公开(公告)号：CN102722876A

公开(公告)日：2012-10-10

申请号：CN201210170038.4

申请日：2012-05-29

Applicant: 杭州电子科技大学

Inventor： 陈华华

IPC: G06T5/50 ,  G06T3/40

Abstract: 本发明涉及一种基于残差的图像超分辨率重建方法。本发明的具体步骤是：首先，计算原高分辨率图像与低分辨率图像经插值放大后的图像之间的残差；其次，以低分辨率图像样本特征和对应图像残差建立样本对，以低分辨率样本为基准采用K-均值对样本对进行分类，并对每一类样本对采用K-SVD方法进行训练获得低分辨率样本与图像残差的字典对；最后，根据测试样本与类中心的欧氏距离选择字典对，将与测试样本具有相近欧氏距离的各类别所重建的图像残差求加权和作为重建的最终图像残差，并结合低分辨率图像的插值结果获得高分辨率图像。本发明只需重构图像残差，结合插值图像即可重建高分辨率图像,提高了高分辨率图像边缘细节处的重建结果。

公开(公告)号：CN102622884A

公开(公告)日：2012-08-01

申请号：CN201210077839.6

申请日：2012-03-22

Applicant: 杭州电子科技大学

Inventor： 陈华华 ,  陈伟强

IPC: G08G1/01 ,  G06T7/20

Abstract: 本发明涉及一种基于跟踪的车辆违章掉头行为检测方法。本发明的具体步骤是：首先在道路的右边选取一个兴趣区域，该兴趣区域包含道路中所有的右车道，并提取进入该兴趣区域的车辆的位置作为候选违章掉头车辆的起始位置区域；对道路兴趣区域中检测到的车辆进行MeanShift跟踪，记录视频的每一帧中车辆的坐标位置；对车辆在交通场景中的历史坐标进行分析，根据被跟踪到的车辆在行驶过程中其车辆区域历史坐标值与行驶方向的特点判定车辆是否发生违章掉头行为。本发明无需对违章掉头时经过的多个车道及车辆的复杂运动过程进行分析，简化了检测方法。

公开(公告)号：CN101872502B

公开(公告)日：2012-01-25

申请号：CN201010180671.2

申请日：2010-05-21

Applicant: 杭州电子科技大学

Inventor： 陈华华

IPC: G07D7/20

Abstract: 本发明涉及一种基于稀疏表示的硬币图像识别方法。现有的图像识别方法识别效果不好。本发明的具体步骤是：首先获得硬币正反面的灰度图像，进行预处理确定硬币区域，标准化硬币图像大小；将训练样本图像扩展成多个角度样本并筛选出最主要的训练样本，将测试硬币样本表达为训练样本集合的稀疏表示，求解最佳的稀疏系数矢量；重建测试硬币图像，利用重建误差确定硬币图像类别；然后利用稀疏系数矢量的统计特性鉴别硬币的真假。本发明无需提取具有旋转不变性的硬币表面特征即可识别硬币图像，方法实现简单。

公开(公告)号：CN101872502A

公开(公告)日：2010-10-27

申请号：CN201010180671.2

申请日：2010-05-21

Applicant: 杭州电子科技大学

Inventor： 陈华华

IPC: G07D7/20

Abstract: 本发明涉及一种基于稀疏表示的硬币图像识别方法。现有的图像识别方法识别效果不好。本发明的具体步骤是：首先获得硬币正反面的灰度图像，进行预处理确定硬币区域，标准化硬币图像大小；将训练样本图像扩展成多个角度样本并筛选出最主要的训练样本，将测试硬币样本表达为训练样本集合的稀疏表示，求解最佳的稀疏系数矢量；重建测试硬币图像，利用重建误差确定硬币图像类别；然后利用稀疏系数矢量的统计特性鉴别硬币的真假。本发明无需提取具有旋转不变性的硬币表面特征即可识别硬币图像，方法实现简单。

公开(公告)号：CN118820762A

公开(公告)日：2024-10-22

申请号：CN202410799944.3

申请日：2024-06-20

Applicant: 杭州电子科技大学平湖数字技术创新研究院有限公司

Inventor： 宋瑛沛 ,  郭春生 ,  应娜 ,  陈华华 ,  叶学义

IPC: G06F18/2132 ,  G06F18/2136 ,  G06F18/214

Abstract: 本发明提出了一种基于动态调整多采样区域的低维K中心数据遴选的方法及系统。方法包括：S1、根据损失预测网络度量未选择训练数据集中样本不确定性；S2、根据样本的不确定性对未选择的训练数据集中的样本进行排序；S3、根据排序后的结果，将未选择训练数据集中样本按不确定性划分为不确定性最大和不确定性渐进多个采样区域；S4、迭代过程中动态调整区域权重调整多个采样区域的大小；S5、将多采样区域内样本特征投影到低维空间；S6、在低维空间中K中心贪婪采样，选择出具有代表性的样本添加到训练子集；S7、根据S6中的训练子集训练目标模型和损失预测网络，并根据训练后的损失预测网络，执行S1到S6，直到训练子集样本数量达到预先设定个数。

公开(公告)号：CN117838053A

公开(公告)日：2024-04-09

申请号：CN202410091517.X

申请日：2024-01-23

Applicant: 杭州电子科技大学

Inventor： 许宏宇 ,  应娜 ,  李鸿宇 ,  陈华华

IPC: A61B5/00 ,  A61B5/0205 ,  A61B5/1455 ,  G06F18/25 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/082

