-
公开(公告)号：CN104766485A
公开(公告)日：2015-07-08
申请号：CN201510150649.6
申请日：2015-03-31
Applicant: 杭州电子科技大学
IPC: G08G1/08
CPC classification number: G08G1/08
Abstract: 本发明公开了一种基于改进的模糊控制的红绿灯优化配时方法。本发明针对单交叉路口交通流的动态特性，首先根据路口传感器检测到的各个路口的等待车辆，计算该路口的车辆平均延误时间，并以此为性能优化的评价指标。之后采用模糊控制器对红绿灯的配时方案进行优化控制，并用粒子群算法对模糊规则进行优化。本发明能有效避免人为设定模糊规则而导致的主观性和盲目性，提高算法的优化性能。
-
公开(公告)号：CN102706345B
公开(公告)日：2015-01-28
申请号：CN201210190065.8
申请日：2012-06-11
Applicant: 杭州电子科技大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于衰减记忆序贯检测器的机动目标跟踪方法。针对基于决策的单模型跟踪方法和多模型跟踪方法的优缺点，提出一种基于衰减记忆序贯检测器的机动目标跟踪方法。本发明首先采用KF-UKF联合滤波。对非机动目标，采用基于匀速模型的Kalman滤波，当检测到目标机动时，对CV模型进行扩维，同时采用无味卡尔曼滤波器进行状态估计。其次，提出了一种衰减记忆序贯检测器来检测机动。当检测到机动发生后，对扩维后的状态向量和协方差矩阵进行修正，使修正后的状态更加匹配实际的运动模式。本发明可以实时修正目标状态，并且可以根据不同的运动模式选择相匹配的滤波器，从而提高了跟踪精度。
-
公开(公告)号：CN104134076A
公开(公告)日：2014-11-05
申请号：CN201410328277.7
申请日：2014-07-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于CS和SVM决策级融合的SAR图像目标识别方法。本发明结合了压缩感知和支持向量机各自的优势，利用压缩感知的优化求解数据校正方位角，并对压缩感知和支持向量机的识别结果进行决策级融合。首先将SAR图像目标识别问题转化为稀疏信号恢复问题，基于恢复的稀疏系数分别获得目标分类结果和目标方位角估计，然后对测试图像进行姿态校正，利用支持向量机获取目标分类结果，最后将三者分类结果根据投票法进行决策级融合。实验结果表明，在不进行姿态校正的情况下，基于压缩感知的目标识别算法与其它算法相比，显著提高了SAR图像变形目标识别的准确率；当样本数较少情况下，本发明显著提高了SAR变形目标的识别率。
-
公开(公告)号：CN118585889B
公开(公告)日：2024-11-05
申请号：CN202411068071.5
申请日：2024-08-06
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/2431 , G06F18/2131 , G06F18/25 , G06V10/44 , G10L25/18 , G10L25/24 , G10L25/30 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于船舶辐射噪声数据的船舶类型识别方法及系统，该方法首先获取船舶辐射噪声的原始数据，并进行预处理，以及视觉特征和时序特征的提取，得到船舶辐射噪声数据集。其次预构建时序和视觉神经网络联合的船舶辐射噪声识别网络，并将得到的船舶辐射噪声数据集输入构建好的船舶辐射噪声识别网络中进行训练。最后将所要识别的船舶辐射噪声数据输入训练后的船舶辐射噪声识别网络，输出船舶辐射噪声数据的船舶类型识别结果。本发明在同时考虑以上两种特征的基础上，降低了模型的复杂度，对船舶辐射噪声做出船舶类型准确的识别。
-
公开(公告)号：CN118585889A
公开(公告)日：2024-09-03
申请号：CN202411068071.5
申请日：2024-08-06
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/2431 , G06F18/2131 , G06F18/25 , G06V10/44 , G10L25/18 , G10L25/24 , G10L25/30 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于船舶辐射噪声数据的船舶类型识别方法及系统，该方法首先获取船舶辐射噪声的原始数据，并进行预处理，以及视觉特征和时序特征的提取，得到船舶辐射噪声数据集。其次预构建时序和视觉神经网络联合的船舶辐射噪声识别网络，并将得到的船舶辐射噪声数据集输入构建好的船舶辐射噪声识别网络中进行训练。最后将所要识别的船舶辐射噪声数据输入训练后的船舶辐射噪声识别网络，输出船舶辐射噪声数据的船舶类型识别结果。本发明在同时考虑以上两种特征的基础上，降低了模型的复杂度，对船舶辐射噪声做出船舶类型准确的识别。
-
Patent Agency Ranking
