-
公开(公告)号：CN113052073A
公开(公告)日：2021-06-29
申请号：CN202110319209.4
申请日：2021-03-25
Applicant: 浙江工业大学
Abstract: 一种基于元学习的少样本行为识别方法，包括以下步骤：1)视频数据集分为元训练集和元测试集，从元训练集中抽取多组支持集和询问集用于训练模型，从元测试集中抽取多组支持集和询问集用于测试模型；2)使用浅层三维卷积神经网络提取支持集和询问集的视频特征；3)构建一种元学习网络，用于对支持集进行建模，生成步骤2)中浅层三维卷积神经网络参数；4)对步骤2)提取到的视频特征进行二阶变换和归一化处理；5)将处理后的支持集和询问集视频特征进行拼接，采用多层二维卷积神经网络提取询问集和支持集视频特征之间的非线性距离关系，对训练集视频进行分类。本发明具有较好的任务间泛化能力以及对新视频行为的识别准确率。
-
公开(公告)号：CN112149521A
公开(公告)日：2020-12-29
申请号：CN202010916060.3
申请日：2020-09-03
Applicant: 浙江工业大学
Abstract: 一种基于多任务卷积神经网络的掌纹ROI提取与增强的方法，包括如下步骤：1)对样本进行训练前的准备工作，先将样本复制成两份，分别为A和B，对样本A进行BM3D去噪和Gabor小波滤波，以此来对样本进行图像增强处理；对样本B进行标记，分别标记训练样本的两个指间谷点和掌纹ROI区域；最后对标记后的训练样本进行数据扩充；2)用步骤1)生成的训练样本来训练多任务卷积神经网络，得到用于掌纹ROI提取与增强的网络模型；3)通过验证集验证训练好的多任务卷积神经网络模型并输出结果，并对结果进行矫正。本发明能够以更高的准确性和鲁棒性实现从一般掌纹中提取到具备图像增强的掌纹感兴趣区域。
-
公开(公告)号：CN111812061A
公开(公告)日：2020-10-23
申请号：CN202010603294.2
申请日：2020-06-29
Applicant: 浙江工业大学
IPC: G01N21/41
Abstract: 一种折射率测量方法，包括以下步骤：1)全反射光束在不同相位角的图像采集；2)不同偏振态光束信号采集；3)光强信息计算和光斑质心坐标计算数据处理。一种折射率测量系统，所述高度稳定激光光源SLD是光源发生器；840nm单模光纤传用于输光信号；消色差准直透镜对入射光束进行准直；直角棱镜和溶液流道用于放置待测样本；前选/后选偏振器实现对光偏振态的选择；二分之一波片组调整光的相位；CCD模块负责采集光斑信息；计算机用于实现光强信号的光强及质心坐标分析，对比不同溶液得到折射率的变化。本发明利用简单的光路结构和未镀膜的普通光学棱镜进行测量，并通过测量NaCl溶液折射率证明了其可行性。
-
公开(公告)号：CN107122710B
公开(公告)日：2020-06-30
申请号：CN201710164634.4
申请日：2017-03-20
Applicant: 浙江工业大学
Abstract: 一种基于散射卷积网络的手指静脉特征提取方法，包括以下步骤：1)采集到手指静脉；2)对采集到的图像做基于最大内切矩阵感兴趣区域提取；3)对获得的ROI图像进行基于散射卷积网络的手指静脉特征提取，过程如下：先得到多分辨率小波函数，然后对ROI图像进行小波变换得到第一层的散射系数，再对第一层的散射结果进行第二次散射，得到第二次的散射系数，最后将每一个散射能量块的能量均值和方差组成图像的特征向量；4)通过支持向量机SVM进行分类。本发明提供一种信息丰富、安全性很高的基于散射卷积网络的手指静脉特征提取方法。
-
公开(公告)号：CN108664993A
公开(公告)日：2018-10-16
申请号：CN201810304695.0
申请日：2018-04-08
Applicant: 浙江工业大学
Abstract: 一种基于密集权重连接的卷积神经网络图像分类方法，包括以下步骤：1)模型的输入图像为经过预处理的原始图像，经过预处理的图像裁剪为一个固定尺寸；2)对图像进行较大尺寸的卷积操作和池化操作；3)将步骤2)中输出的特征送入第一个密集权重连接模块；4)加权组合处理；5)将步骤3)中密集权重连接块的输出继续送入下一个卷积层与池化层，此时的特征图像将近一步缩小；在经过多次密集权重连接块、卷积层、池化层的组合后，特征图像将不断组合并缩小为特征点；得到的特征点直接送入分类层进行分类或送入全连接层后再进行分类。本发明应用于更加复杂的图像分类任务，对多层特征的融合增加了更多的前向通道，近一步避免了梯度问题的发生。
