-
公开(公告)号：CN109255758A
公开(公告)日：2019-01-22
申请号：CN201810768178.9
申请日：2018-07-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开基于全1*1卷积神经网络的图像增强方法。本发明构建全1*1卷积神经网络，并对低质成像图像中局部图像块或者整幅图像中的像素进行重新随机排列(Pixel Shuffle)，利用重排后的图像块或图像作为输入。然后对上述网络估计出来的潜在变量后处理。基于潜在变量所对应成像模型，得到从低质图像和潜在变量估计出的清晰图像的数学表达式，从而计算得到增强后的结果。相比传统卷积神经网络普遍采用的大卷积核方式，实现了以更少的参数、更少的计算量保持相当的模型表示能力的目的，从而快速、准确地估计图像增强中的潜在变量。
-
公开(公告)号：CN108714026B
公开(公告)日：2021-09-03
申请号：CN201810255649.6
申请日：2018-03-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度卷积神经网络（DCNN）和在线决策融合的心电分类方法。与以前使用手工特征或从原始信号域学习特征的方法不同，所提出的基于DCNN的方法以端到端的方式从时频域学习特征和分类。本发明首先利用短时傅立叶变换将心电波形信号转化为时频域。接下来，由特定长度的训练样本训练具体的DCNN网络模型。最后，提出一种在线决策融合方法，将来自不同模型的过去和现在的决策融合成更准确的决策。综合20类ECG数据集的实验结果说明了所提出方法的有效性。
-
公开(公告)号：CN109815786B
公开(公告)日：2021-04-13
申请号：CN201811487250.7
申请日：2018-12-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于区域熵特征的步态识别方法。本发明包括预处理、特征提取和分类识别三个部分。具体步骤如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1‑1.提取运动目标轮廓序列；1‑2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2‑1.提取步态周期；2‑2.提取区域图像熵特征；步骤3.采用最近邻准则分类识别。本发明提取的区域图像熵特征具有很好的表征性,无需借助复杂的图像处理过程，提取方式简单，避免了降维和数据归一化的步骤，降低了系统复杂度，取得了较高的步态身份认证的识别率。
-
公开(公告)号：CN109784206A
公开(公告)日：2019-05-21
申请号：CN201811592241.4
申请日：2018-12-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于超限学习机的步态识别方法。本发明包括预处理、特征提取和分类识别，具体如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1-1.提取运动目标轮廓序列；1-2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2-1.提取步态周期；2-2.提取动作能量图；2-3.通过2维主成分分析进行降维；所述采用核超限学习机(KELM)进行分类识别：3-1构建核超限学习机神经网络模型；3-2.训练核超限学习机神经网络；3-3.分类识别。本发明提取的动作能量图包含较多的动静态信息，无需借助复杂的图像处理过程，提取方式简单，具有很好的表征性。
-
公开(公告)号：CN109658383A
公开(公告)日：2019-04-19
申请号：CN201811395638.4
申请日：2018-11-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于卷积神经网络和卡尔曼滤波的道路损伤识别方法。在道路修复前，养路工人需要对路面情况进行调研，此项工程需要耗费巨大的人力、物力和财力。本发明的步骤如下：一、图像预处理。二、图像增强与卷积神经网络的训练。三、k＝1,2,…,m，依次执行步骤四至六。m为被测图像的数量。四、将第k张被测图像放大并调整为300×300的分辨率。五、将步骤五所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中。六、将步骤五所得的权重初始值通过卡尔曼滤波算法进行优化。本发明采用前馈运算、随机梯度下降法、反馈运算、PCA降维和卡尔曼滤波等方法进行实时的参数更新，建立高准确率的卷积神经网络模型。
