，完成识别后将植物叶片识别结果反馈给ARM设备端。4)ARM设备端获取服务器端发送的植物叶片识别结果，并显示出来。与现有技术相比，本发明具有适用范围广、识别精度高、速度快、操作简单、使用方便等优点。
-
公开(公告)号：CN104361342A
公开(公告)日：2015-02-18
申请号：CN201410572582.0
申请日：2014-10-23
Applicant: 同济大学
CPC classification number: G06K9/00664 , G06K9/4676 , G06K9/6259
Abstract: 本发明涉及一种基于几何不变形状特征的在线植物物种识别方法，包括以下步骤：(1)浏览器端采集叶片图像，预处理后传输给服务器端；(2)服务器端根据预处理后的叶片图像计算叶片形状特征，构建特征向量，所述的服务器端保存有训练好的移动中心超球分类器，该移动中心超球分类器根据所述的特征向量进行物种识别，输出该物种的物种编号，根据所述的物种编号查询叶片信息数据库，并将最终识别结果反馈给浏览器端；(3)浏览器端显示最终识别结果，包括识别出的物种的叶、花、果实、种子图片以及该物种的科普介绍信息。与现有技术相比，本发明具有实时方便、准确率高等优点。
-
公开(公告)号：CN103824083A
公开(公告)日：2014-05-28
申请号：CN201410065251.8
申请日：2014-02-25
Applicant: 同济大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于叶片完备局部二值特征的Web在线物种识别方法，包括以下步骤：1)浏览器通过上传接口将叶片图像、交互操作信息上传给Web服务器；2)Web服务器获取叶片图像，并对叶片图像进行图像预处理；3)采用新的完备局部二值模式提取叶片图像新的完备局部二值纹理特征；4)以提取出的新的完备局部二值纹理特征作为SVM分类器的输入，对叶片图像进行识别，获得该叶片图像对应的物种分类编号；5)Web服务器向浏览器反馈物种分类编号及相应的物种信息。与现有技术相比，本发明具有准确率高、方便快捷等优点。
-
Patent Agency Ranking
公开(公告)号：CN112434599B
公开(公告)日：2022-11-18
申请号：CN202011321451.7
申请日：2020-11-23
Applicant: 同济大学
IPC: G06V40/10 , G06V10/30 , G06V10/46 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于噪声通道的随机遮挡恢复的行人重识别方法，该方法包括以下步骤：步骤1：将基准数据集进行数据划分以及预处理后，构建CAN网络结构并利用其对基准数据集中经过数据划分以及预处理后得到的训练集进行数据扩充，利用数据扩充后的训练集对基础网络主体特征提取结构进行训练，得到训练完毕的基础网络主体特征提取结构；步骤2：构建标签误差的噪声通道结构；步骤3：基于训练完毕的基础网络主体特征提取结构、噪声通道结构和CAN网络结构，综合建立得到基于噪声通道的随机遮挡恢复的行人重识别网络；步骤4：利用该行人重识别网络对实际待测原始图像进行识别。与现有技术相比，本发明具有网络鲁棒性好，精确度高，误差低等优点。
-
公开(公告)号：CN113096733B
公开(公告)日：2022-09-30
申请号：CN202110509316.3
申请日：2021-05-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于序列和形状信息深度融合的模体挖掘方法，包括：S1、构建深度嵌入卷积神经网络模型，并对DNA序列和形状信息进行空间对齐混合，作为所述神经网络模型的输入；S2、对所述深度嵌入卷积神经网络模型进行训练，得到模体绑定强度预测值；S3、基于预测值与实际绑定强度之间的回归系数R2对所述构建的深度嵌入卷积神经网络模型性能进行评估。本发明方法利用了卷积神经网络在特征提取方面的优势，实现了序列和形状特征的深度融合。
-
公开(公告)号：CN111814845B
公开(公告)日：2022-09-20
申请号：CN202010563309.7
申请日：2020-06-19
Applicant: 同济大学
IPC: G06V10/80 , G06V10/764 , G06V10/774 , G06N3/08 , G06T5/00 , G06T7/246 , G06V10/82 , G06V10/74 , G06V40/10
Abstract: 本发明涉及一种基于多支流融合模型的行人重识别方法，该方法使用深度学习技术，对训练集图片进行翻转、裁剪、随机擦除等预处理操作，然后经过基本网络模型进行特征提取，在使用多个支流损失函数进行融合联合训练网络，在第一、二条支流使用胶囊网络从水平方向和垂直方向来提取不同位置切片的空间关系，第三条支流使用胶囊网络来学习所获得特征图不同通道间的相关关系，第四条支流用于学习全局特征，第五条支流用于进行相应的相似度度量，通过多个支流模型的融合，考虑了不同的分割区域之间的相互关系，能够有效获取水平方向的身体零件特征，进而使网络提取的特征更加有效。
-
公开(公告)号：CN113096732A
公开(公告)日：2021-07-09
申请号：CN202110509307.4
申请日：2021-05-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度嵌入卷积神经网络的模体挖掘方法，包括：S1、构建深度嵌入卷积神经网络eDeepCNN模型；S2、对DNA序列进行K‑mer编码，利用嵌入向量作为所述模型中K‑mer的输入表示，作为所述模型的数据集进行训练，并进行特征提取和绑定预测；S3、将所述深度嵌入卷积神经网络eDeepCNN模型与浅层网络对比，用于验证所述深度嵌入卷积神经网络eDeepCNN模型的优越性。本发明中，K‑mer编码显式建模了DNA序列中邻近核苷酸的依赖关系，隐含了DNA序列的形状信息，高维嵌入向量则可以充分表征K‑mer所包含的潜在信息。
-
公开(公告)号：CN112863598A
公开(公告)日：2021-05-28
申请号：CN202110266696.2
申请日：2021-03-11
Applicant: 同济大学
Abstract: 本发明公开一种基于深度学习的DNA序列基元挖掘方法和系统,其包括：步骤1、对获取的DNA序列进行预处理，采用重叠分割策略将每条DNA序列处理成一个数据包，采用k‑mer编码对数据包里的每一个示例进行编码；步骤2、对每个数据包进行特征学习，以构造混合深度神经网络模型，对数据包中每个示例进行预测打分；步骤3、对每个数据包中所有示例进行融合，将融合后的得分作为该数据包的最终预测值。采用本发明的技方案，避免忽略基因组序列的弱监督信息、序列特征之间的长期依赖关系等。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.02 seconds)
