-
公开(公告)号：CN114697165A
公开(公告)日：2022-07-01
申请号：CN202210232716.9
申请日：2022-03-09
Applicant: 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) , 杭州电子科技大学 , 浙江大学
IPC: H04L25/02 , H04B17/318 , H04B7/185 , G06T7/50
Abstract: 本发明公开了一种基于无人机视觉和无线信号融合的信号源检测方法，包括：(1)无人机利用视觉估计出的双目深度信息和机载传感器获得的接收功率信息通过最大似然估计求解对数正态模型的模型参数，拟合接收功率；(2)无人机根据拟合接收功率和测量接收功率的均方误差最小化原则判断信号源。本发明考虑无人机飞行区域存在多个相似物体但只有唯一信号源的场景，通过使用双目深度估计数据和无人机机载传感器接收功率数据融合处理，考虑了双目深度估计和传感器测量接收功率失败的情况，适应性强，系统简单；同时，本发明为特定信号源判别提供了一种新型方法，有利于无线电安全管理。
-
公开(公告)号：CN114697165B
公开(公告)日：2023-12-22
申请号：CN202210232716.9
申请日：2022-03-09
Applicant: 杭州市保密技术测评中心(杭州市专用通信与保密技术服务中心) , 杭州电子科技大学 , 浙江大学
IPC: H04L25/02 , H04B17/318 , H04B7/185 , G06T7/50
Abstract: 本发明公开了一种基于无人机视觉和无线信号融合的信号源检测方法，包括：(1)无人机利用视觉估计出的双目深度信息和机载传感器获得的接收功率信息通过最大似然估计求解对数正态模型的模型参数，拟合接收功率；(2)无人机根据拟合接收功率和测量接收功率的均方误差最小化原则判断信号源。本发明考虑无人机飞行区域存在多个相似物体但只有唯一信号源的场景，通过使用双目深度估计数据和无人机机载传感器接收功率数据融合处理，考虑了双目深度估计和传感器测量接收功率失败的情况，适应性强，系统简单；同时，本发明为特定信号源判别提供了一种新型方法，有利于无线电安全管理。
-
公开(公告)号：CN115880267A
公开(公告)日：2023-03-31
申请号：CN202211687353.4
申请日：2022-12-27
Applicant: 浙江大学
IPC: G06T7/00 , G06N3/08 , G06T3/40 , G06T5/00 , G06T7/40 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于半监督对比学习的钢材表面异常缺陷检测方法，该方法使用一种基于“异常重建+对比判别”的半监督对比学习的缺陷检测网络架构，通过对正常样本的异常模拟，得到伪异常样本，然后利用异常重建网络实现对伪异常样本的重建恢复。对于异常样本与其重建后得到的恢复样本，通过后续的对比判别网络，对两个图像的信息形成对比学习优化分割效果。其次，使用掩膜空洞卷积模块，结合基于Transformer模块，更好地优化了异常重建网络的性能。同时在对比判别网络的基础上加入自注意力机制，提高网络在空间和通道上的对比学习能力。最终实现一个高效的钢材表面异常缺陷检测的半监督对比学习方法。
-
公开(公告)号：CN110598731B
公开(公告)日：2021-08-20
申请号：CN201910701012.X
申请日：2019-07-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于结构化剪枝的高效图像分类方法，其结合基于增量正则化的空间剪枝方法，包括图像数据预处理、图像送入神经网络、网络模型剪枝及重训练、新图像类别预测及分类等步骤。本发明采用一种结构化剪枝的方法对原始网络模型中不重要的权重参数进行修剪，以减少网络模型在进行图像分类时产生的不必要计算量和内存消耗，达到简化图像分类器的效果，最后，利用稀疏后的网络模型对新的图像进行类别的预测与分类。本发明提出的简化方法相比原始网络在图像分类算法中的分类效率提升了近2倍，同时内存消耗减少约30％，并获得了更好的分类效果。
-
公开(公告)号：CN109034372B
公开(公告)日：2020-10-16
申请号：CN201810691867.4
申请日：2018-06-28
Applicant: 浙江大学
Abstract: 本发明公开了一种基于概率的神经网络剪枝方法。在对一个神经网络模型进行剪枝时，为每一个参数分配一个参与概率p∈(0,1]。当p＝1时表示该参数在训练过程中始终发挥作用；当p＝0时表示该参数完全不参与训练，可以从网络中删除；剪枝过程中p从1开始逐渐递减，当p＝0时该参数被完全删除。当网络中被完全删除的参数比重达到设定的目标值时，停止剪枝。然后对模型进行再训练，当模型的准确率不再有提高时，停止再训练，得到最终的模型。本发明方法解决了以卷积神经网络为代表的深度学习模型存储量大、计算量大的问题，使得深度学习模型可以部署在资源受限型设备(如手机、可穿戴设备等)上，推进智能算法在移动端的应用。
