-
公开(公告)号：CN107067027B
公开(公告)日：2020-06-23
申请号：CN201710135040.0
申请日：2017-03-08
Applicant: 同济大学
Abstract: 本发明涉及一种基于光滑多示例学习的目标识别方法，包括样本训练步骤和目标识别步骤，样本训练步骤为：提取训练图片的示例特征；根据示例特征，进行光滑处理得到示例相关的连续概率模型；根据示例相关的连续概率模型进行训练，得到训练权重w；目标识别步骤为：提取待检测图片的示例特征；根据待检测图片的示例特征和训练权重，计算确定待检测图片中是否存在需要识别的目标。与现有技术相比，本发明具有识别效率高、识别准确率高以及识别效果好等优点。
-
公开(公告)号：CN111259850A
公开(公告)日：2020-06-09
申请号：CN202010076639.3
申请日：2020-01-23
Applicant: 同济大学
Abstract: 本发明涉及一种融合随机批掩膜和多尺度表征学习的行人重识别方法，包括：构建行人重识别训练网络；按照预设训练参数进行网络超参数调节，得到学习网络；屏蔽多尺度表征学习和随机批掩膜分支，得到测试网络，将测试集输入测试网络后得到对应测试识别结果；判断测试识别结果准确率是否大于或等于预设值，若判断为是，则将实际数据集输入学习网络，否则重新训练网络；最后屏蔽多尺度表征学习和随机批掩膜分支，得到应用网络，将查询图像输入应用网络后得到对应的识别结果。与现有技术相比，本发明使用随机批掩膜策略、多尺度表征学习以及损失函数联合训练，能够捕获行人图像更细节性的判别力特征，并提取到局部的重要的被抑制的特征。
-
公开(公告)号：CN110008842A
公开(公告)日：2019-07-12
申请号：CN201910177443.0
申请日：2019-03-09
Applicant: 同济大学 , 合肥工业大学 , 北京易华录信息技术股份有限公司
Abstract: 本发明涉及一种基于深度多损失融合模型的行人重识别方法，该方法使用深度学习技术，对训练集图片进行翻转、裁剪、随机擦除以及风格迁移等预处理操作，然后经过基本网络模型进行特征提取，在使用多个损失函数进行融合联合训练网络，与基于深度学习的行人重识别算法相比较，本发明因采用多种预处理方式、三种损失函数的融合以及有效的训练策略，大大提高了在数据集上行人重识别的性能，一方面，多种预处理方式可以扩展数据集，提高模型泛化能力，避免过拟合情况的发生，另一方面，三种损失函数各有自己的优缺点，当对其进行有效结合时，使得所使用的模型能够获取更好的识别结果。
-
公开(公告)号：CN109871905A
公开(公告)日：2019-06-11
申请号：CN201910193743.8
申请日：2019-03-14
Applicant: 同济大学
Abstract: 本发明涉及一种基于注意力机制深度模型的植物叶片识别方法，包括步骤：1)通过裁剪、翻转、旋转、加噪声方式扩充植物叶片图片数据集，通过基础网络模型提取图片特征；2)通过压缩得到特征中不同通道的通道描述子，再通过萃取得到不同通道的权重，将各通道根据相应的权重进行缩放，得到输入图片的全局特征图谱；3)将特征通过特殊的卷积层操作提取输入图片的局部特征；4)结合全局特征和局部特征获得网络最终的损失函数并对网络进行训练；5)移除网络模型的Softmax层，融合全局特征和局部特征得到的类别概率，获取植物叶片的识别类别。与现有技术相比，本发明具有模型识别的准确率高、提高收敛速度等优点。
-
公开(公告)号：CN106803093A
公开(公告)日：2017-06-06
申请号：CN201611107938.9
申请日：2016-12-06
Applicant: 同济大学
CPC classification number: G06K9/6269 , G06F16/24 , G06T2207/20081 , G06T2207/30188
Abstract: 本发明涉及一种基于叶片纹理特征和iOS平台的植物物种识别方法，该方法采用C/S架构，以iOS手机平台为客户端，以计算机为服务器端，所述的客户端用于采集叶片图像、向服务器端发送识别请求和展示植物物种信息数据库，所述的服务器端用于提取叶片图像的特征向量、对叶片图像分类识别、构建植物物种信息数据库和向客户端发送物种信息数据。与现有技术相比，本发明具有识别效率高、准确率高的优点。
-
Patent Agency Ranking
公开(公告)号：CN106682963A
