-
公开(公告)号：CN116935494A
公开(公告)日：2023-10-24
申请号：CN202311187857.4
申请日：2023-09-15
Applicant: 吉林大学
IPC: G06V40/20 , G06N3/0464 , G06N3/08 , G06V10/20 , G06V10/764 , G06V10/82 , G06V20/40
Abstract: 本发明适用于图像处理技术领域，提供了一种基于轻量化网络模型的多人坐姿识别方法，包括以下步骤：处理采集的视频流数据，使用OpenPose进行关键点提取，将得到的人体关键点进行单人连接并使用边界框归一化预处理，使用最小生成树算法构建人体骨架图，处理人体骨架图后，对数据集进行标注；增强处理后的图像，扩大数据集；构建基于轻量化卷积神经网络的LMSPNet模型；对LMSPNet模型进行训练，生成训练模型；对训练模型进行测试。本发明实现了对多人坐姿的自动预测和评估，通过自动预测人体关键点并生成人体骨架图，能够成功对用户的坐姿进行分类判断，帮助用户及时发现和纠正错误的坐姿，预防潜在的伤害。
-
公开(公告)号：CN119600688A
公开(公告)日：2025-03-11
申请号：CN202411689166.9
申请日：2024-11-25
Applicant: 吉林大学
IPC: G06V40/20 , G06V20/40 , G06V20/64 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明适用于坐姿识别技术领域，提供了一种基于深度学习的三维高效人体坐姿识别方法，包括以下步骤：录制视频数据，对视频中的图像都先使用blazepose进行3d姿态估计，提取三维关键点坐标；再将得到的关键点坐标随机抖动和镜像翻转进行数据增强，扩大数据集；构建基于点云模型的KpointNet模型；对KpointNet模型进行训练，生成训练模型；最后对训练好的模型进行测试，并应用于实践中。本发明可以从RGB图像中获取更丰富的空间信息，提高了信息维度；基于点云模型修正的KpointNet模型提高了网络模型的推理利用率，有着更好的准确率，直接对三维关键点数据进行学习，有更高效的数据利用率，本发明可以三维高效的识别人体坐姿类别，及时纠正不良坐姿，预防潜在的健康风险。
-
公开(公告)号：CN116935494B
公开(公告)日：2023-12-12
申请号：CN202311187857.4
申请日：2023-09-15
Applicant: 吉林大学
IPC: G06V40/20 , G06N3/0464 , G06N3/08 , G06V10/20 , G06V10/764 , G06V10/82 , G06V20/40
Abstract: 本发明适用于图像处理技术领域，提供了一种基于轻量化网络模型的多人坐姿识别方法，包括以下步骤：处理采集的视频流数据，使用OpenPose进行关键点提取，将得到的人体关键点进行单人连接并使用边界框归一化预处理，使用最小生成树算法构建人体骨架图，处理人体骨架图后，对数据集进行标注；增强处理后的图像，扩大数据集；构建基于轻量化卷积神经网络的LMSPNet模型；对LMSPNet模型进行训练，生成训练模型；对训练模型进行测试。本发明实现了对多人坐姿的自动预测和评估，通过自动预测人体关键点并生成人体骨架图，能够成功对用户的坐姿进行分类判断，帮助用户及时发现和纠正错误的坐姿，预防潜在的伤害。
-
公开(公告)号：CN116778208B
公开(公告)日：2023-11-10
申请号：CN202311070150.5
申请日：2023-08-24
Applicant: 吉林大学
IPC: G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明适用于图像处理技术领域，提供了一种基于深度网络模型的图像聚类方法，包括以下步骤：对数据集进行灰度归一化预处理，将像素值统一，裁剪为统一大小；把处理后的图像数据集分成训练集、验证集和测试集，增强图像，制作数据集视图，将每个图像数据生成两种增强视图，为数据赋予伪标签；构建深度网络模型；训练深度网络模型，生成训练模型；对训练模型进行测试。本发明中深度网络模型将类内紧密性与类间差异性相互融合，得到更多尺度、更丰富的特征，在聚类头模块实现精准的聚类分配；可以准确地进行层次相似性的提取，减少了因缺少相似性信息导致的类间冲突从而导致聚类性能不佳，提高聚类效率与聚类效果。
-
公开(公告)号：CN119339443B
公开(公告)日：2025-04-04
申请号：CN202411886455.8
申请日：2024-12-20
Applicant: 吉林大学
IPC: G06V40/20 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于摄影测量学和深度学习的三维人体姿态识别方法，涉及姿态识别技术领域，包括以下步骤：收集原始视频数据，使用基于深度学习的三维姿态估计方法MediaPipe进行姿态估计，获取图像原始三维关键点数据；再使用关键点规范算法对关键点数据进行初步约束，纠正识别误差；再使用基于共线方程的多视角模拟算法进行数据增强，以获取更丰富的视角信息，扩大数据集；构建姿态识别模型KeyposeNet；对KeyposeNet进行训练和测试，选出最佳模型进行姿态识别。本发明采用上述一种基于摄影测量学和深度学习的三维人体姿态识别方法，实现了更高效和准确的人体姿态分类识别，减少了人工分类的成本，为人体姿态的识别判断提供了辅助手段，从而应用于各种场合。
