-
公开(公告)号：CN108921006A
公开(公告)日：2018-11-30
申请号：CN201810414281.3
申请日：2018-05-03
Applicant: 西北大学
Abstract: 本发明公开了一种手写签名图像真伪鉴别模型建立方法及真伪鉴别方法，该方法通过掩模剪裁方式对签名图像进行预处理，通过分别提取签名图像基于SURF特征与基于笔划区域的P-ULBP特征的视觉词汇直方图，并将两个视觉词汇直方图进行拼接，构造最终的视觉词汇直方图，采用分类器构建手写签名图像真伪鉴别模型，再利用该模型进行图像真伪鉴别；其中通过掩模剪裁的方式，有效解决了当前方法原始图像细节信息丢失的问题，最大程度的保留了图像签名部位的信息；通过提取P-ULBP特征，有效的解决了传统ULBP算子在签名图像特征提取中，有效信息实际占比低的问题，提高了离线手写签名真伪鉴别方法的鲁棒性。
-
公开(公告)号：CN105227810B
公开(公告)日：2018-10-23
申请号：CN201510293283.8
申请日：2015-06-01
Applicant: 西北大学
Abstract: 本发明公开了一种基于BIBAVR算法的自动聚焦头盔摄像机，提出了一种无参考图像清晰度评价算法BIBAVR，基于该算法又提出了一种自动聚焦算法，最后，应用无参考图像清晰度评价算法和自动聚焦算法提出了一种自动聚焦头盔摄像机。头盔摄像机包括自动聚焦的照相模式和快速去模糊的摄像模式。头盔摄像机主要由无线遥控器、蓄电池、图像传感器、电动对焦镜头、电机驱动模块、Si4432无线模块、WIFI模块、MicroSD卡模块以及控制电路板组成。无线遥控通过无线信号与头盔摄像机相连，完成对所述头盔摄像机工作模式的切换。图像传感器负责采集图像及视频，最终将清晰的图像传送至监控器或者主机端。
-
公开(公告)号：CN108304863A
公开(公告)日：2018-07-20
申请号：CN201810031476.X
申请日：2018-01-12
Applicant: 西北大学
Abstract: 本发明提供了一种利用学习不变特征变换的兵马俑图像匹配方法，包括以下步骤：步骤1，选择任意一幅兵马俑图像作为输入兵马俑图像，提取输入兵马俑图像的所有特征点；步骤2，得到特征点分布曲线，将特征点分布曲线划分为头部区域和躯干区域；步骤3，得到头部区域的特征点集合和躯干区域的特征点集合，在每两个视图中分别对头部区域和躯干区域的特征点进行匹配。在特征提取方面，本发明训练数据集较大，并且加入了空间不变网络模型，得到更鲁棒的特征，克服了兵马俑表面特征间的相似性问题；在图像匹配方面，本发明将提取出的特征分为头部和躯干两个区域，缩小了匹配时间，减少了误匹配率。
-
公开(公告)号：CN106845384A
公开(公告)日：2017-06-13
申请号：CN201710031563.0
申请日：2017-01-17
Applicant: 西北大学
Abstract: 本发明公开了一种基于递归模型的手势识别方法，该方法的基本步骤包括：1.对静态、动态手势图像进行预处理；2.提取静态、动态手势空间序列；3.根据手势空间序列，构造手势递归模型；4.通过手势递归模型进行手势分类。本发明通过将手势空间序列转化为递归模型的形式，有效的解决了获取的手势空间序列长度不同和序列点数据值存在不可比所等引起的问题，提高了手势识别算法的鲁棒性。
-
公开(公告)号：CN113033808B
公开(公告)日：2024-01-19
申请号：CN202110250870.4
申请日：2021-03-08
Applicant: 西北大学
IPC: G06N5/022 , G06N3/0442 , G06N3/0499 , G06N3/08 , G06F17/18
Abstract: 本发明属于知识追踪领域，公开了一种基于习题难度和学生能力的深度嵌入知识追踪方法，包括S1构建深度知识追踪模型：在所述的深度知识追踪模型中还融入习题难度特征和学生能力特征；S2预测学生表现：融合注意力机制，利用步骤一构建的深度知识追踪模型对学生表现进行预测。本发明相比传统知识追踪方法，考虑到了习题难度和学生能力的不同对学生答题情况的影响，并通过注意力机制使模型将更多的注意力放在具有相似习题难度和学生能力的答题记录上，提高了预测的准确性。本发明不仅提升了知识追踪的准确性，同时还可以在后续习题推荐应用中使用，提高了应用的效果。
-
Patent Agency Ranking
公开(公告)号：CN113222113B
公开(公告)日：2023-10-31
申请号：CN202110417190.7
申请日：2021-04-19
Applicant: 西北大学