Abstract: 本发明公开了一种多模态多分辨率睡眠呼吸暂停自动检测方法，包括如下步骤：S1、提取多导睡眠图信号中血氧饱和度信号、鼾声信号、心率信号并进行预处理；S2、预处理后得到的信号片段关联实际数据的对应标签；S3、对数据集进行数据增强和随机处理；S4、将分帧后的信号片段通过多通道残差连接进行多维特征提取，得到分帧后的多通道数据特征；S5、采用两种融合策略得到分类结果：(1)将所述特征输入融合特征层；(2)将所述特征输入融合决策层；构建可调整通道数及检测分辨率的多通道多分辨率网络。该方法通过对多导睡眠图信号进行滤波、分帧处理，并结合多通道数据特征的深度神经网络训练，实现了多通道单分辨率网络的构建。

公开(公告)号：CN112381179B

公开(公告)日：2024-02-23

申请号：CN202011436576.4

申请日：2020-12-11

Applicant: 杭州电子科技大学

Inventor： 王静 ,  郭春生 ,  应娜 ,  陈华华

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明公开了一种基于双层注意力机制的异质图分类方法，包括步骤：S11.对不同类型节点的特征向量进行映射操作，得到目标节点和与目标节点相对应的邻域节点在同一实体空间的特征向量；S12.根据得到的特征向量，并基于双层注意力中的类型级注意力和节点级注意力，从类型级注意力到节点级注意力自顶向下地学习不同类型邻居和不同相邻节点间的权重；S13.根据得到的权重构建异质图，得到分类模型；S14.将测试数据输入至得到的分类模型中，输出最终分类结果。

公开(公告)号：CN117115888A

公开(公告)日：2023-11-24

申请号：CN202311066826.3

申请日：2023-08-23

Applicant: 杭州电子科技大学

Inventor： 张翔 ,  陈华华 ,  郭春生 ,  应娜 ,  叶学义

IPC: G06V40/16 ,  A61B5/08 ,  A61B5/00 ,  G06V20/40 ,  G06V10/774 ,  G06V10/82 ,  G06V10/42 ,  G06V10/44 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于注意力的三维卷积神经网络和变换器的呼吸率估计方法及系统，变换器用于捕捉人脸视频的长期依赖关系和全局特征，三维卷积神经网络用于提取人脸细微颜色变化，并在其中引入局部注意力模块提高特征提取能力。方法包括如下步骤：1)数据预处理阶段：将原始人脸视频分解为人脸图像帧集合，将集合分为训练集和测试集，同时对人脸图像帧进行人脸检测以及人脸裁剪，最后进行数据归一化；2)训练阶段：首先基于三维卷积神经网络和变换器构建模型，然后基于训练集完成模型训练；3)测试阶段：使用训练好的模型基于测试集进行模型性能测试，获取人脸视频对应的呼吸率。本发明提高了从人脸视频估计呼吸率的准确性。

公开(公告)号：CN116882485A

公开(公告)日：2023-10-13

申请号：CN202310873822.X

申请日：2023-07-17

Applicant: 杭州电子科技大学

Inventor： 叶学义 ,  杨梦豪 ,  曾懋胜 ,  李刚 ,  陈华华

IPC: G06N3/094 ,  G06N3/0475 ,  G06T11/00

Abstract: 本发明公开了一种基于功率谱损失的GAN类生成图像的优化方法，首先确定需要进行优化的生成图像对应的GAN类生成网络；计算生成图像的功率谱损失；将功率谱损失加入原有GAN类生成网络的对抗损失中，对原有GAN类生成网络进行再一次训练；最后通过再一次训练后的GAN类生成网络生成优化后的生成图像。本发明方法针对GAN类生成图像的二维功率谱曲线甚高频部分的上翘，仅在GAN类生成器原有的对抗损失中添加功率谱损失，而训练过程中其它因素都不变的条件下，不仅能在一定程度上优化生成图像的二维功率谱曲线，同时也能提高生成图像的质量。

公开(公告)号：CN116563587A

公开(公告)日：2023-08-08

申请号：CN202310467195.X

申请日：2023-04-25

Applicant: 杭州电子科技大学

Inventor： 郭春生 ,  吴松 ,  杨萌 ,  应娜 ,  陈华华

IPC: G06V10/762 ,  G06V10/82 ,  G06N3/042 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/088

Abstract: 本发明公开了基于Sliced‑Wasserstein距离的图卷积结构深度嵌入式聚类方法及系统，方法如下：构造邻接矩阵；构造自编码器模块；构造GCN模块和自编码器模块的集成网络；构造聚类模块中的聚类分配优化函数；构造聚类模块中的KL损失优化函数、GCN损失优化函数；将自编码器模块、GCN模块和聚类模块联合，构造基于Sliced‑Wasserstein距离的图卷积结构深度嵌入式聚类网络；数据集输入聚类网络中进行迭代训练，当达到精度或训练次数时，聚类网络终止训练，完成聚类。本发明将图像的结构信息集成到深度聚类中，提出了一种新的结构性深度聚类网络，这种结构揭示了样本之间潜在的相似性，从而为特征表示学习提供有价值的指导，使得学习到的特征表示信息更加丰富。