-
公开(公告)号：CN109102025A
公开(公告)日：2018-12-28
申请号：CN201810932825.5
申请日：2018-08-15
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习联合优化的行人重识别方法，步骤为：步骤1、采集筛选数量均衡的正负行人样本对，构建数据集；步骤2、构建深度学习的Siamese神经网络结构模型，包括两路前端卷积神经网络和多层级特征融合模块，将正负行人样本输入模型，提取得到两路不同的行人的Hyper特征；步骤3、将两路不同行人的Hyper特征送入分类网络和验证网络，联合分类网络和验证网络，联合分类损失函数和验证损失函数，优化神经网络结构模型参数。该方法联合采用深度卷积神经网络和HyperNet网络，提取多尺度的特征增强对行人目标的检测能力，联合验证模型和分类模型优化网络结构，得到性能优越的行人重识别神经网络结构模型。
-
公开(公告)号：CN109101975A
公开(公告)日：2018-12-28
申请号：CN201810947884.X
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于全卷积神经网络的图像语义分割方法，涉及图像语义分割和深度学习领域，包括如下步骤：选择训练数据集；构建并训练由图像到类别标签的分类模型，并将其作为语义分割模型前端网络；前端网络每个块输出的特征图分别经过细节保留池化层降采样成统一大小，然后将这四个输出特征图串联，并通过特征重校正模块，重新校正特征图后，将得到的特征图传入后端网络；后端网络是主要负责图像上采样，在经过上采样之后，再经过一个变权重的全局池化，最后与训练数据集的语义标注图像计算交叉熵，进行误差反向传播。本发明解决了现有技术中的图像分割准确率较低的问题。
-
公开(公告)号：CN106777954A
公开(公告)日：2017-05-31
申请号：CN201611128430.7
申请日：2016-12-09
Applicant: 电子科技大学
IPC: G06F19/00
Abstract: 本发明公开一种空巢老人健康的智能监护系统和方法，所述智能监护系统包括:多模式实时检测模块，用于采集空巢老人的多模式健康数据，判定紧急异常事件；大数据分析模块，用于分析所述健康数据，建立健康状态模型，预警异常状态；所述4G网络响应模块用于实时推送所述紧急异常事件和所述异常状态，与用户操作终端实现交互操作。同时，本系统采用双报警机制，可对空巢老人的身体状况和精神状态进行准确全面的智能化监护；监护人和医护人员通过操作终端不仅能及时得到相应的报警信息，而且可以随时对空巢老人的健康状态进行选择性地查看，监护方式由传统的被动接受型转变为自动查询型。
-
公开(公告)号：CN103985109B
公开(公告)日：2017-05-10
申请号：CN201410246721.0
申请日：2014-06-05
Applicant: 电子科技大学
Abstract: 本发明公开一种基于3D剪切波变换的特征级医学图像融合方法，属于医学图像处理及应用技术领域，该方法主要步骤为：一、对两幅图像进行3D‑D‑CSST变换或者3D‑DT‑CSST得到变换系数图像Ca、Cb；二、对变换系数进行图像融合，得到融合系数Cf；三、对步骤二融合后的系数Cf进行DWT或者DTCWT反变换，对变换后的图像进行后向shear变换得到融合图像Vf。本发明解决了融合图像质量相对较低以及局部重要但不显著的信息易被忽略掉的问题。
-
公开(公告)号：CN106296699A
公开(公告)日：2017-01-04
申请号：CN201610669230.6
申请日：2016-08-16
Applicant: 电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/0012 , G06T2207/10088 , G06T2207/20081 , G06T2207/20084 , G06T2207/30096
Abstract: 本发明公开了一种基于深度学习和多模态MRI图像的脑肿瘤分割方法。该方法包括：构造深度神经网络，包含2个3层的卷积层和1个3层全连接及1个分类层深度卷积神经网络，输入层对应着多模态MRI图像，输出层每个节点对应一个肿瘤类别标签；MRI图像预处理；训练网络模型；测试模型，采用训练过程中的MRI图像序列中的图像块及其均值和标准差来归一化待分割肿瘤图像序列，并将归一化后的图像序列输入到具有优化网络连接权重的深度神经网络，得到分类层的节点值，据此得到待分割的脑肿瘤图像的肿瘤类别。本方法利用深度神经网络来挖掘和提取多模态MRI图像中的肿瘤抽象拓扑特征信息，在多模态MRI图像的脑肿瘤分割中可以保证较高的分割准确率和分割精度。
-
Patent Agency Ranking
