-
公开(公告)号：CN103778790B
公开(公告)日：2015-08-12
申请号：CN201410014861.5
申请日：2014-01-13
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于视频序列的车流量方波统计法。本发明使用CCD镜头和图像采集卡获得高速公路汽车行驶过的图像，将信息传给计算机通过转换软件将视频文件转化成为BMP格式的帧图片，并按照一定得格式命名。然后对每帧图像进行数字图像处理，包括对采集的图像进行灰度处理、帧差、二值化等，其目的主要提取在背景中的运动对象。接下来设置标志线区域，即检测汽车通过的区域，在该区域使用方波检测方法，对二值图像进行分析，按照检测线中的白色像素的个数判断是否有车通过，当白色像素点的数量在某一时刻大于某一阈值，则判断有汽车通过，从而进行车辆的计数。本发明能有效避免摄像机抖动引起的误差，提高了测量精确度。
-
公开(公告)号：CN104127195A
公开(公告)日：2014-11-05
申请号：CN201410366036.1
申请日：2014-07-29
Applicant: 杭州电子科技大学
IPC: A61B5/18
Abstract: 本发明涉及一种融合脑电和心电信号的疲劳驾驶检测方法。本发明通过16通道的gUSBamp放大器获取脑电和心电的原始数据，提取脑电的功率谱特征数据—脑电疲劳指数和、脑电的相位同步特征数据—Pz-Fz和P3-P4在delta频段的MPC、心电的时域特征数据—HR和心电的频域特征数据—LF/HF后，直接将脑电心电特征数据在特征数据层面上直接融合，再利用SVM进行分类。本发明强调决策信息的全面性，融合特征的分类效果总体上比单种特征好，运用两种正交的生理指标来检测驾驶疲劳，有助于提高检测的准确率。
-
公开(公告)号：CN103971124A
公开(公告)日：2014-08-06
申请号：CN201410185328.5
申请日：2014-05-04
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于相位同步的多类别运动想象脑电信号分类方法。本发明首先利用相位锁定值分别计算训练样本和测试样本的相位同步特征，然后计算两者的相关系数并对其去平均取绝对值后按从大到小的顺序排列，接着根据排序后的相关系数进行脑电信号的粗分类，再将粗分类后的脑电信号进行细分类，此过程涉及共空域模式特征提取方法和线性判别分析分类方法。本发明包括脑电信号采集、数据预处理、滤波、相位同步特征相关系数计算、特征提取和分类以及分类准确率计算。分类结果表明：采用基于相位同步的脑电信号分类方法，得到了较好的分类效果，其中基于相位同步的脑电信号的粗分类可以高效率、高准确率地确定测试样本大致所属的类别，减少计算量。
-
公开(公告)号：CN119313621A
公开(公告)日：2025-01-14
申请号：CN202411352023.9
申请日：2024-09-26
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于多任务低维隐码和神经辐射场的机器人回环检测方法，包括以下步骤：先提取当前帧信息，跟踪相机位姿，然后判断当前帧是否为关键帧，若为关键帧，则根据关键帧判断当前帧是否为地点帧和共视帧，根据地点帧的聚类结果进行回环检测，成功检测到回环后，使用图的二阶优化算法进行相机位姿调整；最后根据已有相机位姿信息进行建图与全局束调整，进行三维建模。本发明充分利用现有特征点信息以及图片本身所提供的点云信息进行回环检测，回环检测所需帧信息直接从所存储的信息中提取，不需进行二次处理，仍然可以保持较高检测精度，简化了回环检测流程。
-
公开(公告)号：CN114403903B
公开(公告)日：2024-10-11
申请号：CN202210042481.7
申请日：2022-01-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了面向跨被试RSVP的多特征低维子空间ERP检测方法。该方法首先采用迁移学习方法中的欧式空间对齐，对来自不同被试、不同试次的EEG数据在欧式空间中进行对齐。然后采用不同的特征提取方式表层和深层两路特征，其次将来自不同空间的两路特征分别进行有监督降维，使得不同类特征的类内离散度尽可能低，且类间离散度尽可能高。得到凝练且位于不同维度的两个一维特征，对这两个一维特征进行融合重构，最终将重构后的特征用于ERP检测。有效提升ERP检测时的稳定性与准确率。
-
Patent Agency Ranking
公开(公告)号：CN113139573B
公开(公告)日：2024-08-09
申请号：CN202110257704.7
申请日：2021-03-09
Applicant: 杭州电子科技大学
