-
公开(公告)号：CN110321835A
公开(公告)日：2019-10-11
申请号：CN201910584659.9
申请日：2019-07-01
Applicant: 杭州创匠信息科技有限公司 , 杭州电子科技大学
Abstract: 本发明涉及一种人脸门禁方法、系统及设备，属于人工智能和计算机视觉技术领域。该方法中，对每个员工生成单独的人脸模型，在进行人脸识别时，只需要在人脸库中识别欧式距离在阈值范围内的人脸模型，方便、快捷，其响应速度快、方便部署，针对每个员工生成单独的人脸模型，当公司人员发生变化的时候，可以非常灵活机变地增减小模型数量，数据更新也非常的便捷，并且资源占用量少，更新的同时不会影响门禁系统的同步使用。解决了现有技术中，需要训练统一模型，在人脸数据多时，费时、响应慢、部署难度大的问题。
-
公开(公告)号：CN110276320A
公开(公告)日：2019-09-24
申请号：CN201910561336.8
申请日：2019-06-26
Applicant: 杭州创匠信息科技有限公司 , 杭州电子科技大学
Abstract: 本发明涉及一种基于人脸识别的门禁方法、装置、设备和存储介质，其中，门禁方法包括：采集门禁区域图像；利用预先训练的人脸检测模型对采集的门禁区域图像检测人脸；如果检测到人脸，对所述门禁区域图像中的人脸区域，利用预先训练的卷积神经网络模型进行人脸特征提取，得到所述门禁区域图像对应的人脸特征向量；所述卷积神经网络模型的卷积层的层数小于或者等于预设层数；将所述门禁区域图像对应的人脸特征向量与预先构建的人脸数据库中的预存人脸特征向量进行比对；如果所述人脸数据库中存在与所述门禁区域图像对应的人脸特征向量匹配的预存人脸特征向量，解除门禁。两个模型的内存占用量仅几百kB，完全可以在设备本地进行存储和计算。
-
公开(公告)号：CN118262139A
公开(公告)日：2024-06-28
申请号：CN202311773501.9
申请日：2023-12-21
Applicant: 杭州电子科技大学 , 杭州电子科技大学上虞科学与工程研究院有限公司
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0442 , G06N3/0455
Abstract: 本发明公开了一种基于双源注意力动态神经网络的短临降雨预报方法及系统。方法主要包括如下步骤：对雷达灰度图像和降雨量灰度图像进行预处理，划分出训练样本集和验证样本集；构建并训练双源注意力动态神经网络，对雷达样本和降雨量样本根据时序进行划分，雷达数据和降雨量数据依次通过编码器进行编码，再通过解码器进行解码，通过多层神经网络前向传播，并利用反向传播来更新双源注意力动态神经网络中的权重，多次训练得到最佳的神经网络模型；利用训练好的双源注意力动态神经网络以及处理好的历史雷达和降雨量数据进行预测，得到未来时刻的降雨量图像序列。本发明能够对未来降雨量进行有效的预测，为短临降雨预报提供了更有效的技术支持。
-
公开(公告)号：CN119832029A
公开(公告)日：2025-04-15
申请号：CN202411927402.6
申请日：2024-12-25
Applicant: 杭州电子科技大学
IPC: G06T7/269 , G06T5/60 , G06V20/64 , G06V10/44 , G06V10/52 , G06V10/62 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种基于多模态协同优化的隐式图像增强与光流估计方法。该方法首先获取正常光照场景下的RGB图像以及对应视角的深度图；根据深度图和相机内参计算对应的三维点云数据。利用正常光照场景下的RGB图像合成低光照图像数据。利用高低频特征增强网络分解低光照图像的高频特征与低频特征，用于对低光照图像进行增强，然后提取低光照图像的图像特征和上下文特征；利用2D‑3D特征融合网络提取2D图像特征与3D点云特征并进行对齐融合，得到正常RGB图像的图像特征和上下文特征，用于监督高低频特征增强网络的特征提取过程。最后基于低光照图像的图像特征和上下文特征，构建4D相关体积表，并利用GRU推理光流。
-
公开(公告)号：CN119830109A
公开(公告)日：2025-04-15
申请号：CN202411936031.8
申请日：2024-12-26
Applicant: 杭州电子科技大学
IPC: G06F18/241 , A61B5/369 , A61B5/117 , A61B5/00 , G06F18/213 , G06N3/045 , G06N3/0464 , H04L9/32 , G06F123/02
Abstract: 本发明公开一种基于双边注意力深度神经网络的跨时段脑纹识别方法及其系统。通过基准网络对脑电数据进行初级特征提取；利用双边注意力深度神经网络对初级特征进行高级语义特征提取；双边注意力深度神经网络包括空间特征精炼单元、通道特征精炼单元、特征聚合单元；使用分类器对高级语义特征进行分类识别。本发明通过空间特征精炼单元和通道特征精炼单元，对基准网络提取的初级特征进行协同深度处理，使得提取的高级语义特征更具代表性，从而显著提高了跨时段脑纹识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN112465059B
公开(公告)日：2024-12-10
申请号：CN202011431548.3
申请日：2020-12-07
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/25 , G06F18/214
