-
公开(公告)号：CN111242156B
公开(公告)日：2022-02-08
申请号：CN201911104118.8
申请日：2019-11-13
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/75 , G06K9/62
Abstract: 本发明公开一种用于微血管瘤病历图像的超平面近邻分类方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，从处理后的眼底病历图像中提取出微血管瘤病历图像的病变区域；接着将微血管瘤病变的图像区域形态学特征、纹理特征及灰度特征转化为l维数据向量xi；然后将数据分为训练数据Xtr和测试数据Xte，通过对训练数据Xtr进行训练得到一个包括分类超平面Hyper、支持向量集合Xsv、距离阈值t、最近邻居个数k、和谱哈希编码码长nb的高效分类模型；最后测试数据Xte预测时依据测试样本到分类超平面Hyper的距离与距离阈值t的关系，分别采用支持向量机模型和融合谱哈希算法的近邻算法进行预测，并综合相关预测结果。本发明能对提取出的眼底病历中微血管瘤病历图像特征进行快速有效分类，具有较高的分类准确率，大大降低了微血管瘤病历图像特征分类的执行时间。
-
公开(公告)号：CN110176298B
公开(公告)日：2022-02-08
申请号：CN201910469264.4
申请日：2019-05-31
Applicant: 南通大学
IPC: G16H30/40 , G06V10/764 , G06V10/20 , G06V10/774 , G06V10/77 , G06K9/62
Abstract: 本发明公开一种用于糖尿病性眼底图像分类的核主成分谱哈希方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，将处理后的眼底图像数据转化为向量形式；接着采用核主成分分析算法提取出眼底图像数据中非线性特征信息；然后将数据转化为二值码形式，利用Laplace‑Beltrami算子的特征值和特征函数值表示出眼底图像样本数据；最后利用阈值将样本特征函数值转化为二值码，并运用最近邻算法在汉明空间进行糖尿病性眼底图像的有效分类。本发明能充分提取出复杂非线性糖尿病性眼底图像数据特征，具有较高的分类准确率，且能有效降低大规模眼底图像分类时计算的复杂度。
-
公开(公告)号：CN111242156A
公开(公告)日：2020-06-05
申请号：CN201911104118.8
申请日：2019-11-13
Applicant: 南通大学
IPC: G06K9/62
Abstract: 本发明公开一种用于微血管瘤病历图像的超平面近邻分类方法。该方法首先对糖尿病性眼底图像数据进行预处理和分割操作，从处理后的眼底病历图像中提取出微血管瘤病历图像的病变区域；接着将微血管瘤病变的图像区域形态学特征、纹理特征及灰度特征转化为l维数据向量xi；然后将数据分为训练数据Xtr和测试数据Xte，通过对训练数据Xtr进行训练得到一个包括分类超平面Hyper、支持向量集合Xsv、距离阈值t、最近邻居个数k、和谱哈希编码码长nb的高效分类模型；最后测试数据Xte预测时依据测试样本到分类超平面Hyper的距离与距离阈值t的关系，分别采用支持向量机模型和融合谱哈希算法的近邻算法进行预测，并综合相关预测结果。本发明能对提取出的眼底病历中微血管瘤病历图像特征进行快速有效分类，具有较高的分类准确率，大大降低了微血管瘤病历图像特征分类的执行时间。
-
公开(公告)号：CN109542355A
公开(公告)日：2019-03-29
申请号：CN201811440413.6
申请日：2018-11-28
Applicant: 南通大学
Abstract: 本发明公开了一种停车场云存储资源的信任计算方法，包括：步骤一：公云服务器接受用户车辆节点发出的存储资源请求信号，步骤二：公云服务器根据接受到的请求信号，步骤三：公云服务器向服务车辆节点发出服务信号，步骤四：重新建立新的车辆存储资源共享网络；步骤五：公云服务器对所述车辆存储资源共享网络中的服务车辆节点进行信任值更新。本发明能合理利用闲置存储资源，能避免网络恶意攻击，使得整个停车场的安全性能更好，交通对象势必是能够很好地确认相互之间的信任关系的，而信任值是一个动态变化的过程，随着交互行为的积累，信任会发生改变，形成一个良好的信任值更新。
-
公开(公告)号：CN119763355A
公开(公告)日：2025-04-04
申请号：CN202411888720.6
申请日：2024-12-20
Applicant: 南通大学
IPC: G08G1/0967 , G08G1/01 , G01C21/34 , G06Q10/04 , G06F17/16 , G06F17/18 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/08 , G06F18/25 , G06F18/213
Abstract: 本发明提供了一种稀疏性时空融合模块的车辆轨迹预测方法，属于智能交通和自动驾驶技术领域，解决了传统注意力机制缺乏对动态场景中关键交互特征精准聚焦的技术问题。其技术方案为：首先，从传感器中获取目标信息，将其作为节点构建出相应特征；其次，通过扩散卷积和tanh‑sigmoid结合的稀疏性时空注意力模块提取车道线和车辆特征；最后，通过全连接层预测出车辆轨迹。本发明应用扩散卷积和高效加性注意力对提取的特征进行空间和时间维度上的注意力强化，提高车辆轨迹预测的精度和实时性，能够掌握车辆的行驶路径，适用于自动驾驶和智能交通系统。