-
Patent Agency Ranking
公开(公告)号：CN108714026A
公开(公告)日：2018-10-30
申请号：CN201810255649.6
申请日：2018-03-27
Applicant: 杭州电子科技大学
IPC: A61B5/0402 , G06K9/46 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于深度卷积神经网络（DCNN）和在线决策融合的心电分类方法。与以前使用手工特征或从原始信号域学习特征的方法不同，所提出的基于DCNN的方法以端到端的方式从时频域学习特征和分类。本发明首先利用短时傅立叶变换将心电波形信号转化为时频域。接下来，由特定长度的训练样本训练具体的DCNN网络模型。最后，提出一种在线决策融合方法，将来自不同模型的过去和现在的决策融合成更准确的决策。综合20类ECG数据集的实验结果说明了所提出方法的有效性。
-
公开(公告)号：CN108596206A
公开(公告)日：2018-09-28
申请号：CN201810232936.5
申请日：2018-03-21
Applicant: 杭州电子科技大学
Abstract: 本发明涉及基于多尺度多方向空间相关性建模的纹理图像分类方法。本发明是通过深度神经网络提取纹理图像特征，对特征图进行多方向的图像旋转，图像旋转后接入双向LSTM，经LSTM特征信息处理后进入softmax进行分类。它可以充分利用卷积层对局部空间相关性和LSTM单元长期空间相关性的表示能力。为了更加充分训练模型，采取数据增强。最后在两个基准数据集DTD和FMD进行了广泛的实验，以比较所提出的方法和最先进的方法。结果说明所提出的模型具有较强的纹理图像表示能力，取得了较好的性能。
-
公开(公告)号：CN109658383B
公开(公告)日：2023-01-17
申请号：CN201811395638.4
申请日：2018-11-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于卷积神经网络和卡尔曼滤波的道路损伤识别方法。在道路修复前，养路工人需要对路面情况进行调研，此项工程需要耗费巨大的人力、物力和财力。本发明的步骤如下：一、图像预处理。二、图像增强与卷积神经网络的训练。三、k＝1,2,…,m，依次执行步骤四至六。m为被测图像的数量。四、将第k张被测图像放大并调整为300×300的分辨率。五、将步骤五所得的第k张被测扩展图像输入步骤2训练所得的卷积神经网络中。六、将步骤五所得的权重初始值通过卡尔曼滤波算法进行优化。本发明采用前馈运算、随机梯度下降法、反馈运算、PCA降维和卡尔曼滤波等方法进行实时的参数更新，建立高准确率的卷积神经网络模型。
-
公开(公告)号：CN109903331B
公开(公告)日：2020-12-22
申请号：CN201910016289.9
申请日：2019-01-08
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于RGB‑D相机的卷积神经网络目标检测方法。目前越来越多的目标检测算法都利用了卷积神经网络来对目标物体进行定位。然而大部分的卷积神经网络框架都只是利用彩色相机对目标物体的位置进行预测。然而只利用RGB信息，要使卷积神经网络达到较高的检测精度有很大的难度，需要综合考虑卷积神经网络建模，训练方案等诸多方面因素，较难实现。本发明利用了RGB‑D相机采集的深度图，辅助卷积神经网络对目标物体的位置进行预测。利用深度图像中的距离信息，能对目标物体的尺寸大小预先估计，减轻卷积神经网络的建模难度，提升网络的检测精度。
-
公开(公告)号：CN109815786A
公开(公告)日：2019-05-28
申请号：CN201811487250.7
申请日：2018-12-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于区域熵特征的步态识别方法。本发明包括预处理、特征提取和分类识别三个部分。具体步骤如下：所述预处理，用于获取标准统一大小的运动目标轮廓序列，包括以下步骤：1-1.提取运动目标轮廓序列；1-2.图像标准化；所述特征提取，用于获得具有良好表征性的步态特征参数，包括以下步骤：2-1.提取步态周期；2-2.提取区域图像熵特征；步骤3.采用最近邻准则分类识别。本发明提取的区域图像熵特征具有很好的表征性,无需借助复杂的图像处理过程，提取方式简单，避免了降维和数据归一化的步骤，降低了系统复杂度，取得了较高的步态身份认证的识别率。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.03 seconds)
