-
公开(公告)号：CN116189275B
公开(公告)日：2024-01-30
申请号：CN202310103916.9
申请日：2023-02-13
Applicant: 南通大学
IPC: G06V40/18 , G06V40/16 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于面部地标热图的线上考试监考方法，包括：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face‑net,从面部图像获取粗粒度视线估计；S3：搭建Eye‑net,从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为。本发明无需针对个人进行校对即可进行精准的视线估计，有助于提高线上监考时辨别作弊行为的准确率。
-
公开(公告)号：CN113362299B
公开(公告)日：2023-09-12
申请号：CN202110619088.5
申请日：2021-06-03
Applicant: 南通大学
IPC: G06V20/52 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/762
Abstract: 本发明公开了一种基于改进YOLOv4的X光安检图像检测方法，S1.建立含有违禁品的X光安检图像数据集，并将数据集分为训练集和测试集；S2.利用K‑means++聚类算法设置数据集的先验框；S3.搭建YOLOv4网络模型，包含利用GHM‑C改进YOLOv4的置信度损失函数；S4.利用训练集对改进的YOLOv4模型进行训练得到X光安检图像检测模型；S5.利用测试集对X光安检图像检测模型进行测试。使用GHM‑C loss代替YOLOv4中的置信度损失函数,通过降低简单负样本和非常困难的异常样本的权重，使模型更加专注于那些更为有效的正常困难样本，从而解决样本不平衡问题以提升模型的性能。
-
公开(公告)号：CN116189275A
公开(公告)日：2023-05-30
申请号：CN202310103916.9
申请日：2023-02-13
Applicant: 南通大学
IPC: G06V40/18 , G06V40/16 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于面部地标热图的线上考试监考方法，包括：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face‑net,从面部图像获取粗粒度视线估计；S3：搭建Eye‑net,从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为。本发明无需针对个人进行校对即可进行精准的视线估计，有助于提高线上监考时辨别作弊行为的准确率。
-
公开(公告)号：CN115171878A
公开(公告)日：2022-10-11
申请号：CN202210759072.9
申请日：2022-06-29
Applicant: 南通大学
Abstract: 本发明涉及抑郁症检测技术领域，尤其涉及基于BiGRU和BiLSTM的抑郁症检测方法。包括以下步骤:步骤S1、构建训练样本集，所述训练样本集包含抑郁症和非抑郁症患者的音频和对应的文本信息，按照9:1的比例划分训练集和测试集；步骤S2、采用vggish网络模型进行音频特征提取并训练，提取梅尔语谱图特征，获得具备情景感知的语音向量特征；步骤S3、进行文本特征提取并训练，对所述训练样本集的患者测试文本进行句子级嵌入处理，获得文本特征；步骤S4、使用双向门循环单元BiGRU和双向长短期记忆网络BiLSTM模型，对所述语音向量特征和所述文本特征进行融合，从而进行抑郁症的分析判断；步骤S5、使用测试集对改进的模型进行测试，完成检测。
-
公开(公告)号：CN115273180B
公开(公告)日：2023-08-15
申请号：CN202210773448.1
申请日：2022-07-01
Applicant: 南通大学
IPC: G06V40/16 , G06V40/10 , G06V40/18 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N20/00
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于随机森林的线上考试监考方法，包括以下步骤：S1：在获得视频帧的图片后，利用改进的MTCNN方法进行人脸检测，特征提取和人脸对齐；S2：基于面部特征点计算头部姿态；S3：基于随机森林，融合头部姿态和面部特征进行视线估计；S4：对作弊行为进行判断。本发明使用基于迁移学习的人脸检测方法可以在人脸存在较大角度偏转以及暗光条件下很好的检测到人脸，在佩戴眼镜的情况下也可以准确获取到特征点信息。本发明只需借助网络摄像头，从而降低对设备的需求，有助于推进线上考试的发展；能够实时检测考生作弊情况，减少作弊行为发生的概率。
-
Patent Agency Ranking
公开(公告)号：CN115456981A
公开(公告)日：2022-12-09
申请号：CN202211073636.X