公开(公告)号：CN106250870A
公开(公告)日：2016-12-21
申请号：CN201610673967.5
申请日：2016-08-16
Applicant: 电子科技大学
Abstract: 一种联合局部和全局相似性度量学习的行人再识别方法，首先将行人再识别数据库中的所有行人图像做预处理，提取每幅行人图的局部特征和全局特征；其次，在训练模块，联合行人样本的局部相似性和全局相似性，度量两行人样本的整体相似性，学习度量矩阵；最后，在测试模块，导入训练模块学习的度量矩阵，度量每一个待测行人样本和库行人样本的相似性，按照相似性大小排序，识别待测行人样本。
-
公开(公告)号：CN106228565A
公开(公告)日：2016-12-14
申请号：CN201610625731.4
申请日：2016-08-02
Applicant: 电子科技大学
CPC classification number: G06T7/0004 , G06K9/36 , G06K9/46 , G06K9/6269 , G06K2009/4695 , G06T2207/10116
Abstract: 本发明公开了一种基于X射线图像的输油管道焊缝缺陷检测方法。本发明使用显著性转换对单通道焊缝灰度图进行处理得到显著性图像，本发明提出快速显著性检测算法(Fast Visual Saliency,FVS)得到显著性图像。原图像与显著性图像构成二通道输入，接着通过滑窗提取训练样本，并提取LBP(Local Binary Patterns)与灰度共生特征，与图像列向量一起作为特征向量。本发明提出判别稀疏重构投影(DSRP)的特征提取方法，对特征数据进行降维的同时使算法更鲁棒；最后通过训练SVM分类器进行分类，从而提高检测的准确率。
-
公开(公告)号：CN103345923B
公开(公告)日：2016-05-11
申请号：CN201310319824.0
申请日：2013-07-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于稀疏表示的短语音说话人识别方法，属于语音信号处理与模式识别技术领域，其旨在决现有方法在语音数据有限条件下识别率低的问题。其主要包括以下步骤：①对所有语音样本预处理，然后提取梅尔倒谱系数及其一阶差分系数作为特征；②由背景语音库训练高斯背景模型，并提取高斯超向量作为二次特征；③将训练语音样本的高斯超向量排列在一起构成字典；⑤利用稀疏求解算法求解表示系数，并重构信号，根据最小化残差确定识别结果。本发明经自适应得到的高斯超向量，能够极大地缓解语音数据有限带来说话人个性特征表现不足的问题；利用稀疏表示的重构残差进行分类，能够处理语义信息不匹配导致的说话人模型失配的问题。
-
公开(公告)号：CN102880870B
公开(公告)日：2016-05-11
申请号：CN201210319881.4
申请日：2012-08-31
Applicant: 电子科技大学
Abstract: 本发明提供一种人脸特征的提取方法及系统，所述方法包括：S1、获取并比较图像库中的人脸图像的各像素点及其周围像素点的灰度值，确定人脸图像中的各像素点及其周围像素点的灰度差值；S2、对灰度差值进行概率密度统计，获取灰度差值的累计概率分布，并根据灰度差值的累计概率分布及特征向量编码位数要求对灰度差值进行编码，得到灰度差值编码；S3、对灰度差值编码进行线性局部二值模式的计算，得到水平方向的特征向量P1和垂直方向的特征向量P2；S4、对灰度差值编码进行统计局部二值模式的计算，得到水平方向的特征向量P3和垂直方向的特征向量P4；S5、将特征向量P1、P2、P3、P4组合，用于表征人脸图像的人脸特征。
-
公开(公告)号：CN105528591A
公开(公告)日：2016-04-27
申请号：CN201610023511.4
申请日：2016-01-14
Applicant: 电子科技大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于多象限编码的活体指纹识别方法。设计指纹识别方法技术领域。所述方法包括：采集足够数量的真假指纹图像；在采集到的指纹图像上随机采样大量不同尺寸图像块；通过正交簇保持学习算法学习出各个滤波器以最大化分割超平面与图像块数据的平均角度，得到每个尺度下的分割超平面的法向量；使用多象限编码获得指纹图像纹理特征；对得到的特征进一步降维，交叉验证参数并训练SVM分类器，挑选最佳参数训练得到最终分类器。所述方法通过采用多象限编码技术，可区分活体指纹与假指纹在纹理特征上的细微差别，将真假指纹区分开，不需要硬件系统的提升，提高了指纹识别系统的安全性。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.027 seconds)
