-
公开(公告)号：CN112434796A
公开(公告)日：2021-03-02
申请号：CN202011426416.1
申请日：2020-12-09
Applicant: 同济大学
Abstract: 本发明涉及一种基于局部信息学习的跨模态行人再识别方法，包括：获取标准数据集，并对标准数据集进行数据增强；将数据增强后的标准数据集划分为训练集和测试集；基于双流ResNet50卷积神经网络架构，构建跨模态行人再识别训练网络；将训练集输入跨模态行人再识别训练网络，通过训练得到跨模态行人再识别测试网络；从测试集中随机选取一张待查询图像，将待查询图像以及测试集中的候选数据库输入跨模态行人再识别测试网络，得到待查询图像对应的识别精度值。与现有技术相比，本发明通过有效提取不同模态图像之间的特定特征、对特定特征进行中高层特征联合学习以得到共享特征，能够减小RGB与红外两种模态之间的差异性、提高跨模态行人再识别的识别精度。
-
公开(公告)号：CN112434599A
公开(公告)日：2021-03-02
申请号：CN202011321451.7
申请日：2020-11-23
Applicant: 同济大学
Abstract: 本发明涉及一种基于噪声通道的随机遮挡恢复的行人重识别方法，该方法包括以下步骤：步骤1：将基准数据集进行数据划分以及预处理后，构建CAN网络结构并利用其对基准数据集中经过数据划分以及预处理后得到的训练集进行数据扩充，利用数据扩充后的训练集对基础网络主体特征提取结构进行训练，得到训练完毕的基础网络主体特征提取结构；步骤2：构建标签误差的噪声通道结构；步骤3：基于训练完毕的基础网络主体特征提取结构、噪声通道结构和CAN网络结构，综合建立得到基于噪声通道的随机遮挡恢复的行人重识别网络；步骤4：利用该行人重识别网络对实际待测原始图像进行识别。与现有技术相比，本发明具有网络鲁棒性好，精确度高，误差低等优点。
-
公开(公告)号：CN111814845A
公开(公告)日：2020-10-23
申请号：CN202010563309.7
申请日：2020-06-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于多支流融合模型的行人重识别方法，该方法使用深度学习技术，对训练集图片进行翻转、裁剪、随机擦除等预处理操作，然后经过基本网络模型进行特征提取，在使用多个支流损失函数进行融合联合训练网络，在第一、二条支流使用胶囊网络从水平方向和垂直方向来提取不同位置切片的空间关系，第三条支流使用胶囊网络来学习所获得特征图不同通道间的相关关系，第四条支流用于学习全局特征，第五条支流用于进行相应的相似度度量，通过多个支流模型的融合，考虑了不同的分割区域之间的相互关系，能够有效获取水平方向的身体零件特征，进而使网络提取的特征更加有效。
-
公开(公告)号：CN107480469A
公开(公告)日：2017-12-15
申请号：CN201710642956.5
申请日：2017-07-31
Applicant: 同济大学
Abstract: 本发明涉及一种用于在基因序列中快速搜索给定模式的方法，包括以下步骤：统计输入序列的背景分布；将各个给定模式的位置频率矩阵转换为PWM矩阵，计算PWM矩阵的阈值K；计算每个PWM矩阵的期望向量；计算每个PWM矩阵的预计算窗口位置；计算每个PWM矩阵的预计算窗口的总排列分值；计算每个PWM矩阵的匹配顺序向量；计算每个PWM矩阵的最大分值向量；通过滑动窗口扫描输入序列，匹配输入序列与各个PWM矩阵，得到匹配成功的结果向量。与现有技术相比，本发明面对多个序列模式匹配，不需要多次扫描和计算匹配，只需要依次搜索即可完成对所有模式的匹配，具有匹配速度快等优点。
-
公开(公告)号：CN104036235A
公开(公告)日：2014-09-10
申请号：CN201410228847.5
申请日：2014-05-27
Applicant: 同济大学
Abstract: 本发明涉及一种基于叶片HOG特征和智能终端平台的植物物种识别方法，包括以下步骤：1)客户端获取叶片图像；2)对获取的叶片图像进行预处理后将叶片图像传输给服务器端，并同时向服务器端发送识别请求；3)服务器端收到识别请求后，对叶片图像进行HOG特征提取；4)以提取出的HOG特征作为训练好的SVM分类器的输入，对叶片图像进行分类识别；5)根据识别结果从植物物种数据库查找当前叶片图像对应类别的植物物种信息，并发送给客户端；6)客户端显示识别结果及对应植物物种信息。与现有技术相比，本发明具有准确率高、使用方便等优点。
-
