-
公开(公告)号：CN106332277A
公开(公告)日：2017-01-11
申请号：CN201610801969.8
申请日：2016-09-05
Applicant: 中南大学
CPC classification number: H04W64/006 , H04W4/025 , H04W4/04
Abstract: 本发明公开了一种基于信道状态信息分布的室内定位方法(D-CSI)，包括训练阶段和定位阶段；训练阶段利用各个参考点位置的指纹信息建立指纹数据库；定位阶段首先计算待定位用户所在位置的指纹信息，然后利用KL距离来计算待定位用户所在位置的指纹信息和指纹数据库中各个参考点位置的指纹信息之间的距离值，再利用K最近邻算法得出待定位用户所在位置的位置。本发明充分利用了不同子频带间的频率多样性和不同天线间的多样性，能够增强位置特征指纹的时间稳定性和空间差异性，从而提高定位精度。
-
公开(公告)号：CN113032751B
公开(公告)日：2022-07-01
申请号：CN202110320501.8
申请日：2021-03-25
Applicant: 中南大学
IPC: G06F21/31 , G06K9/62 , G06V10/74 , G06N3/08 , G06F3/0488
Abstract: 本发明公开了一种基于移动设备击键特征的身份识别方法、装置、设备及介质，包括：对身份待识别的用户，从其登录移动设备的击键过程中提取击键特征：飞跃时间序列、滞留时间序列和触点坐标序列，并计算每个击键特征与注册时该击键特征之间的方差、欧拉距离和皮尔逊相关系数，得到用户登录的9个特征参数；将上述得到的9个特征参数输入至预先训练好的身份识别模型中，根据模型输出判断当前登录用户的身份是否合法；其中，所述身份识别模型采用前馈神经网络并基于若干正负样本训练得到，且正负样本分别由合法和非法用户登录时得到的所述9个特征参数构成。
-
公开(公告)号：CN113032751A
公开(公告)日：2021-06-25
申请号：CN202110320501.8
申请日：2021-03-25
Applicant: 中南大学
IPC: G06F21/31 , G06K9/62 , G06N3/08 , G06F3/0488
Abstract: 本发明公开了一种基于移动设备击键特征的身份识别方法、装置、设备及介质，包括：对身份待识别的用户，从其登录移动设备的击键过程中提取击键特征：飞跃时间序列、滞留时间序列和触点坐标序列，并计算每个击键特征与注册时该击键特征之间的方差、欧拉距离和皮尔逊相关系数，得到用户登录的9个特征参数；将上述得到的9个特征参数输入至预先训练好的身份识别模型中，根据模型输出判断当前登录用户的身份是否合法；其中，所述身份识别模型采用前馈神经网络并基于若干正负样本训练得到，且正负样本分别由合法和非法用户登录时得到的所述9个特征参数构成。
-
公开(公告)号：CN104038901B
公开(公告)日：2017-04-26
申请号：CN201410238077.2
申请日：2014-05-30
Applicant: 中南大学
Abstract: 本发明公开了一种减少指纹数据采集工作量的室内定位方法，对于多个AP，RSSI差值越大的点对，其物理距离相距也较远。利用此特点，将某位置上所获得的多个AP的RSSI值作为此位置的高维特征数据，计算点与点之间的RSSI“距离值”，视其为两点之间的亲近关系，再利用多维标度分析算法得到各对象之间的一个低维空间的相对位置关系，最后，利用较少样本点作为锚节点就可以求得其余点的绝对位置，从而实现减少样本点采集个数的目的，并在此基础上提出分层次的缩小区域方法，进一步达到降低定位误差的目的。相比较于KNN算法，本发明的方法可以减少采集点，同时降低定位误差。
-
公开(公告)号：CN114881968B
公开(公告)日：2024-10-22
申请号：CN202210488808.3
申请日：2022-05-07
Applicant: 中南大学
IPC: G06V10/26 , G06V20/70 , G06V10/80 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06T7/00 , G06N3/048
Abstract: 本发明公开了一种基于深度卷积神经网络的OCTA图像血管分割方法、设备及介质，属于医学图像处理技术领域。其中方法包括：针对待分割的OCTA图像中的en face图像，使用训练好的血管分割模型进行血管分割；其中，所述血管分割模型采用深度卷积神经网络结构，由粗分网络和细分网络级联而成；所述粗分网络接受en face图像作为输入，生成初步的血管分割图；所述细分网络拼接原始的en face图像和初步血管分割图并作为新的输入，最终输出细化后的血管分割图。本发明的深度卷积神经网络能够完整、精确地提取血管信息，尤其是在微血管分割方面表现优异。
