-
公开(公告)号：CN114419665A
公开(公告)日：2022-04-29
申请号：CN202111579207.5
申请日：2021-12-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于twins多层级特征的行人重识别方法，方法流程如图1所示。首先提取twins的第三阶段和第四阶段的特征图，将第三阶段的特征图经过设计的一个Convblock，其中包括二维卷积，均值归一化层，SE注意力层，激活函数层，水平切分得到两局部特征图，再经过池化，降维等操作得到两个特征向量；将第四阶段的特征图经过池化降维等操作得到一个特征向量。将这三个特征向量分别经过三个分类层得到三个预测分类。最后将特征向量送入三元组损失，预测分类送入交叉熵损失和中心损失进行联合训练。训练80个迭代后，模型进入拟合状态，最后用数据集的query集和gallery集来评估模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN112528879B
公开(公告)日：2024-02-02
申请号：CN202011481203.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进GhostNet的多分支行人重识别方法，首先将GhostNet提取的行人特征经过1ⅹ1卷积，降低通道数，再将特征图送入ResNet50的layer4和layer5，加深特征的通道信息，然后复制成三个分支,第一个分支进行最大池化均值归一化和降维卷积后得到一个全局特征，第二和第三个分支除了处理得到全局特征外，还分别对特征进行水平切割，第二个划分为2，第三个划分为3，在分别进行最大池化均值归一化和降维卷积后得到相应的特征，最后将得到的特征按全局特征和局部特征的不同分别送入三元组损失和交叉熵损失训练。训练160个迭代后，用数据集的query集和gallery集来评估模型的性能。
-
公开(公告)号：CN114419665B
公开(公告)日：2025-04-08
申请号：CN202111579207.5
申请日：2021-12-22
Applicant: 杭州电子科技大学
IPC: G06V40/10 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06N3/098
Abstract: 本发明公开了一种基于twins多层级特征的行人重识别方法，方法流程如图1所示。首先提取twins的第三阶段和第四阶段的特征图，将第三阶段的特征图经过设计的一个Convblock，其中包括二维卷积，均值归一化层，SE注意力层，激活函数层，水平切分得到两局部特征图，再经过池化，降维等操作得到两个特征向量；将第四阶段的特征图经过池化降维等操作得到一个特征向量。将这三个特征向量分别经过三个分类层得到三个预测分类。最后将特征向量送入三元组损失，预测分类送入交叉熵损失和中心损失进行联合训练。训练80个迭代后，模型进入拟合状态，最后用数据集的query集和gallery集来评估模型的性能。
-
公开(公告)号：CN112450947B
公开(公告)日：2022-08-02
申请号：CN202011312879.5
申请日：2020-11-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对情绪唤醒度的动态脑网络分析方法。采用滑动时间窗口分割数据，通过传递熵建立大脑功能网络。将分段的脑网络按时间顺序连接成动态脑网络，用于显示实验刺激过程中受试者的详细动态变化。为确保动态连接真实可靠，使用聚类和替代序列测试和分析。最后，使用优化计算的特征‑通道规范信息优化数据并评估活动水平，使结果更清晰。为寻找潜在的重要刺激片段提供了指导和基础。与传统静态脑网络相比，本方法采用更合理科学的方式建立脑功能网络，能够更细致的观察和分析实验刺激过程中大脑状态的变化，并且提出的特征可以有效的简化网络结构和结果分析。
-
公开(公告)号：CN112528879A
公开(公告)日：2021-03-19
申请号：CN202011481203.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于改进GhostNet的多分支行人重识别方法，首先将GhostNet提取的行人特征经过1ⅹ1卷积，降低通道数，再将特征图送入ResNet50的layer4和layer5，加深特征的通道信息，然后复制成三个分支,第一个分支进行最大池化均值归一化和降维卷积后得到一个全局特征，第二和第三个分支除了处理得到全局特征外，还分别对特征进行水平切割，第二个划分为2，第三个划分为3，在分别进行最大池化均值归一化和降维卷积后得到相应的特征，最后将得到的特征按全局特征和局部特征的不同分别送入三元组损失和交叉熵损失训练。训练160个迭代后，用数据集的query集和gallery集来评估模型的性能。
-
公开(公告)号：CN112450947A
公开(公告)日：2021-03-09
申请号：CN202011312879.5
申请日：2020-11-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对情绪唤醒度的动态脑网络分析方法。采用滑动时间窗口分割数据，通过传递熵建立大脑功能网络。将分段的脑网络按时间顺序连接成动态脑网络，用于显示实验刺激过程中受试者的详细动态变化。为确保动态连接真实可靠，使用聚类和替代序列测试和分析。最后，使用优化计算的特征‑通道规范信息优化数据并评估活动水平，使结果更清晰。为寻找潜在的重要刺激片段提供了指导和基础。与传统静态脑网络相比，本方法采用更合理科学的方式建立脑功能网络，能够更细致的观察和分析实验刺激过程中大脑状态的变化，并且提出的特征可以有效的简化网络结构和结果分析。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