申请日：2022-09-02
Applicant: 南通大学
IPC: G06T7/00 , G06N3/04 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及人工智能神经网络技术领域，尤其涉及一种基于深度残差收缩网络的眼病诊断方法，包括：S1：采集病人结构化、脱敏眼科图像集据作为样本数据，并对眼部数据根据病情进行类别标注；S2：对采集的眼部图像进行预处理；S3：构建训练集和测试集，采用分层抽样算法对训练集中眼部样本数据进行采样，均衡样本数据；S4：将训练集输入深度残差收缩网络，对深层特征进行多尺度提取，去除噪声，输出分类结果；S5：训练并优化模型，测试集测试模型性能，实现眼部疾病诊断。本发明采用注意力机制，抽取出更加关键及重要的信息，使模型做出更加准确的判断；使用软阈值化，减少噪声影响；采用分层抽样和交叉熵损失函数优化算法，提高训练和预测的准确度。
-
公开(公告)号：CN113362299A
公开(公告)日：2021-09-07
申请号：CN202110619088.5
申请日：2021-06-03
Applicant: 南通大学
Abstract: 本发明公开了一种基于改进YOLOv4的X光安检图像检测方法，S1.建立含有违禁品的X光安检图像数据集，并将数据集分为训练集和测试集；S2.利用K‑means++聚类算法设置数据集的先验框；S3.搭建YOLOv4网络模型，包含利用GHM‑C改进YOLOv4的置信度损失函数；S4.利用训练集对改进的YOLOv4模型进行训练得到X光安检图像检测模型；S5.利用测试集对X光安检图像检测模型进行测试。使用GHM‑C loss代替YOLOv4中的置信度损失函数,通过降低简单负样本和非常困难的异常样本的权重，使模型更加专注于那些更为有效的正常困难样本，从而解决样本不平衡问题以提升模型的性能。
-
公开(公告)号：CN113990409B
公开(公告)日：2024-09-24
申请号：CN202111232532.4
申请日：2021-10-22
Applicant: 南通大学
IPC: G16C20/30 , G16C20/70 , G06F18/213 , G06F18/23213 , G06F18/27
Abstract: 本发明提供了一种基于混合特征选择的辛烷值损失预测方法，属于石油化工技术领域。解决了现有的辛烷值损失测定方法成本高、耗时大的问题。其技术方案为：该预测方法包括如下步骤：S1:获取从催化裂化汽油精制装置采集的样本原始数据；S2:将数据样本进行预处理；S3:使用k‑means聚类算法初步筛选变量：S4:使用皮尔逊相关系数检验变量的线性关系，并用距离相关系数检验变量的非线性关系,将与其它变量相关性较高的变量剔除：S5:根据决策树计算的各变量重要性，得到建模的最终变量；S6:根据辛烷值损失和筛选的变量，建立多元线性回归模型并进行训练。本发明的有益效果为：可以使建模的主要变量具有代表性和独立性。
-
公开(公告)号：CN115273180A
公开(公告)日：2022-11-01
申请号：CN202210773448.1
申请日：2022-07-01
Applicant: 南通大学
IPC: G06V40/16 , G06V40/10 , G06V40/18 , G06V10/44 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N20/00
Abstract: 本发明涉及机器学习视觉技术领域，尤其涉及一种基于随机森林的线上考试监考方法，包括以下步骤：S1：在获得视频帧的图片后，利用改进的MTCNN方法进行人脸检测，特征提取和人脸对齐；S2：基于面部特征点计算头部姿态；S3：基于随机森林，融合头部姿态和面部特征进行视线估计；S4：对作弊行为进行判断。本发明使用基于迁移学习的人脸检测方法可以在人脸存在较大角度偏转以及暗光条件下很好的检测到人脸，在佩戴眼镜的情况下也可以准确获取到特征点信息。本发明只需借助网络摄像头，从而降低对设备的需求，有助于推进线上考试的发展；能够实时检测考生作弊情况，减少作弊行为发生的概率。
-
公开(公告)号：CN113990409A
公开(公告)日：2022-01-28
申请号：CN202111232532.4
申请日：2021-10-22
Applicant: 南通大学
Abstract: 本发明提供了一种基于混合特征选择的辛烷值损失预测方法，属于石油化工技术领域。解决了现有的辛烷值损失测定方法成本高、耗时大的问题。其技术方案为：该预测方法包括如下步骤：S1:获取从催化裂化汽油精制装置采集的样本原始数据；S2:将数据样本进行预处理；S3:使用k‑means聚类算法初步筛选变量：S4:使用皮尔逊相关系数检验变量的线性关系，并用距离相关系数检验变量的非线性关系,将与其它变量相关性较高的变量剔除：S5:根据决策树计算的各变量重要性，得到建模的最终变量；S6:根据辛烷值损失和筛选的变量，建立多元线性回归模型并进行训练。本发明的有益效果为：可以使建模的主要变量具有代表性和独立性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.023 seconds)