IPC: G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于反缩放卷积层的信号生成方法及装置，该方法首先初始化反缩放卷积层，并将待处理的类频谱特征图输入反缩放卷积层；对初始化反缩放卷积层的卷积核与类频谱特征图的首层系数进行移位乘加操作，然后不断对卷积核进行下采样并与类频谱特征图的后续层系数继续进行移位乘加操作，直至遍历完类频谱特征图的所有层，最后将各移位乘加操作的计算结果逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果。本发明能充分考虑目标信号本身时频特性、能充分综合类频谱特征图中不同类时频分量能量、无需信号对齐、可处理变长信号、兼容现有深度学习框架。
-
公开(公告)号：CN111898803B
公开(公告)日：2023-10-24
申请号：CN202010656451.6
申请日：2020-07-09
Applicant: 西北大学
Abstract: 本发明公开了一种习题预测方法、系统、设备及存储介质，包括从答题记录模型中获取答题记录信息，构建答题记录三元组向量模型；从习题‑知识点关联模型中获取习题‑知识点关联信息，基于答题记录三元组向量模型R和习题‑知识点关联模型生成习题难度模型和学生能力模型；由答题记录三元组向量模型R、习题难度和学生能力模型得到损失函数，由损失函数迭代更新至迭代次数达到上限，得到学生‑因子矩阵元素和习题‑因子矩阵元素；将学生‑因子矩阵元素和习题‑因子矩阵元素进行元素乘积运算，得到习题预测模型，生成预测习题。本发明解决现有技术中存在的无法自适应学生学习进度，知识点掌握水平动态变化，而实现习题个性化预测的技术问题。
-
公开(公告)号：CN116301364A
公开(公告)日：2023-06-23
申请号：CN202310231591.2
申请日：2023-03-10
Applicant: 西北大学
IPC: G06F3/01 , G06F3/0354 , G06F40/30 , G16H50/20 , G06N3/0442
Abstract: 本申请涉及一种基于鼠标轨迹的医学影像阅片交互行为预测方法，通过对医学影像阅片鼠标交互轨迹进行分段及语义注释，实现鼠标轨迹局部语义的识别，有效地获得了用户在医学影像阅片交互过程中不同时段的交互行为信息；通过融合交互行为多特征信息及注意力机制进行下一交互行为预测，提高了对交互行为历史序列信息的利用率及序列建模的有效性，提升了预测性能。本申请从对医生医学影像阅片交互过程优化的角度出发，基于鼠标交互轨迹实现用户医学影像阅片行为的识别及预测，为研究与开发能够更大程度上帮助影像科医生提高阅片诊断效率和准确率的新型医学影像阅片系统提供理论与实验基础。
-
公开(公告)号：CN112836593B
公开(公告)日：2023-06-20
申请号：CN202110052255.2
申请日：2021-01-15
Applicant: 西北大学
IPC: G06F18/213 , G06F18/25 , G06F18/24 , G06N3/0464
Abstract: 本发明公开了一种融合先验与自动脑电特征的情绪识别方法及系统，该方法首先从原始脑电信号中提取与情绪相关的不同频率的差分熵特征，然后将其映射为差分熵矩阵并拼接为空频特征矩阵后作为数学驱动的先验情绪特征；同时通过缩放卷积层自动提取原始脑电信号中的时频域信息作为数据驱动的自动脑电情绪特征；再将先验情绪特征与自动脑电情绪特征进行变换后拼接，再进行融合，提取其高阶语义特征，最后送入柔性最大值激活函数对情绪进行识别分类。本发明提供了一种能结合先验知识与数据驱动、可同时建模时空频域信息、提高情绪识别的智能与普适性的情绪识别的方法。
-
公开(公告)号：CN110059716B
公开(公告)日：2023-06-02
申请号：CN201910185497.1
申请日：2019-03-12
Applicant: 西北大学
IPC: G06Q10/04 , G06Q50/20 , G06F18/2411 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明提供了CNN‑LSTM‑SVM网络模型的构建及MOOC辍学预测方法：对待预测学生的原始在线学习记录处理，采用训练好的辍学预测的CNN‑LSTM‑SVM网络，得到待预测学生的辍学状态；还公开了基于MOOC辍学预测的CNN‑LSTM‑SVM网络的构建方法：通过对已知学生的原始在线学习行为记录进行处理，得到多个时间片矩阵，根据时间片矩阵进行网络训练，得到训练好的CNN‑LSTM网络；最终得到训练好的辍学预测的网络；本发明能够自动提取有效行为区域内的局部特征和区间内的序列特征，实现待预测学生是否辍学的预测，预测能力增强。
-
-
-
-
-
-
-
-
-
Search Results
160
records
(took 0.021 seconds)