公开(公告)日：2017-05-17
申请号：CN201611250239.X
申请日：2016-12-29
Applicant: 同济大学
CPC classification number: G06Q30/0631 , G06Q30/0271
Abstract: 本发明涉及一种基于凸优化局部低秩矩阵近似的推荐系统数据补全方法，包括以下步骤：1)根据推荐系统中用户对产品的评分构建推荐系统数据矩阵M，用户对产品未评分的数据在M中以0元素表示；2)选取锚点，采用核光滑方法将所述推荐系统数据矩阵划分为若干个局部矩阵，局部矩阵的个数与所述锚点的个数相同；3)根据凸优化局部低秩矩阵近似算法求解矩阵补全模型，根据所述矩阵补全模型补全矩阵M中的0元素，得到补全之后的推荐系统数据矩阵X。与现有技术相比，本发明能够在保证运算速度与准确性的条件下，完成推荐系统矩阵数据补全。
-
公开(公告)号：CN206193829U
公开(公告)日：2017-05-24
申请号：CN201620711977.9
申请日：2016-07-07
Applicant: 同济大学
IPC: G06K9/00
Abstract: 本实用新型涉及一种基于Android的叶片图像植物自动识别装置，用以根据植物的叶片特征进行植物物种识别，所述装置包括通过无线网络互相连接的Android客户端和服务器，所述Android客户端包括图像采集模块、图像处理识别模块、人机交互界面、客户端存储器、定位模块和客户端网络通信器，所述图像处理识别模块分别与图像采集模块、人机交互界面、客户端存储器、定位模块和客户端网络通信器连接，所述客户端网络通信器与服务器连接。与现有技术相比，本实用新型具有自动识别、自动定位、便于分享、结构简单、易于携带操作、识别精度高以及处理高效等优点。
-
公开(公告)号：CN203414962U
公开(公告)日：2014-01-29
申请号：CN201320438588.X
申请日：2013-07-22
Applicant: 同济大学
IPC: G06K9/00
Abstract: 本实用新型涉及一种基于智能终端的植物叶片识别装置，包括智能终端、数据库服务器及应用服务器，所述智能终端包括操作模块、图像采集器、图像处理器及图像传输器，所述操作模块、图像采集器、图像处理器、图像传输器依次连接，所述图像传输器分别与数据库服务器和应用服务器连接。本实用新型对采集到的植物叶片图像进行分析处理，将图像采集、分割、展示、分类、存储、检索等功能集成于一体。与现有技术相比，本实用新型携带方便，适于野外工作者对大自然叶片进行采集；注重人机交互，操作容易；图像处理实时、高效。
-
公开(公告)号：CN206236168U
公开(公告)日：2017-06-09
申请号：CN201621186731.0
申请日：2016-11-04
Applicant: 同济大学
IPC: G06T5/00
Abstract: 本实用新型涉及一种植物叶片图像补全装置，包括客户端、服务器端和辅助补全拍照器，客户端包括中央处理器、图像采集器、液晶触摸显示屏、数据存储器和第一网络通信器，服务器端包括图像处理器、图像补全恢复器和第二网络通信器，第一网络通信器通过无线网络连接第二网络通信器，辅助补全拍照器包括夹持壳体、摄像头定位圈、叶片范围发射灯圈、测距器和数据线，摄像头定位圈设于夹持壳体上，夹持壳体夹持于客户端上，摄像头位于摄像头定位圈内，叶片范围发射灯圈套设于摄像头定位圈上，测距器设于摄像头定位圈上。与现有技术相比，本实用新型具有自动补全图像、结构简单、展示效果好、携带方便、操作容易、处理快速高效、精度高等优点。
-
公开(公告)号：CN203894771U
公开(公告)日：2014-10-22
申请号：CN201420047562.7
申请日：2014-01-24
Applicant: 同济大学
Abstract: 本实用新型涉及一种植物物种自动识别装置，包括相连接的客户端和服务器端，所述的客户端包括依次连接的图像采集器、图像处理器、网络通信器和人机界面，所述的服务器端包括数据库服务器和应用服务器，所述的应用服务器分别连接数据库服务器和网络通信器；所述的图像采集器包括摄像头、光传感器、曝光控制器、辅助摄像光源和存储卡，所述的摄像头与存储卡连接，所述的曝光控制器分别连接光传感器和辅助摄像光源。与现有技术相比，本实用新型具有携带方便、操作容易、图像处理实时、高效等优点。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.018 seconds)