-
Patent Agency Ranking
公开(公告)号：CN119206855A
公开(公告)日：2024-12-27
申请号：CN202411197214.2
申请日：2024-08-29
Applicant: 南通大学
Abstract: 本发明提供了一种基于BASFPN多尺度特征融合的轻量级行人检测方法，属于人工智能和计算机视觉目标检测技术领域。解决了在小目标行人和被遮挡行人的检测方面存在的精度不高、鲁棒性不足的技术问题。包括以下步骤：S1：获取行人检测视频，预处理转为图像；S2：对获取的数据进行数据混合增强处理；S3：构建轻量级网络模型MobileViT作为模型的特征提取网络；S4：构建FCOS网络模型；S5：对于BASFPN特征金字塔层进行设计；S7：将数据集输入改进的模型中进行训练迭代。本发明通过改进FPN结构和融合策略，增强模型对不同尺度特征的利用和表达能力，从而提高行人检测的整体性能。
-
公开(公告)号：CN119046792A
公开(公告)日：2024-11-29
申请号：CN202411128411.9
申请日：2024-08-16
Applicant: 南通大学
IPC: G06F18/2415 , G06F18/25 , G06F18/214 , G06F18/22 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895 , G06F123/02
Abstract: 本发明提供了一种基于对比学习的多模态环境下通用人类活动识别方法，属于深度学习技术领域。解决了在测试域数据无法访问时模型的泛化性能的技术问题。其技术方案为：包括以下步骤：S1、时域和频域的数据增强；S2、多模态特征融合；S3、对比学习。本发明的有益效果为：在提升对未知数据域泛化能力的同时，提高了活动识别的准确率。
-
公开(公告)号：CN118013357A
公开(公告)日：2024-05-10
申请号：CN202410072656.8
申请日：2024-01-18
Applicant: 南通大学
IPC: G06F18/241 , G06F18/15 , G06F18/213 , G06F18/2415 , G06F18/25 , G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06F123/02
Abstract: 本发明属于深度学习技术领域，具体涉及一种基于时序分解实现人类日常活动识别的深度学习方法。本发明包括以下步骤：时序数据分解为季节项和周期项、可堆叠编码器提取多尺度时序特征、一个混合加权损失函数控制模型参数的偏向。本发明通过神经网络将时间序列数据分解成季节项与周期项，通过时序分解，可以识别出时间序列中的周期成分，了解数据的整体变化趋势，还可以发现数据中存在的季节性变化；其次，设计了一个可堆叠的多尺度特征提取网络层以便建模季节项与周期项各自的时序关系，然后设计一个混合加权损失函数，控制模型偏向季节或周期建模的力度，实现人类日常活动的识别，本发明方法与现有的一些深度学习方法相比，具有更高的识别准确率。
-
公开(公告)号：CN117133013A
公开(公告)日：2023-11-28
申请号：CN202310888260.6
申请日：2023-07-19
Applicant: 南通大学
IPC: G06V40/00 , G06V10/82 , G06V10/80 , G06V10/762 , G06V10/44 , G06V10/764 , G06N3/045 , G06N3/0442 , G06N3/0464
Abstract: 本发明提供了一种基于卷积与循环神经网络融合的人类活动识别方法，属于模式识别的人类活动识别技术领域。解决了传统方法没有充分考虑不确定性和模糊性信息的，在处理复杂的人类活动时性能会下降的技术问题。其技术方案为：包括以下步骤：步骤一、使用卷积和循环神经网络融合的多头卷积来提取特征；步骤二、使用模糊聚合层来融合所有卷积头部的输出，通过步骤一的处理，得到多个特征图；步骤三、使用模糊C均值聚类将CNN特征图映射到模糊数。步骤四、使用SVM做分类。本发明的有益效果为：本发明能更好地捕捉人类活动的动态特征，提高识别准确率和泛化能力，采用SVM作为分类器保证较高的分类准确率和鲁棒性。
-
公开(公告)号：CN116684305A
公开(公告)日：2023-09-01
申请号：CN202310704588.8
申请日：2023-06-14
Applicant: 南通大学
IPC: H04L41/147 , H04L41/14 , H04L41/16 , H04L41/142 , H04L9/40
Abstract: 本发明涉及于网络故障诊断技术领域，尤其涉及一种基于深度学习的网络安全诊断和预测方法，包括：S1、基于深度学习获取网络结构中的环境参数，对其进行提取特征预处理，并基于长短时记忆神经网络LSTM进行优化处理；S2、基于卷积神经网络CNN的异构无线网络故障诊断，采用监测模块基于事先选择的数目较少的网络特征参数,对获得的网络数据进行时序模式分析,并与网络数据库中的故障特征进行匹配，进而去预判故障发生的前兆。本发明从信息物理融合的角度分析网络安全问题的本质,选择CNN方法对网络安全进行诊断可以得到正确率较高的结果,从而使得技术员更好的采取保护网络安全的措施。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.032 seconds)