Abstract: 本发明公开了基于跨脑融合决策的多人运动想象识别方法及脑机系统。本发明基于跨脑融合决策的多人运动想象识别方法，具体如下：一：n个训练人员进行运动想象；二、对步骤一获得的脑电数据分别进行预处理，并打标签。三、将训练集中各训练人员的脑电数据进行融合，得到各运动想象任务对应的训练用融合脑电数据。四、用带有标签的训练用融合脑电数据对分类器进行训练。五、n个被测者想象同一个运动，在想象的同时采集各被测者的脑电信号，并进行预处理。之后，对n个被测者的脑电数据进行融合，测到跨脑融合脑电数据；将跨脑融合脑电数据导入训练好的分类器中进行分类判断，获取n个被测者想象的运动类别。
-
公开(公告)号：CN118277865A
公开(公告)日：2024-07-02
申请号：CN202410476491.0
申请日：2024-04-19
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/23 , G06F18/213 , G06F18/25 , G06F18/10 , G06F18/27 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于脑电多视图解码的群体运动想象分类识别方法，利用共空间模式挖掘多通道脑电具有区分度的空间特征，来构建面向于个体内脑电特性的空间视图关系。同时，基于格兰杰因果关系网络进行通道选择，并通过图卷积网络提取个体间的耦合信息，建立群体运动想象脑电的耦合关系视图。再通过多视图模型和融合策略，探索最大程度发挥各视图的优势，实现基于自表示学习的子空间聚类算法将两类视图表征信息进行联合解码。通过单人运动想象脑电时空特征和群体跨脑耦合特征构建联合单人和个体间耦合信息的多视图表征，以实现个体内脑电特性的空间视图关系，进而充分考虑多脑各个通道间的联系，进而提高脑电运动想象分类准确率。
-
公开(公告)号：CN118013461A
公开(公告)日：2024-05-10
申请号：CN202410243123.1
申请日：2024-03-04
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06F18/213 , G06N3/049 , G06N3/0455 , G06V10/80 , G06V10/40
Abstract: 本发明公开一种降低短时模态冗余信息的情感识别方法及其系统。本发明首先获取多模态数据并从中提取富含时序性价值的不同模态的特征。然后，将其中不同模态的特征处理为对应的长短时特征。并从短时特征的角度思考，认为其在与长时特征融合时需考虑冗余信息的干扰问题，并使用脉冲神经元去过滤多余部分。最后，依据短时特征的特性，使其在与长时特征融合时更加贴合，降低短时特征对长时特征本身的干扰。本发明首次将长短时多模态的概念引入情感检测领域，通过短时模态信息辅助上下文长时文本模态的思想，过滤短时模态特征信息，进一步提高识别情感的能力。
-
公开(公告)号：CN117653145A
公开(公告)日：2024-03-08
申请号：CN202311664222.9
申请日：2023-12-06
Applicant: 杭州电子科技大学
IPC: A61B5/372 , A61B5/00 , G06F18/10 , G06F18/213 , G06F18/24 , G06F18/22 , G06N3/092 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于对偶强化学习脑电数据相互生成的目标检测方法。该方法采集多个被试观看相同标签序列时的脑电信号数据。然后将任意两个被试进行配对，尝试互相生成脑电信号，基于对偶学习方法强化训练生成脑电信号的网络模型。然后将一对被试的脑电数据样本输入训练后的生成网络中，得到脑电数据对。针对每个被试的生成脑电数据与原始脑电数据进行相关性分析，选择其中相关性最高的生成脑电数据作为该被试最终的强化脑电数据。使用强化脑电数据与原始脑电数据一同训练检测模型，最后在测试阶段使用该检测模型针对单被试的脑电信号进行目标检测，以解决单一被试容易出现的走神、目标丢失，导致检测结果不佳的问题。
-
公开(公告)号：CN117521007A
公开(公告)日：2024-02-06
申请号：CN202311470714.4
申请日：2023-11-07
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06F18/2431 , G06F18/23 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/045 , G06N3/0985 , G06F21/32 , A61B5/372
Abstract: 本发明公开了基于多分支注意力特征融合的跨时段脑纹识别方法及系统。传统深度学习网络通常指采用一种固定卷积核，忽略了不同被试、不同时域间数据分布的差异。此外，脑电信号的获取成本高昂导致中小样本数据无法提供足量的信息支撑模型学习域不变信息。考虑到多时段被试特征的差异性，本发明提出了多分支注意力特征融合模型。首先，对于不同时段数据采用不同大小的卷积层提取特征。然后，构建基于特征融合正则化模块，对融合后的特征进行搅动融合处理，并计算正样本间正则化损失。在多分支网络的深度可分离卷积层前，本发明采用通道注意力机制对每个通道和时域特征进行注意力权重计算。基于此，本发明能够有效实现跨时段的被试脑纹识别。
-
-
-
-
-
-
-
-
-
Search Results
161
records
(took 0.054 seconds)
