-
公开(公告)号：CN106650300B
公开(公告)日：2023-05-23
申请号：CN201710052370.3
申请日：2017-01-22
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于极限学习机的老人监护系统及方法，该系统包括：蓝牙数据采集模块、手机APP模块、服务器模块。蓝牙数据采集模块包括蓝牙模块和传感器，用于采集老人身上的活动数据，并将数据通过蓝牙传输到手机APP模块上。手机APP模块用于收集老人的GPS数据，并通过TCP/IP协议将传感器数据和GPS数据传输到服务器模块。服务器模块包括服务器和GPRS模块，用于利用已训练的极限学习机对数据进行实时处理，在发生预警时会及时将预警信息通过短信的方式发送到监护人手机上。本发明在提高老人异常情况检测准确率的同时，运用极限学习机有效提高老人异常情况检测的速度，使监护系统具有快速、准确率高等优点。
-
公开(公告)号：CN110717512B
公开(公告)日：2023-04-07
申请号：CN201910836592.3
申请日：2019-09-05
Applicant: 华南理工大学
IPC: G06V10/764
Abstract: 本发明公开了一种基于结构保持零样本学习的鸟类濒危物种识别方法，包括如下步骤：数据输入步骤，输入数据集包括常见鸟类图像视觉特征、语义信息、标签信息等，以及鸟类濒危物种的语义信息；训练步骤，学习视觉特征空间到语义空间的双向映射，同时使用流形一致性对该映射作进一步的约束。将优化问题归结成Sylvester方程求解问题，求解过程简单易实现，求解的结果为映射矩阵P；预测步骤，利用训练步骤得到的映射矩阵P对给定语义信息的鸟类濒危物种图像做出识别。本发明保留了数据间的结构信息，解决了领域漂移的问题，提高了图像分类的精确度，使之能够应用到复杂的鸟类图像识别的问题中，并能够对没有已知标签信息的濒危物种进行识别。
-
公开(公告)号：CN109993101B
公开(公告)日：2021-01-19
申请号：CN201910243463.3
申请日：2019-03-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多分支循环自注意力网络与循环边框回归的车辆检测方法，包括如下步骤：构造车辆检测的主干网络；使用RPN网络预测候选框，并根据候选框提取实例特征图，循环地预测自注意力图与计算新的实例特征图得到最终的实例特征图；使用循环边框回归，根据预测出的检测框循环地选择基础网络输出的特征图；使用多分支网络结构，将上述计算网络拓展至多分支，融合多分支检测结果。本发明基于多分支循环自注意力网络与循环边框回归方法，与传统深度学习的车辆检测方法相比能获取车辆更精确的特征，提高车辆的检测框的置信度并能获得更准确的检测框，提高检测准确率。
-
公开(公告)号：CN107590532B
公开(公告)日：2020-09-22
申请号：CN201710690207.X
申请日：2017-08-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于WGAN的超参数动态调整方法，属于深度学习神经网络领域，该超参数动态调整方法包括以下步骤：S1、构造沃瑟斯坦生成式对抗网络WGAN模型；S2、输入图像数据集，设置默认的超参数λ，对网络进行训练；S3、在第i次迭代的过程中，记录判别器的损失函数Xi；S4、在第i+1次的迭代过程中，记录判别器的损失函数为Xi+1；S5、计算Xi‑Xi+1的差值，动态调整超参数λ的数值。本方法能够解决在网络训练的过程中，由超参数引起的网络震荡问题，动态调整超参数λ，能够使判别器灵活地学习数据集中的特征，增强自身损失函数递减的稳定性，从而使整个生成对抗网络的训练效果更好。
-
公开(公告)号：CN111104929A
公开(公告)日：2020-05-05
申请号：CN201911423353.1
申请日：2019-12-31
Applicant: 广州视声智能科技有限公司 , 华南理工大学
Abstract: 本发明公开了基于3D卷积和SPP的多模态动态手势识别方法，包括如下步骤：数据预处理，从RGB视频序列中提取光流特征和灰度特征，分别得到光流序列样本和灰度序列样本，并将每个光流序列样本和灰度序列样本及深度序列样本规整为32帧，每个样本维度为32×112×112；数据增强，通过平移、翻转、加噪及仿射变换，扩增序列样本数据集；神经网络训练，将灰度序列样本、光流序列样本、深度序列样本分别输入相同的网络结构，分别训练三个网络进行手势判别；模型集成，将三个网络对序列样本的分类结果进行集成，得到最终的判别结果；采用本发明技术方案能够提高手势识别的准确度。
-
Patent Agency Ranking
