一种深度学习并行化人脸识别方法

    公开(公告)号:CN108446661A

    公开(公告)日:2018-08-24

    申请号:CN201810280026.4

    申请日:2018-04-01

    Abstract: 本发明公开了一种基于数据扩增的深度学习并行化人脸识别方法,所述方法通过将人脸数据集进行数据扩增得到一个大规模的人脸数据集来提高人脸识别的准确率;然后将得到的大规模人脸数据集输入到改进的残差网络中进行深度学习,从而将人脸图像的特征转换为二进制哈希码以加快识别的效率;模型训练是在基于caffeonspark的分布式平台上进行的,从而减少模型训练时间;最后将得到的模型在LFW数据集上进行人脸验证来检验模型的泛化能力以及改进的残差网络的可行性。本发明能够提高人脸识别的准确率及识别效率。

    一种多径瑞利衰落信道下改善高阶累积量信号识别的方法

    公开(公告)号:CN107204949A

    公开(公告)日:2017-09-26

    申请号:CN201710432916.8

    申请日:2017-06-09

    Abstract: 本发明实施例公开了一种多径瑞利衰落信道下改善高阶累积量信号识别的方法,包括获取多径瑞利衰落信道下的接收信号并进行离散化处理,得到由随信号长度变化的多径信道因子序列、原始信号序列和高斯白噪声序列所形成的时域信号;将时域信号进行离散傅里叶变换成频域信号并通过均衡系数均衡处理后,利用离散傅里叶变换的逆变换得到由恢复信号序列和残留噪声序列所形成的时域信号;分别求解恢复信号序列的四阶累积量和二阶累积量,并根据分别得到的求解值,得到特征参数,且进一步根据特征参数,确定接收信号的当前信号类型。本发明实施例,克服现有基于高阶累积量的信号识别方法在多径瑞利衰落信道下失效,不利于应用到实际的问题。

    基于笔画流走向预测的书法机械臂控制方法及系统

    公开(公告)号:CN115056216A

    公开(公告)日:2022-09-16

    申请号:CN202210578175.5

    申请日:2022-05-26

    Abstract: 本发明公开了一种基于笔画流走向预测的书法机械臂控制方法,包括:通过拍摄设备采集书法机械臂写字区域内的图像信息;汇总图像信息和当前时间数据作为历史数据;将历史数据输入到预设的KNN模型中,历史数据聚类成若干簇,每个簇中包含有若干个数据样本,簇的数量由簇内的协方差要求及簇间的协方差要求设置,将得到的结果暂存在KNN模型中,然后增加当前实测数据重新进行聚类,将当前实测数据聚类到对应的簇中,将该数据所在簇中的n个数据A1~An与当前实测数据An+1一同输入到LSTM模型中;将历史数据输入到LSTM模型中初始化该模型;将KNN模型中得到的数据A1~An+1依次输入到训练好的LSTM模型中得到对应的输出值,取输出值的加权平均值作为结果输出。

    基于地理区域的社交网络最大影响力节点选取方法

    公开(公告)号:CN111782969A

    公开(公告)日:2020-10-16

    申请号:CN202010639752.8

    申请日:2020-07-06

    Abstract: 本发明公开了一种基于地理区域的社交网络中最大影响力节点的选取方法,所述方法将大型社交网络结构与地理信息相结合,采用四叉树索引与最大影响力树结构相结合的算法,选取查询区域内影响力最大的节点集,本发明可以高效选取出地理区域中影响力最大的种子节点集合。其中,使用四叉树索引结构来存储网络节点的位置信息,并使用深度优先搜索方法来识别给定查询区域中的候选对象;使用最大影响树状结构(MIA)计算每个候选节点的影响集并运行动态规划算法计算所有候选节点的影响力;再根据排序迭代弹出最大堆中具有最大影响值的候选节点作为最大影响力种子节点。

    一种基于数据增强的车辆图像检索方法

    公开(公告)号:CN111694977A

    公开(公告)日:2020-09-22

    申请号:CN202010532683.0

    申请日:2020-06-12

    Abstract: 本发明公开了一种基于数据增强的车辆图像检索方法,该方法是使用多尺度Retinex算法对现有的公开车辆图像数据进行数据增强,得到一个大规模车辆图像数据集;其次,使用卷积神经网络构建车辆图像检索模型并在增强后的数据集上进行训练,同时采用迁移学习的方法缩短模型的训练周期;最后,选择分类效果表现最好的模型作为特征提取引擎在检索测试集上进行模型评价。该方法解决了车辆图像缺乏和人为标注等带来的影响,在一定程度上可以增加模型的准确率和泛化能力。使用迁移学习的方法加快模型收敛的速度,减少训练的时间,提高车辆图像检索的准确率。