-
Patent Agency Ranking
公开(公告)号：CN114881968A
公开(公告)日：2022-08-09
申请号：CN202210488808.3
申请日：2022-05-07
Applicant: 中南大学
Abstract: 本发明公开了一种基于深度卷积神经网络的OCTA图像血管分割方法、设备及介质，属于医学图像处理技术领域。其中方法包括：针对待分割的OCTA图像中的en face图像，使用训练好的血管分割模型进行血管分割；其中，所述血管分割模型采用深度卷积神经网络结构，由粗分网络和细分网络级联而成；所述粗分网络接受en face图像作为输入，生成初步的血管分割图；所述细分网络拼接原始的en face图像和初步血管分割图并作为新的输入，最终输出细化后的血管分割图。本发明的深度卷积神经网络能够完整、精确地提取血管信息，尤其是在微血管分割方面表现优异。
-
公开(公告)号：CN116703945A
公开(公告)日：2023-09-05
申请号：CN202310697635.0
申请日：2023-06-13
Applicant: 中南大学
IPC: G06T7/11 , G06T7/00 , G06V10/26 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种乳腺超声图像的肿瘤分割方法、系统、介质及终端，其中方法包括：获取乳腺超声图像；将乳腺超声图像输入编码器，编码提取多级语义特征图；将多级语义特征图输入解码器进行细化增强，得到分级多尺度特征映射；基于分级多尺度特征映射融合跨层特征，输出细化的病变区域分割图。其中方法能够有效的抑制乳腺超声图像的噪声、提高肿瘤病变区域分割精度。
-
公开(公告)号：CN116485815A
公开(公告)日：2023-07-25
申请号：CN202310485440.X
申请日：2023-05-04
Applicant: 中南大学
IPC: G06T7/11 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于双尺度编码器网络的医学图像分割方法、设备和介质，方法针对待分割的医学图像，使用训练好的双尺度编码器网络DSE‑Net对图像的目标进行分割；DSE‑Net由粗分割和细分割部分组成；粗分割部分使用双尺度编码器对医学图像逐层编码，并使用解码器对编码输出的特征图逐层上采样直至恢复到输入图像大小，并输出预测的粗分割图；其中编码器包括两种尺度的编码块；细分割部分使用基于Transformer的细化模块对粗分割图进行细化，得到细化的医学图像分割图。本发明使用双尺度编码器网络，能够捕获不同的视野信息，获取更丰富的上下文信息，对损失的信息进行相互补充，实现对医学图像更精确、更完整的分割。
-
公开(公告)号：CN104038901A
公开(公告)日：2014-09-10
申请号：CN201410238077.2
申请日：2014-05-30
Applicant: 中南大学
Abstract: 本发明公开了一种减少指纹数据采集工作量的室内定位方法，对于多个AP，RSSI差值越大的点对，其物理距离相距也较远。利用此特点，将某位置上所获得的多个AP的RSSI值作为此位置的高维特征数据，计算点与点之间的RSSI“距离值”，视其为两点之间的亲近关系，再利用多维标度分析算法得到各对象之间的一个低维空间的相对位置关系，最后，利用较少样本点作为锚节点就可以求得其余点的绝对位置，从而实现减少样本点采集个数的目的，并在此基础上提出分层次的缩小区域方法，进一步达到降低定位误差的目的。相比较于KNN算法，本发明的方法可以减少采集点，同时降低定位误差。
-
公开(公告)号：CN118332250A
公开(公告)日：2024-07-12
申请号：CN202310034152.2
申请日：2023-01-10
Applicant: 中南大学
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06F18/2411 , G06F17/14 , G06F17/16
Abstract: 本发明公开了一种适用于伴随动作的跌倒检测方法、系统、终端及介质，包括：S1：通过测量设备获取用户运动状态的信道状态信息样本信号数据，并对信号数据进行数据预处理，得到能够反映用户动作且保持平滑平静的感知信号；S2：对数据预处理后得到的感知信号作时频分析，并使用分割算法找出跌倒动作的起点和终点，生成对应的多普勒频移谱；S3：将多普勒频移谱输入到构建的跌倒识别模型中，在消除伴随动作干扰的基础上完成对用户运动状态的判断。克服传统方案在识别伴随动作时准确率下降的缺点。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.016 seconds)
