公开(公告)号：CN114913604B

公开(公告)日：2025-02-14

申请号：CN202210585936.X

申请日：2022-05-27

Applicant: 杭州电子科技大学

Inventor： 冯亚沛 ,  刘鹏辉 ,  陆哲明

IPC: G06V40/20 ,  G06V10/25 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明涉及姿态识别技术领域，提供了一种基于两级池化S2E模块的姿态识别模型的方法基于渐进两级池化的S2E模块的姿态识别模型，该技术方案是基于ResNet‑101网络结构的主干网络，提出了一个新的具有特征压缩和激励功能的S2E模块，形成新的模型。S2E模块通过建立更好的通道注意力机制来加速模型收敛，能够帮助网络更快速地从大量的通道图中提取特征，并过滤出更关键的特征信息，从而使网络模型能够更准确地识别数据。实验结果证明新的模型能够平衡预测精度、计算资源消耗及运行速度的问题。同时，在姿态识别的定性比较实验中，我们的模型能够专注于更多的细节区域，并避免由于姿态交叉和遮挡等原因造成的错误识别。

公开(公告)号：CN119692434A

公开(公告)日：2025-03-25

申请号：CN202411710378.0

申请日：2024-11-27

Applicant: 杭州电子科技大学

Inventor： 钟华 ,  王壬镇 ,  李战楠 ,  冯亚沛 ,  王梦圆 ,  黄建华

IPC: G06N3/098 ,  G06N3/0985 ,  G06N3/096

Abstract: 本发明公开了一种基于知识蒸馏的联邦学习通信方法及系统，方法包括如下步骤：步骤1、初始化学生模型参数、教师模型参数，设置相关参数；步骤2、每个客户端进行本地训练，分别对教师模型和学生模型进行训练；步骤3、计算学生模型的平均logits并上传至服务器；步骤4、服务器计算全局平均logits及全局蒸馏损失，并下发全局平均logits；步骤5、更新学生模型参数和教师模型参数。本发明既能够减少通信数据量，又能保证全局模型在处理非IID数据时的适应性和泛化能力。

公开(公告)号：CN117590393A

公开(公告)日：2024-02-23

申请号：CN202311509884.9

申请日：2023-11-13

Applicant: 杭州电子科技大学

Inventor： 钟华 ,  孙小严 ,  董久楠 ,  冯亚沛 ,  高聪 ,  张泳琪 ,  王梦圆 ,  黄建华

IPC: G01S13/90

Abstract: 本发明公开了一种基于Q‑LRWC和改进ENLCS的双站前视SAR成像方法及系统，方法按如下步骤：S1.构建双基前视SAR几何构型，得到回波信号，对回波信号进行距离向傅里叶变换；S2.对回波信号距离向进行处理，包括Q‑LRWC、Bulk‑RCMC、SRC；S3.根据距离向处理结果，构建接收机斜视角空变的椭圆前视模型，制定收发波束的同步准则；根据等距解析公式描述收发斜距的空变解析式，以及多普勒相位的空变关系；S4.根据步骤S3的解析关系，采用改进ENLCS实现方位均衡，并进行统一的方位压缩，获取最终的聚焦结果。本发明在处理高分辨率双站前视SAR系统回波数据具有更好的聚焦效果。

公开(公告)号：CN117557474A

公开(公告)日：2024-02-13

申请号：CN202311582232.8

申请日：2023-11-24

Applicant: 杭州电子科技大学

Inventor： 钟华 ,  唐裕香 ,  冯亚沛 ,  王梦圆 ,  黄建华 ,  张泳琪 ,  高聪 ,  孙小严

IPC: G06T5/73 ,  G06T5/50 ,  G06V10/764 ,  G06V10/44 ,  G06V10/54 ,  G06V10/80 ,  G06V10/52 ,  G06N3/045

Abstract: 本发明公开了一种基于多尺度语义驱动的图像修复方法及系统，方法步骤如下：步骤一，获取图像数据集以及不规则掩膜数据集，并对数据集中的图像进行预处理；步骤二，将破损图像与对应的掩膜图像输入图像修复网络中进行修复。本发明细化了低级纹理特征，提高了图像修复的质量。本发明在复杂背景下，可以结合低级纹理特征和高级语义特征生成合理且清晰的视觉细节。

公开(公告)号：CN114913604A

公开(公告)日：2022-08-16

申请号：CN202210585936.X

申请日：2022-05-27

Applicant: 杭州电子科技大学

Inventor： 冯亚沛 ,  刘鹏辉 ,  陆哲明

IPC: G06V40/20 ,  G06V10/25 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及姿态识别技术领域，提供了一种基于两级池化S2E模块的姿态识别模型的方法基于渐进两级池化的S2E模块的姿态识别模型，该技术方案是基于ResNet‑101网络结构的主干网络，提出了一个新的具有特征压缩和激励功能的S2E模块，形成新的模型。S2E模块通过建立更好的通道注意力机制来加速模型收敛，能够帮助网络更快速地从大量的通道图中提取特征，并过滤出更关键的特征信息，从而使网络模型能够更准确地识别数据。实验结果证明新的模型能够平衡预测精度、计算资源消耗及运行速度的问题。同时，在姿态识别的定性比较实验中，我们的模型能够专注于更多的细节区域，并避免由于姿态交叉和遮挡等原因造成的错误识别。