-
公开(公告)号：CN116758126A
公开(公告)日：2023-09-15
申请号：CN202310772722.8
申请日：2023-06-28
Applicant: 南通大学
IPC: G06T7/33 , G06V10/46 , G06F16/901
Abstract: 本发明提供了一种基于相似三角形的误匹配剔除的快速点云配准方法，属于计算机视觉、三维重建技术领域。解决了点云特征误匹配率过高及点云数据中混合变化所导致的误匹配的技术问题。其技术方案为：首先使用SIFT算法对点云进行特征提取，获得局部关键特征点，然后使用改进法向量计算方法结合FPFH算法来处理局部关键特征点，得到更准确的点云特征描述子，接着对两块点云的特征描述子进行匹配从而获得初始匹配对，使用误匹配剔除方法对初始匹配进行过滤获得精确匹配，并计算变换矩阵，最后使用迭代最近点ICP算法进行精配准，使两块点云的配准误差达到最小。本发明的有益效果为：提高配准精度和配准速度。
-
公开(公告)号：CN118468128A
公开(公告)日：2024-08-09
申请号：CN202410434157.9
申请日：2024-04-11
Applicant: 南通大学
IPC: G06F18/2415 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/045
Abstract: 本发明提供一种基于多尺度特征与特征回退的人类日常活动识别方法，属于深度学习技术领域。解决了最优周期特征选择与过度拟合的技术问题。其技术方案为：Wiener‑Khinchine theorem获取最优的周期来构建多尺度输入、时序回退特征提取防止过拟合、一个多尺度重要性加权损失函数调整参数的倾向。本发明的有益效果为：本发明方法与现有的一些基于深度学习方法相比，具有更高的识别准确率。
-
公开(公告)号：CN118606785A
公开(公告)日：2024-09-06
申请号：CN202410729231.X
申请日：2024-06-06
Applicant: 南通大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明提供一种构造原型特征进行人类活动识别的高效深度学习方法，属于深度学习技术领域。解决了测试域数据与训练域数据分布不同导致的性能下降与降低TransformerO(L^2)复杂度的技术问题。其技术方案为：计算QK特征与均值特征的距离构建两组一维矩阵并由这两个矩阵计算注意力矩阵降低复杂度、初始化原型特征池通过门网络决赋值权重并挑选原型样本与非关注特征进行融合，新构造出来的特征再与关注特征进行加权融合，原型损失函数的设计保证构造特征的有效性与识别的准确性。本发明的有益效果为：本发明方法与现有的一些基于深度学习方法相比，具有更高的识别准确率与鲁棒性。
-
公开(公告)号：CN117437431A
公开(公告)日：2024-01-23
申请号：CN202311471625.1
申请日：2023-11-07
Applicant: 南通大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/86
Abstract: 本发明属于深度学习技术领域，具体涉及一种日常活动运动量检测和异常状况评估的深度学习方法。本发明包括以下步骤：图神经网络对传感器数据的增强、注意力特征编码与活动识别、对日常活动的评估、通道融合与残差连接。本发明通过图神经网络挖掘传感器数据不同变量之间相关关系，对存在相关关系的变量进行特征信息的传递，以丰富各个节点的信息量；其次，设计了一个神经控制微分方程网络配合卷积网络的模块以便对增强过后的数据进行特征编码与分类，然后对日常活动的识别结果进行运动量或是异常情况的评估，确定日常活动量的时间占比和是否出现与历史数据不符的异常状况，本发明方法与现有的一些深度学习方法相比，具有更好的识别准确性。
-
Patent Agency Ranking
公开(公告)号：CN118013357A
公开(公告)日：2024-05-10
申请号：CN202410072656.8
申请日：2024-01-18
Applicant: 南通大学
IPC: G06F18/241 , G06F18/15 , G06F18/213 , G06F18/2415 , G06F18/25 , G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06F123/02