-
Patent Agency Ranking
公开(公告)号：CN108596961A
公开(公告)日：2018-09-28
申请号：CN201810342590.4
申请日：2018-04-17
Applicant: 浙江工业大学
Abstract: 一种基于三维卷积神经网络的点云配准方法，包括如下步骤：第一步：获取训练点云模型和待配准目标点云模型，计算其在观测方向上的深度图像；第二步：构建三维卷积神经网络模型，设定训练参数和损失函数，使用获取的数据集来训练网络，得到训练好的三维卷积神经网络模型；第三步：通过训练好的三维卷积神经网络模型来提取目标模型两视角下点云的特征点；第四步：根据提取到的特征点结合配准算法来计算两视角点云之间的配准参数。本发明具有良好的鲁棒性，可以在低分辨率、遮挡等条件不同的情况下准确的提取出点云的特征点。
-
公开(公告)号：CN107480649A
公开(公告)日：2017-12-15
申请号：CN201710733540.4
申请日：2017-08-24
Applicant: 浙江工业大学
Abstract: 一种基于全卷积神经网络的指纹汗孔提取方法，包括如下步骤：第一步：获取高清指纹图像，并对每幅指纹图像中的汗孔位置和脊线位置进行标注，对标注好的指纹图像进行数据增广，构成标注数据集；第二步：构建全卷积神经网络模型，设定初始参数和损失函数，使用标注好的数据集训练全卷积神经网络模型，得到训练好的全卷积神经网络模型；第三步：通过训练好的全卷积神经网络模型来预测测试指纹图片汗孔和脊线的初步区域概率；第四步：利用汗孔的特性从初步汗孔区域中去除伪汗孔区域，得到真正的汗孔区域及中心坐标。本发明通过全卷积神经网络来学习提取形态大小各异的汗孔特征，从而提高汗孔提取的正确率。
-
-
公开(公告)号：CN119470390A
公开(公告)日：2025-02-18
申请号：CN202510047999.3
申请日：2025-01-13
Applicant: 浙江工业大学
IPC: G01N21/65 , G06N3/0499 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于神经网络的拉曼光谱自动调节与重建方法，应用于拉曼光谱系统，所述基于神经网络的拉曼光谱自动调节与重建方法包括：按照预设的第一温度、预设的第一积分时间、预设的第一增益和预设的第一偏置采集得到第一拉曼光谱信号。本基于神经网络的拉曼光谱自动调节与重建方法通过自动调节模型，自动调节积分时间、偏置和增益，无需手动操作，有效提升了拉曼光谱系统的动态范围和信噪比，使弱拉曼光谱信号更容易被识别，增强了检测灵敏度，也提升了检测的动态范围；并且自动调节模型中通过对宽度模块与深度模块的加权，提升了自动调节模型输出的准确性和灵活性。
-
公开(公告)号：CN118135616B
公开(公告)日：2024-10-01
申请号：CN202410262213.5
申请日：2024-03-07
Applicant: 浙江工业大学
IPC: G06V40/12 , G06T7/40 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于无监督低光照非接触式指纹增强方法和装置，首先构建并训练无监督低光照非接触式指纹增强网络模型，所述无监督低光照非接触式指纹增强网络模型包括图像分解模块和纹理增强模块；然后非接触式采集指纹图像，输入到图像分解模块，获取指纹图像的光照分量、反射分量和噪声分量；最后重建反射分量，并将重建后的反射分量作为纹理增强网络模块的输入，获得纹理增强后的反射分量，对光照分量进行伽马变换，然后与纹理增强后的反射分量相乘，重建指纹图像。本发明提高非接触式指纹的照度，同时更加关注指纹的纹理结构，从而使增强后的指纹图像边缘区域纹理更加明显。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.073 seconds)
