-
公开(公告)号：CN119919788A
公开(公告)日：2025-05-02
申请号：CN202510119861.X
申请日：2025-01-25
Applicant: 杭州电子科技大学
IPC: G06V20/05 , G06V10/774 , G06V10/776 , G06V10/82 , G06T7/194 , G06T7/136 , G06V10/44 , G06V10/764 , G06V10/766 , G06N3/0442
Abstract: 本发明公开了一种基于孪生原型混合网络的水下目标跟踪方法，该方法首先获取原始水下图像数据，定义目标与支持集图像，并进行背景分离预处理。其次设计自适应截止滤波器与孪生网络，建立原型网络并将其与孪生网络进行融合。然后引入同一支持集下的两个不同的原型表达，相互卷积后通过LSTM网络判断并筛选目标附近的锚点。最后构建分类与回归的区域候选网络分类器，基于目标附近的锚点，输出分类通道与回归通道，多维度聚合得到多类别分类结果与回归结果，选取分类结果中概率最高的一项，输出其对应的回归结果作为目标位置坐标，实现类别识别并定位。本发明在存在背景干扰情况下可以有效地实现对水下目标跟踪。
-
公开(公告)号：CN113159142B
公开(公告)日：2024-02-20
申请号：CN202110363331.1
申请日：2021-04-02
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06F17/16 , G06N20/00 , G06V10/774
Abstract: 本发明公开了一种用于细粒度图像分类的损失函数可变超参数确定方法，首先将图像数据集的数据输入网络进行训练；其次，确定TriHard损失函数中的超参数数值，通过将样本间的距离矩阵与标签信息进行关联，然后根据标签的信息定量的得出标签对任务的影响程度，进而来确定超参数，本发明属于深度学习技术领域，具体是指一种用于细粒度图像分类的损失函数可变超参数确定方法。
-
公开(公告)号：CN117056771A
公开(公告)日：2023-11-14
申请号：CN202310923660.6
申请日：2023-07-26
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/214 , G06N3/096 , G06N3/088
Abstract: 本发明公开了一种结合类内特征对齐与柔性超参度量学习的迁移学习方法，包括以下步骤：结合源域多样性与目标域不确定性原则，对未标记的样本进行选择性标记，减少需要标注的样本数量；将特征散度挖掘扩展到类内水平，并对每个类的散度进行测量，所要求的特征具有良好的类内相关性和类别区分度；将模型距离度量的损失函数中的固定超参数替换为连续可变的超参数，并与目标域的样本几何形状相结合，形成一个混合损失结构，使其模型损失优化能够根据不同任务的变化而动态调整；形成混合损失函数及目标域分类器，对目标域样本进行分类。本发明能够通过增加类内特征对齐以及对边缘超参进行动态改进，来识别数据的潜在结构信息和提升目标样本的识别精度。
-
公开(公告)号：CN115035010A
公开(公告)日：2022-09-09
申请号：CN202210637356.0
申请日：2022-06-07
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种由卷积网络引导模型映射的水下图像增强方法，所述由卷积网络引导模型映射的水下图像增强方法包括以下步骤；步骤一：搭建水下图像增强网络结构；步骤二：利用深度稠密残差模块提取并融合不同层次的特征；步骤三：利用注意力机制关注具有代表性的特征通道。与现有技术相比的优点在于：本发明提出一种由卷积网络引导模型映射网络的水下图像增方法，在改进水下成像模型的帮助下，充分结合成像模型的水下场景理解能力和卷积网络的数据驱动能力，在实验结果中通过视觉感知比较和图像质量评价表明，该网络具有灵活的自适应调整能力，能够准确地对色彩校正。此外，注意力机制的引入能够突出主体的细节特征，进一步提高图像增强质量。
-
公开(公告)号：CN111870241B
公开(公告)日：2022-05-17
申请号：CN202010637325.6
申请日：2020-07-03
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于优化的多维样本熵的癫痫发作信号检测方法。在这项研究中，本发明采用多维样本熵作为特征来区分癫痫发作状态和正常状态，并对其进行了优化，提高了计算效率。此外，通过结合多维样本熵征提取和Bi‑LSTM，开发了一种新的预测方法来预测癫痫发作。结果表明，该方法取得了良好的表现，可预测5分钟后脑电的多维样本熵，准确率高达80.09％，误报率为0.26/h。本研究的结果表明，所提出的预测方案更适合于实际癫痫发作预测。