Abstract: 本发明属于深度学习技术领域，具体涉及一种基于时序分解实现人类日常活动识别的深度学习方法。本发明包括以下步骤：时序数据分解为季节项和周期项、可堆叠编码器提取多尺度时序特征、一个混合加权损失函数控制模型参数的偏向。本发明通过神经网络将时间序列数据分解成季节项与周期项，通过时序分解，可以识别出时间序列中的周期成分，了解数据的整体变化趋势，还可以发现数据中存在的季节性变化；其次，设计了一个可堆叠的多尺度特征提取网络层以便建模季节项与周期项各自的时序关系，然后设计一个混合加权损失函数，控制模型偏向季节或周期建模的力度，实现人类日常活动的识别，本发明方法与现有的一些深度学习方法相比，具有更高的识别准确率。
-
公开(公告)号：CN116503452A
公开(公告)日：2023-07-28
申请号：CN202310480348.4
申请日：2023-04-28
Applicant: 南通大学
Abstract: 本发明涉及算机视觉、三维重建技术领域，尤其涉及一种基于SIFT特征提取的点云配准方法。解决了传统ICP算法计算效率、精度及易受噪声干扰的问题。其技术方案为：包括以下步骤：S1：使用带有拓扑关系的二叉树KD‑tree结构存储源点云P和目标点云Q；S2：使用SIFT算法提取源点云P和目标点云Q的关键点云；S3：计算关键点云的法向量以及快速点特征直方图；S4：基于SAC‑IA算法进行粗配准；S5：基于ICP算法进行精配准。本发明的有益效果为：本发明相对传统ICP算法在配准精度以及速度上大大提高。
-
公开(公告)号：CN119494038A
公开(公告)日：2025-02-21
申请号：CN202411572939.5
申请日：2024-11-06
Applicant: 南通大学
IPC: G06F18/2413 , G06F18/22 , G06F18/214 , G06F30/27 , G06N3/0455 , G06F123/02
Abstract: 本发明提供了一种基于局部敏感hash的时序分解特征最近邻搜索方法，属于深度学习技术领域，解决了数据分布不同带来的训练结果与测试结果存在差异的技术问题。其技术方案为：堆叠分解网络时序数据分解为通道相似项和非相似项、局部敏感hash实现高维空间内的最近邻搜索压缩自注意力矩阵、一个三重损失函数减小源域目标域的数据分布差异。本发明的有益效果为：本发明方法与现有的一些深度学习方法相比，具有更高的识别准确率。
-
公开(公告)号：CN118447364A
公开(公告)日：2024-08-06
申请号：CN202410481704.9
申请日：2024-04-22
Applicant: 南通大学
Abstract: 本发明提供了一种基于双分支时空图卷积网络融合的行人轨迹预测方法，属于移动机器人的感知与决策领域，解决了传统方法中行人社会交互不充分，以及行人运动模式难以捕捉，需要模拟复杂时间依赖性的技术问题，其技术方案为：包括以下步骤：步骤一、使用预训练CNN提取行人场景特征；步骤二、在双分支分别构建行人两两交互图与组间交互图，并在图中嵌入场景特征；步骤三、使用空间GCN提取行人空间特征；步骤四、使用时间外推卷积网络处理两个分支输出的时空特征来预测轨迹的高斯分布参数。本发明的有益效果为：本发明能更好的建模行人复杂的社会交互，并捕捉每个行人独特的运动模式，提高预测的准确率和泛化能力。
-
公开(公告)号：CN118333952A
公开(公告)日：2024-07-12
申请号：CN202410365817.2
申请日：2024-03-28
Applicant: 南通大学
Abstract: 本发明提供了一种基于局部区域主动轮廓模型的三维冠状动脉自动分割方法，属于图像分割的医学图像分割技术领域。解决了传统方法没有充分考虑医学图像的高噪声和灰度不均的问题。其技术方案为：包括以下步骤：步骤一、对图像进行窗宽窗位的处理；步骤二、使用聚类来提取包含冠状动脉和心脏的区域；步骤三、使用Jerman血管滤波器对该区域进行血管增强滤波；步骤四、使用三维区域生长方法来分割和提取冠状组织；步骤五、对步骤四中分割得到的血管进行细化；步骤六、使用高度脊遍历方法得到步骤五中未能得到的冠状动脉骨架；步骤七、将步骤五与步骤六中得到的骨架进行融合。本发明的有益效果为：保证较高的分类准确率和鲁棒性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.022 seconds)
