-
Patent Agency Ranking
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。
-
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：CN109102005B
公开(公告)日：2020-08-18
申请号：CN201810812756.4
申请日：2018-07-23
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。
-
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：CN109102005A
公开(公告)日：2018-12-28
申请号：CN201810812756.4
申请日：2018-07-23
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。
-
-
-
-
Search Results
5
records
(took 0.02 seconds)