Patent Agency Ranking
公开(公告)号：CN103714317A
公开(公告)日：2014-04-09
申请号：CN201310670473.8
申请日：2013-12-10
Applicant: 同济大学
Abstract: 本发明涉及一种基于Android平台的植物叶片识别方法，包括(1)对待检测植物图像进行感兴区裁剪，选择单机识别则执行(2)，选择联网识别则执行(4)；(2)联合K最邻近结点分类器和支持向量机，利用Android平台的数据库对待检测植物图像进行分类识别；(3)求取待检测植物图像的特征描述向量与数据库中所有植物图像的特征描述向量的欧式距离，取欧氏距离最小的前五种植物种类，判断得到的目标植物种类是否在五种植物种类里，是则执行(5)，否则执行(4)；(4)通过HTTP协议将感兴区图像发送到服务器端。与现有技术相比，本发明图像处理实时高效，利用NDK以及JNI技术显著提高了识别分类的准确度与速度。
-
公开(公告)号：CN111814592B
公开(公告)日：2024-04-26
申请号：CN202010563207.5
申请日：2020-06-19
Applicant: 同济大学
IPC: G06V20/60 , G06V10/94 , G06V10/82 , H04L67/01 , H04M1/72406
Abstract: 本发明涉及一种基于可叠加胶囊网络的植物叶片识别方法，该方法以手机平台为客户端，手机平台采集叶片图像、发出识别请求并对植物物种信息数据库进行展示；客户端发出识别请求至高性能计算机的服务器端，服务器端对叶片图像进行特征提取、训练，以及利用可叠加胶囊网络对叶片进行识别。与现有技术相比，本发明具有识别准确率高、使用方便等优点。
-
公开(公告)号：CN112434796B
公开(公告)日：2022-10-25
申请号：CN202011426416.1
申请日：2020-12-09
Applicant: 同济大学
IPC: G06V40/10 , G06V10/82 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于局部信息学习的跨模态行人再识别方法，包括：获取标准数据集，并对标准数据集进行数据增强；将数据增强后的标准数据集划分为训练集和测试集；基于双流ResNet50卷积神经网络架构，构建跨模态行人再识别训练网络；将训练集输入跨模态行人再识别训练网络，通过训练得到跨模态行人再识别测试网络；从测试集中随机选取一张待查询图像，将待查询图像以及测试集中的候选数据库输入跨模态行人再识别测试网络，得到待查询图像对应的识别精度值。与现有技术相比，本发明通过有效提取不同模态图像之间的特定特征、对特定特征进行中高层特征联合学习以得到共享特征，能够减小RGB与红外两种模态之间的差异性、提高跨模态行人再识别的识别精度。
-
公开(公告)号：CN113096733A
公开(公告)日：2021-07-09
申请号：CN202110509316.3
申请日：2021-05-11
Applicant: 同济大学
Abstract: 本发明涉及一种基于序列和形状信息深度融合的模体挖掘方法，包括：S1、构建深度嵌入卷积神经网络模型，并对DNA序列和形状信息进行空间对齐混合，作为所述神经网络模型的输入；S2、对所述深度嵌入卷积神经网络模型进行训练，得到模体绑定强度预测值；S3、基于预测值与实际绑定强度之间的回归系数R2对所述构建的深度嵌入卷积神经网络模型性能进行评估。本发明方法利用了卷积神经网络在特征提取方面的优势，实现了序列和形状特征的深度融合。
-
公开(公告)号：CN113053462A
公开(公告)日：2021-06-29
申请号：CN202110265414.7
申请日：2021-03-11
Applicant: 同济大学
Abstract: 本发明公开了基于双向注意力机制的RNA与蛋白质绑定偏好预测方法和系统，通过利用注意力机制和双向LSTM的组合对潜在基元位点的上下文进行特征分析，进而完成RNA基元挖掘任务，针对RNA序列中弱监督信息使用问题，在模型中融入了多示例机制。针对RNA序列不同位点重要程度差异问题，在模型中使用注意力机制来评估不同位点的重要性，本发明提供了基于双向注意力机制的RNA与蛋白质绑定偏好预测方法和系统，步骤简单，实用性强，系统性能稳定且预测效果准确性高，为RNA‑蛋白质绑定预测提供了技术依据。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.039 seconds)