-
Patent Agency Ranking
公开(公告)号：CN117292742A
公开(公告)日：2023-12-26
申请号：CN202311138515.3
申请日：2023-09-05
IPC: G16B5/00 , G16B40/20 , G06N3/0442 , G06N3/09
Abstract: 本发明适用于肽识别技术领域，提供了一种抗癌肽识别方法及系统，识别方法包括以下步骤：输入给定的肽序列，对肽序列进行数据增强，得到原始序列；第一通道使用Bi‑LSTM从原始序列中提取特征；第二通道将原始序列转化为化学分子式的形式，并使用SMILES简化化学分子式，将SMILES表示的序列输入至预训练的BERT模型，得到深度抽象特征；第三通道融合BPF、DPC、PAAC和K‑mer四种特征，共同提取原始序列不同层面的特征；拼接三个通道提取的特征，通过全连接层对输入的肽序列进行分类。本发明中ACP‑BC模型具有较强的稳健性和通用性，在预测ACP和非ACP方面具有巨大的潜力。
-
公开(公告)号：CN116774154B
公开(公告)日：2023-10-31
申请号：CN202311061194.1
申请日：2023-08-23
Applicant: 吉林大学
IPC: G01S7/02 , G01S7/41 , G06V10/46 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/80
Abstract: 本发明适用于雷达信号处理领域，提供了一种雷达信号分选方法，该方法包括以下步骤：步骤A：生成六种雷达信号调制模式不同情况的数据，以扩充数据集；步骤B：对步骤A中的图像进行正则化操作；步骤C：构建基于卷积神经网络和Transformer的RDNet；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果，本发明的分选准确度高，在面对输入脉冲中缺失率和噪音率高的情况下鲁棒性强，可以成为复杂电磁环境下雷达信号分选的有利工具，有助于电子战中雷达电子对抗的实施。
-
公开(公告)号：CN116778208A
公开(公告)日：2023-09-19
申请号：CN202311070150.5
申请日：2023-08-24
Applicant: 吉林大学
IPC: G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明适用于图像处理技术领域，提供了一种基于深度网络模型的图像聚类方法，包括以下步骤：对数据集进行灰度归一化预处理，将像素值统一，裁剪为统一大小；把处理后的图像数据集分成训练集、验证集和测试集，增强图像，制作数据集视图，将每个图像数据生成两种增强视图，为数据赋予伪标签；构建深度网络模型；训练深度网络模型，生成训练模型；对训练模型进行测试。本发明中深度网络模型将类内紧密性与类间差异性相互融合，得到更多尺度、更丰富的特征，在聚类头模块实现精准的聚类分配；可以准确地进行层次相似性的提取，减少了因缺少相似性信息导致的类间冲突从而导致聚类性能不佳，提高聚类效率与聚类效果。
-
公开(公告)号：CN119339443A
公开(公告)日：2025-01-21
申请号：CN202411886455.8
申请日：2024-12-20
Applicant: 吉林大学
IPC: G06V40/20 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于摄影测量学和深度学习的三维人体姿态识别方法，涉及姿态识别技术领域，包括以下步骤：收集原始视频数据，使用基于深度学习的三维姿态估计方法MediaPipe进行姿态估计，获取图像原始三维关键点数据；再使用关键点规范算法对关键点数据进行初步约束，纠正识别误差；再使用基于共线方程的多视角模拟算法进行数据增强，以获取更丰富的视角信息，扩大数据集；构建姿态识别模型KeyposeNet；对KeyposeNet进行训练和测试，选出最佳模型进行姿态识别。本发明采用上述一种基于摄影测量学和深度学习的三维人体姿态识别方法，实现了更高效和准确的人体姿态分类识别，减少了人工分类的成本，为人体姿态的识别判断提供了辅助手段，从而应用于各种场合。
-
公开(公告)号：CN116774154A
公开(公告)日：2023-09-19
申请号：CN202311061194.1
申请日：2023-08-23
Applicant: 吉林大学
IPC: G01S7/02 , G01S7/41 , G06V10/46 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/80
Abstract: 本发明适用于雷达信号处理领域，提供了一种雷达信号分选方法，该方法包括以下步骤：步骤A：生成六种雷达信号调制模式不同情况的数据，以扩充数据集；步骤B：对步骤A中的图像进行正则化操作；步骤C：构建基于卷积神经网络和Transformer的RDNet；输入的雷达信号图像首先经过特征提取编码器进行特征提取，然后将提取的特征送入到解码器进行尺度的重建，最后将与原始图像相同尺寸的特征输入到雷达信号分选头，从而得到最终的分选结果，本发明的分选准确度高，在面对输入脉冲中缺失率和噪音率高的情况下鲁棒性强，可以成为复杂电磁环境下雷达信号分选的有利工具，有助于电子战中雷达电子对抗的实施。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.016 seconds)