-
Patent Agency Ranking
公开(公告)号：CN105719295B
公开(公告)日：2019-07-16
申请号：CN201610041171.8
申请日：2016-01-21
Applicant: 浙江大学
Abstract: 本发明公开了一种基于三维超体素的颅内出血区域分割方法及系统，所述方法包含CT图像预处理阶段和基于三维超体素的出血区域分割阶段；CT图像预处理阶段是对二维CT图像序列进行格式转换，提取颅骨结构，找出颅内区域；出血区域分割阶段包括将二维局部CT图像重建到三维空间，然后利用超体素算法将三维图像划分成大小相近的超体素，最后通过图割算法将超体素分割为前景和背景两部分。本发明通过预处理提取颅内结构，逐步细化分割，以超体素代替像素进行运算等途径有效地提高了出血区域检测的准确性。本发明方法及系统能够有效的检测出不同原因，不同位置，不同大小的出血区域，对促进计算机辅助医疗在临床上的应用有着重要作用。
-
公开(公告)号：CN106156724A
公开(公告)日：2016-11-23
申请号：CN201610435131.1
申请日：2016-06-15
Applicant: 浙江大学
CPC classification number: G06K9/00771 , G06K9/6202
Abstract: 本发明公开了一种基于SIFT特征的铁道检测图片的匹配方法，包括选择目标位置图片、待检测图片输入、SIFT特征检测与匹配、DTW最优路径规划和匹配图片输出等步骤。选择目标位置图片由人工标定需要检测的电线杆，待检测图片为具有冗余度的一组图片，SIFT特征检测与匹配得到冗余图片与目标位置图片可匹配特征点的数量，DTW最优路径规划得到全局最优的匹配结果，从匹配结果中得到一张匹配度最高的图片并将其输出用于道路检测。本发明可以不依赖于天气环境和拍摄角度，将上万张具有冗余性的图片压缩至几千至几百张用于检测，从而可以极大降低人工劳动强度，同时保证匹配的准确性。
-
公开(公告)号：CN104680135A
公开(公告)日：2015-06-03
申请号：CN201510064736.X
申请日：2015-02-09
Applicant: 浙江大学
IPC: G06K9/00
Abstract: 本发明公开了一种抗表情、姿态和遮挡变化的三维人脸标记点检测方法，包含构造平均鼻子模型阶段和检测标记点阶段。构造平均鼻子模型是指通过三维图像获取设备获取三维人脸，手动标定人脸标记点，训练平均鼻子模型；检测标记点阶段是指将旋转角度加入三维人脸数据，与平均鼻子模型进行模板匹配，控制旋转角度检测标记点。本发明方法通过构造平均鼻子模型和设置旋转角度，能够对抗人脸的表情、姿态和遮挡变化，并通过将三维人脸转化为深度图，加快检测效率，对促进三维人脸在身份认证方向上的实际应用有着重要作用。
-
公开(公告)号：CN104657713A
公开(公告)日：2015-05-27
申请号：CN201510067374.X
申请日：2015-02-09
Applicant: 浙江大学
Abstract: 本发明公开了一种可抗姿态和表情变化的三维人脸校准方法，包含构造主动外观模型阶段和人脸校准阶段。构造主动外观模型是指，通过三维图像获取设备获取三维人脸，手动标定人脸重要标记点，通过人脸的网格形状及外观信息构造基于深度图的主动外观模型；测试人脸校准阶段是指，首先通过平均鼻子模型将人脸粗校准，然后将测试人脸与基于深度图的主动外观模型进行匹配，将人脸进行精校准。本发明通过由粗到精的方法能对抗人脸的姿态和表情变化，保证在自然条件下的人脸也能被准确校准，并且通过将三维人脸转化为深度图上处理，提高了校准效率，对促进三维人脸在身份认证方向上的实际应用有着重要作用。
-
公开(公告)号：CN107729835B
公开(公告)日：2020-10-16
申请号：CN201710937045.5
申请日：2017-10-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于人脸关键点区域传统特征和人脸全局深度特征融合的表情识别方法，使用传统的局部二值模式特征、局部方向数特征等与深度神经网络特征分别训练人脸表情分类器，然后利用这些分类器投票，进行人脸表情识别。该表情识别方法使用了近年来流行的深度学习方法，收集大量人脸表情数据解决训练神经网络困难的问题，使用了一个简单卷积神经网络提取深度特征，并创新地与人脸关键点区域的传统生物特征进行融合，进行人脸表情的识别。本发明主要有人脸表情数据预处理、人脸区域检测、人脸表情特征提取、人脸表情分类器训练等步骤。使用该表情识别方法得到的识别率，相比只使用传统特征表情识别方法的识别率提升1％‑2％。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.052 seconds)