公开(公告)号：CN110717513A
公开(公告)日：2020-01-21
申请号：CN201910836905.5
申请日：2019-09-05
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于多分类器的零样本深海生物图片分类方法，包括以下步骤：(1)图像特征数据导入，数据集由可见类别和不可见类别的视觉特征、语义及标签信息组成，以有标签的常见海洋生物种类为可见类别，以数据匮乏的深海生物种类为不可见类别；(2)类别具体分类器训练，利用可见类别数据训练，在保留流形结构的基础上，为不同类别建立不同的视觉语义映射，以提高可见类别的分类准确率；(3)不可见类别推断，通过将可见类别与不可见类别语义之间的权重进行迁移，使用可见类别的映射矩阵合成不可见类别的映射矩阵，根据距离得出不可见类别的标签。本发明在一定程度上降低了映射域漂移的影响，准确易行。
-
公开(公告)号：CN110008882A
公开(公告)日：2019-07-12
申请号：CN201910243464.8
申请日：2019-03-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于掩模与边框相似性损失的车辆检测方法，包括如下步骤：使用Mask RCNN模型预训练；利用Mask RCNN模型预检测；构造车辆检测模型；输入车辆数据集及对应的预检测结果，由主干网络获取卷积神经网络的特征并使用预检测框提取车辆特征，使用掩模对该特征的每一通道应用Hadamard积得到分离后的车辆特征；根据预检测结果构造边框相似性损失训练车辆检测模型。本发明基于掩模与边框相似性损失，利用可见部分掩模分离本车辆的特征与周围车辆特征，通过排除遮挡物体的干扰提高准确率；构建关联边框的相似性损失，提高边框回归的质量。
-
公开(公告)号：CN109993101A
公开(公告)日：2019-07-09
申请号：CN201910243463.3
申请日：2019-03-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多分支循环自注意力网络与循环边框回归的车辆检测方法，包括如下步骤：构造车辆检测的主干网络；使用RPN网络预测候选框，并根据候选框提取实例特征图，循环地预测自注意力图与计算新的实例特征图得到最终的实例特征图；使用循环边框回归，根据预测出的检测框循环地选择基础网络输出的特征图；使用多分支网络结构，将上述计算网络拓展至多分支，融合多分支检测结果。本发明基于多分支循环自注意力网络与循环边框回归方法，与传统深度学习的车辆检测方法相比能获取车辆更精确的特征，提高车辆的检测框的置信度并能获得更准确的检测框，提高检测准确率。
-
公开(公告)号：CN109784258A
公开(公告)日：2019-05-21
申请号：CN201910014322.4
申请日：2019-01-08
Applicant: 华南理工大学 , 淮北幻境智能科技有限公司 , 广州幻境科技有限公司
Abstract: 本发明提供了一种基于多尺度特征切割与融合的行人重识别方法，具体提供一种基于多尺度深度特征切割与融合的行人重识别网络训练及基于该网络的行人重识别方法，通过多尺度全局描述子提取和局部描述子提取，进行行人重识别。全局描述子的提取是对深度网络不同层的特征图进行平均池化和特征融合，局部描述子的提取是将深度网络最深层特征图水平分割成数块，分别提取各块特征图对应的局部描述子。训练中以最小化平滑交叉熵代价函数以及难样本采样三元组代价函数为目的训练网络参数。采用本发明技术方案，能够解决行人重识别中由于行人姿势变化、摄像头色偏等因素带来的特征不匹配问题，还能消除背景带来的影响，以提高行人重识别的鲁棒性和精度。
-
公开(公告)号：CN108399422A
公开(公告)日：2018-08-14
申请号：CN201810101708.4
申请日：2018-02-01
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于WGAN模型的图像通道融合方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造沃瑟斯坦距离，作为对抗网络模型的评判指标；S3、初始化随机噪声，输入生成器中；S4、在WGAN模型中利用通道融合对图像进行卷积操作；S5、将通道融合操作得到的损失函数输入生成器进行后续训练。本方法构建的基于通道融合的WGAN模型，改变了判别器、生成器接收图片后的卷积方式，在每次卷积之后都对图像各个通道的特征图进行融合，从而能够提高整个网络训练模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
164
records
(took 0.068 seconds)