公开(公告)号：CN115984308A
公开(公告)日：2023-04-18
申请号：CN202310037807.1
申请日：2023-01-10
Applicant: 杭州电子科技大学
IPC: G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及基于平均教师模型的半监督肺叶分割方法，采用了一种平均教师模型的半监督肺叶分割框架，并利用全局和局部对比损失对主干网络进行总体预训练。预训练的编码器和解码块提取了未标记数据中全局和局部的有用信息表示，并将预训练的U‑Net结构作为平均教师模型中教师网络和学生网络的主干。将经过数据增强处理的无标签数据送入教师网络得到对应的伪标签，利用伪标签训练学生网络以使学生模型和教师模型在语义层面趋于一致，同时，使用学生网络中的指数移动平均(EMA)权重来更新教师模型的网络参数，以此方式来优化肺叶分割网络的性能，来生成准确率更高的肺叶掩膜。
-
公开(公告)号：CN111191510B
公开(公告)日：2022-12-09
申请号：CN201911196911.5
申请日：2019-11-29
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/762 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于关系网络的复杂场景下遥感图像小样本目标识别方法，本发明针对小样本情况下遥感舰船天气场景覆盖面不足的情况，通过风格迁移生成5种典型天气场景下的遥感舰船影像，将原有特征与度量模块针对不同场景下的遥感舰船影像进行微调，微调结果作为训练集与支持集，用以优化网络参数，提高网络的识别精度。本发明采用风格迁移对遥感图像进行处理，增加训练集数据和支持集数据的天气场景覆盖范围，后续对支持集数据进行高维度特征向量聚类中心提取，减少关系网络的计算量，提高网络识别结果准确度的同时保证了网络的识别速度。
-
公开(公告)号：CN114972715A
公开(公告)日：2022-08-30
申请号：CN202210540668.X
申请日：2022-05-17
Applicant: 杭州电子科技大学
IPC: G06V10/22 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于局部关联投票机制的刚体目标关键部位检测方法，该方法首先收集标注了关键部位的图像域数据和空间域数据，然后在YOLOv5网络结构的基础上添加高分辨率通道模块作为图像域检测模型。构建局部关联投票网络作为空间域检测模型。然后将待检测的图像输入图像域检测模型中，判断图像域的检测结果是否存在漏检的被遮挡目标。当存在漏检时，将图像域检测结果的关键部位位置信息输入空间域检测模型中，采用基于局部关联的投票机制对被遮挡目标进行预测，最终解算得到刚体目标的所有关键部位的信息，得到检测结果。本方法在保证检测时效性的基础上，解决了复杂实际环境下可能产生的刚体目标关键部位被遮挡的问题。
-
公开(公告)号：CN108765288B
公开(公告)日：2022-05-31
申请号：CN201810513242.9
申请日：2018-05-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于边缘保持的POCS图像超分辨重建方法，包含图像边缘提取、判断像素点是否为边缘像素、根据判断结果改进PSF、根据相应PSF进行迭代修正等四个基本步骤，具体为：对任意一帧低分辨率图像进行双线性插值操作，得到目标高分辨率图像的初始参考帧；对该初始帧进行边缘提取，得到其边缘图像；对检测到的边缘像素，根据夹角大小的不同而采用不同的PSF；选取相应的PSF，模拟低分辨率图像的生成过程，由高分辨初始帧计算出低分辨率图像的像素值，计算该像素值与相应原有序列低分辨率图像像素值之间的残差，根据残差对高分辨初始帧做出修正。本发明使得重建的高分辨率图像清晰度相较于原有低分辨率图像有了明显的提升，且图像边缘保持效果良好。
-
公开(公告)号：CN108073895B
公开(公告)日：2021-12-14
申请号：CN201711170444.X
申请日：2017-11-22
Applicant: 杭州电子科技大学
Abstract: 基于解混预处理的高光谱目标检测方法：1)通过探测的高光谱图像，获得需要探测的目标光谱t，对高光谱图像和目标光谱进行单位化处理；2)对高光谱图像进行端元提取，得到图像的端元集合；3)根据2)得到的端元集合和目标光谱t进行光谱夹角计算，得到端元集合中与目标光谱最为近似的目标端元如果在设定的阈值内找不到目标端元，则将高光谱影像投影至其主成分的正交子空间，再重复2)及3)，直到匹配出目标端元4)对3)所得目标端元进行丰度反演，得到目标端元的丰度图；5)对4)得到的丰度图得到丰度图的最佳分割阈值；6)根据5)得到的阈值，对丰度图进行分割，分割后图像中白色区域代表目标区域，黑色区域代表背景区域。
-
-
-
-
-
-
-
-
-
Search Results
105
records
(took 0.026 seconds)