-
Patent Agency Ranking
公开(公告)号：CN113705645A
公开(公告)日：2021-11-26
申请号：CN202110949703.9
申请日：2021-08-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对脑电信号的自适应联合模型半监督学习分类方法。首先建立一个自适应联合模型。联合模型的构建基于欧式模型和黎曼模型，并在算法迭代过程中设计权值更新策略。通过根据两种模型贡献来自适应调整两个模型的权值，以获得一个更好的基础模型来提升后续特征信息提取的有效性。然后在联合模型的基础上提取隐藏特征，并将隐藏特征和有标签样本的特征相连接形成新的训练集。最后，利用宽度学习系统对新训练集进行训练并对测试集分类。该算法在三个脑机接口公开数据集上得到了验证，并与几种最新的方法进行了比较。
-
公开(公告)号：CN111708978A
公开(公告)日：2020-09-25
申请号：CN202010727716.7
申请日：2020-07-23
Applicant: 杭州电子科技大学
IPC: G06F17/14 , G06F17/18 , A61B5/0488 , A61B5/04
Abstract: 本发明公开了一种多尺度时频肌间耦合分析方法。本发明首先进行多通道表面肌电信号同步采集并进行预处理；并对预处理后的数据进行噪声辅助的多元经验模态分解，得到有用的IMF尺度分量。其次对IMF尺度分量进行同步提取变换；具体为：对每个IMF尺度分量进行短时傅里叶变换，再乘以一个相位因子后进行同步压缩变换。然后计算时频互信息、时频归一化互信息和时频条件互信息；最后将上述计算结果进行多尺度时频肌间耦合统计分析。本发明为定量研究脑卒中患者上肢康复运动过程中不同时频尺度下的肌间非线性耦合强度特性提供了一种新方法。
-
公开(公告)号：CN107038422B
公开(公告)日：2020-06-23
申请号：CN201710261386.5
申请日：2017-04-20
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种空间几何约束深度学习的疲劳状态识别方法。目前基于机器视觉的疲劳检测方法使用HOG、SHIT、Haar等人为定制的特征进行模式识别，在光照条件变化、部分遮挡、振动变化下检测精度有所下降。本发明建立建立基于人脸特征点定位和姿态回归任务协同的深度卷积神经网络模型，协同回归出人脸特征点定位和头部姿态估计，然后利用空间几何约束方法对卷积神经网络进行预训练，最后采用多特征融合的决策方法评估疲劳状态，检测结果具有良好的准确性和可靠性。这种使用非接触式的图像处理方法，仅仅需要常规摄像头对信号采集，设备简单，具有很好的实用性。
-
公开(公告)号：CN106503733B
公开(公告)日：2019-07-26
申请号：CN201610893229.1
申请日：2016-10-13
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于NA‑MEMD和GMM聚类的有用信号识别方法。目前经验模式分解方法将多变量信号分解出若干尺度上的内蕴模式函数分量之后，如何在各个尺度上准确地识别出包含有用信息的IMF分量仍然存在依赖于先验知识、识别率较低等问题。本发明首先采用NA‑MEMD算法分解多变量信号以得到不同尺度上的IMF分量，其次采用谱回归降维算法将各个尺度上的IMF分量映射到一个低维子空间以抽取出对应的低维特征向量，然后在每个尺度上采用GMM聚类算法对低维特征向量进行聚类分析，最后根据聚类结果识别出包含有用信息的IMF分量。该方法在脑电信号处理、神经数据分析中具有广阔的应用前景。
-
公开(公告)号：CN109893126A
公开(公告)日：2019-06-18
申请号：CN201910217803.5
申请日：2019-03-21
Applicant: 杭州电子科技大学
IPC: A61B5/0476 , A61B5/00
Abstract: 本发明公开了一种基于脑功能网络特征的癫痫发作预测方法，本发明采用NPDC作为脑功能网络连通性的测量，并分析了癫痫发作时相关脑区的活动信息。此外，通过结合脑功能网络特征提取和ELM，开发了一种新的预测方法来预测癫痫发作的时间。结果表明，该方法在所有受试者的所有脑电图频段均取得了良好的表现，准确率高达84.0％，平均预测时间高达1325.59秒，优于目前的研究方法。本研究的结果表明，所提出的预测方案更适合于实际癫痫发作预测。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.024 seconds)