IPC: G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于条件双分支注意力机制的鲁棒声纳图像生成方法。本发明采用深度学习技术对复杂水下环境进行声纳图像仿真成像。本发明打破了传统的声纳仿真技术注重底层的物理建模，在多类别、多背景的情况下存在着图像可调性差、逼真度低的局限。该方法能够利用条件信息有效地控制特定条件声纳图像的生成，通过一种双分支注意特征融合机制，依次完成信道级和像素级的注意操作，增强相应元素之间的相关性，从而生成更加清晰、逼真的声纳图像。通过实验发现，该方法在声纳图像仿真上取得很好的表现，且在噪声干扰环境下具有鲁棒的成像效果，说明深度学习方法在声呐图像仿真上的可行性，为复杂水声环境数据中的图像仿真提供了新的研究手段。
-
公开(公告)号：CN118021303A
公开(公告)日：2024-05-14
申请号：CN202410149732.0
申请日：2024-02-02
Applicant: 杭州电子科技大学
IPC: A61B5/16 , A61B5/369 , A61B5/398 , A61B5/00 , G06F18/00 , G06F18/10 , G06F18/2415 , G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/048
Abstract: 本发明提出一种基于伪孪生网络的多模态情感分析方法及其系统。该方法利用整合深度可分离卷积策略的金字塔网络作为脑电的处理模块，挖掘并融合多个尺度的脑电的时间和空间情感感知特征，提炼更深度更有效的脑电内在本征特征；同时，利用两个全连接网络层作为眼电处理模块提取眼电的行为特征。此外，为了进一步学习模态间的关系，本发明使用含有双分支子网的伪孪生网络变换每个模态的情感特征，并在该模块中使用相似性约束将不同模态的特征协调到相似的超空间中。然后采用特征融合，学习不同模态对情感识别的权重参与到模型分类决策，实现多模态情感特征的一致性和互补性，从而提高模型的性能和泛化能力。
-
公开(公告)号：CN114863213B
公开(公告)日：2024-04-16
申请号：CN202210512236.8
申请日：2022-05-11
Applicant: 杭州电子科技大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/047 , G06N3/048 , G06N3/09
Abstract: 本发明公开一种基于因果解耦生成模型的域泛化图像识别方法。域泛化的目的是从多个源域数据中学习域不变表示很好的泛化到不可见的目标域，但是学习域不变特征的最大挑战在于从纠缠的特征空间中分解出语义信息和域信息。考虑到因果特征具有跨域不变的特性，本发明提出了因果解耦表征模型。首先，将跨域稳定的因果结构模型作为先验引入。然后，构建基于因果结构的生成模型，分别为任务相关和域相关特征建模。特别的是，两个隐特征之间的双向因果依赖通过一种干预手段解除，从而有效消除域相关特征对预测任务的影响。结果证明，本发明提出的方法能够有效解耦出任务相关和域相关特征，超过了大多数的解决域泛化的方法。
-
公开(公告)号：CN117786448A
公开(公告)日：2024-03-29
申请号：CN202310463013.1
申请日：2023-04-26
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G10L15/08 , G06F18/214 , G06F18/213 , G01S7/52
Abstract: 本发明公开了一种基于类别增量学习的一维声呐数据识别方法。传统的声呐目标识别方法主要基于特征工程，通过手工设计特征提取器来提取目标的特征，然后使用分类器进行分类。本发明如下：一、将一维声呐目标数据首先经过切片和预处理，提取出MFCC特征向量，然后输入模型进行分类识别。二、模型采用动态可扩展表征策略进行类增量学习，以便在新类别出现时仅需更新模型的超特征提取器和分类器，从而实现高效的模型更新。三、本发明具有显著的优势，包括将类增量学习应用于水声问题处理、降低对大量标注数据的依赖、实现高性能的特征提取和分类能力，以及在实际应用中应对多样化声呐数据的能力。
-
公开(公告)号：CN112163486B
公开(公告)日：2024-03-12
申请号：CN202010991868.8
申请日：2020-09-18
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于基于深度学习与稀疏学习相结合的脑电通道优化方法。本发明首先利用模型驾驶实验来收集数据集，通过数据扩充使源域和目标域中的样本趋于平衡，对已经平衡的样本进行稀疏学习和域对抗学习，其设计初衷是同时最小化标签预测器和与判别器的损失值；基于该目的我们设计了目标函数将，并通过添加L21norm来使得模型具备特征选择的能力，除此之外我们还使用了GAN，在一定程度上提高了模型的鲁棒性和泛化能力。最后，在实验评估阶段，一方面单独评估了本发明的性能，还让其与其他的通道优化算法项比较，并取得了独一无二的优势。另一方面在保证准确率的前提下，可以有效减少通道的数量，从而减轻系统的负担和开销。
-
-
-
-
-
-
-
-
-
Search Results
161
records
(took 0.038 seconds)