    一种融合注意力机制的深度哈希车辆图像检索方法

    公开(公告)号:CN111694974A

    公开(公告)日:2020-09-22

    申请号:CN202010532689.8

    申请日:2020-06-12

    Abstract: 本发明公开了一种融合注意力机制的深度哈希车辆图像检索方法,目的是为了提高车辆图像检索的准确率。由于数据量的增大和特征维数的增高所带来庞大计算量及获取特征向量中包含较多的干扰因素导致精确度低的问题。本发明针对该问题,引入注意力机制,提出了融合注意力机制的残差网络深度哈希模型,该模型借助注意力机制来识别车辆图像中多个目标对象的近似位置,以获得一个更为专注的特征表示。同时,本发明引入类别交叉熵损失函数来解决融入注意力机制的模型学习。

    一种跨模态图文检索方法
    27.
    发明公开

    公开(公告)号:CN110457516A

    公开(公告)日:2019-11-15

    申请号:CN201910741822.8

    申请日:2019-08-12

    Abstract: 本发明公开了一种基于栈式跨模态自编码器的跨模态图文检索方法,其主要目的是提高跨模态图文检索的精确度。首先,对图像和文本数据进行预处理,得到图像特征和文本特征,再通过两层受限玻尔兹曼机,提取单模态表示;其次,通过构建深层次的栈式跨模态自编码器,挖掘模态间的相关性;最终,训练模型并得到模型文件,在验证集上完成跨模态图文检索任务。本发明在实现了图文检索中常用的两种检索任务(以图检文和以文检图)的基础上,还能实现输入一种模态数据返回多种模态数据,在三个跨模态图文检索数据集上提升了模型检索精确度和泛化能力。

    一种单图像超分辨率方法
    28.
    发明公开

    公开(公告)号:CN110246085A

    公开(公告)日:2019-09-17

    申请号:CN201910425646.7

    申请日:2019-05-21

    Abstract: 本发明公开了一种单图像超分辨率方法,所述方法中的图像重建模型将传统的单通式重建结构改为并行式结构,使用浅层和深层两种超分辨率网络,利用两网络的深浅差异,将图像超分辨率过程人为划分为主体重建和细节重建部分,可以将超分辨率任务进一步细分,使得以浅层网络为核心的主体重建结构可以专注于对图像底层内容的处理,以深层网络为核心的细节重建结构可以专注于对图像高层内容的处理。本发明不仅可应用至其他基于深度学习的端到端单图像超分辨率模型,有效降低该单图像超分辨率模型的训练开销,同时提升准确率,更适用于特征提取阶段中图像尺寸不会被压缩的残差网络结构。

    基于深度学习的手部关键点检测方法

    公开(公告)号:CN110222558A

    公开(公告)日:2019-09-10

    申请号:CN201910325729.9

    申请日:2019-04-22

    Abstract: 本发明公开了一种基于深度学习的手部关键点检测方法,所述方法包括了CPMs卷积神经网络和GoogLeNet神经网络模型。所述CPMs卷积神经网络中,保留stage1中的数据层和最后七个卷积层,将stage1中的其他层剔除掉。所述GoogLeNet神经网络模型中,选用其前13网络层,并删除其中的数据层和inception(3b)后面的max pool层。将所述CPMs卷积神经网络和所述GoogLeNet神经网络模型结合起来,修改每一层的bottom属性、top属性的名称,使得层与层之间能够链接起来。本发明改进了网络模型结构,提高了关键点检测的准确度和减小了模型训练的代价(训练时间等),减少了模型参数得以加快检测速度。

    基于船载导航雷达和光电平台的船只目标观测方法及系统

    公开(公告)号:CN107562923A

    公开(公告)日:2018-01-09

    申请号:CN201710824423.9

    申请日:2017-09-13

    Abstract: 本发明公开了一种基于船载导航雷达和光电平台的船只目标观测方法及系统,包括:值班记录模块保存图片和视频信息,并与生成的值班记录的文字性描述自动进行关联;光电取证回放模块针对关联的图片与视频信息进行条件搜索并进行选择性浏览或回放;日志管理模块针对事件属性构建索引并结合数据库字段查询得到联合搜索结果,以列表和电子海图两种方式显示。本发明实现了基于船载导航雷达引导的光电摄像头转向自动控制,以及面向文本、图像、视频等多种不同类型数据的数据检索,采用搜索引擎技术,通过设计全文检索系统,突破传统数据库在解决跨字段模糊查询的效率和准确性不高的问题,准确实现文本、图像、视频等多种不同类型数据的数据检索。

Patent Agency Ranking