-
公开(公告)号：CN114612729B
公开(公告)日：2025-01-07
申请号：CN202210340575.2
申请日：2022-03-31
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于SAR图像的图像分类模型训练方法及装置，针对同一目标以相同角度获取多源图像，包括SAR、红外、可见光图像及对应的图像分类数据，通过训练基于红外和可见光图像的辅助神经网络获得的“红外‑可见光特征”，来辅助训练基于SAR图像的图像分类模型，其中，红外、可见光图像仅在训练过程中作为辅助模态，而实际应用中网络的输入为SAR单模态图像。本发明使用多任务学习的方法，提高了基于SAR图像的图像分类的精度，提供了一种解决单模态SAR图像在实际应用中局限性的方法。
-
公开(公告)号：CN116958680A
公开(公告)日：2023-10-27
申请号：CN202310925053.3
申请日：2023-07-26
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06T7/00 , G06V10/82 , G06N3/04 , G06N3/084
Abstract: 本发明公开了一种基于多模态特征辅助的肝癌CT图像分类方法及装置。该方法通过构建两个神经网络，分别提取四相期CT特征与单相期CT特征，单独训练后，使用四相期CT分类模型网络参数辅助训练基于单相期CT的分类神经网络，利用四相期CT图像丰富的特征，提高单相期CT影像分类网络的精度。同时，在测试应用阶段，不需要使用四相期CT图像作为网络的输入，而仅使用基于单相期CT的分类神经网络对单相期CT图像进行分类识别，在提高单相期CT图像分类准确性的同时，辅助医生减少工作量，且有助于减少造影剂注射与连续扫描对病人造成的不良影响。
-
公开(公告)号：CN116110018A
公开(公告)日：2023-05-12
申请号：CN202310117431.5
申请日：2023-01-20
Applicant: 杭州电子科技大学
IPC: G06V20/56 , G06V20/59 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于多维度跨模态信息交互的驾驶员意图预测方法，应用于智能驾驶领域。本发明设计了一个高效的视频分类网络来分别提取车内、外视频序列的通道‑时序特征，在特征提取过程中，本发明通过设计一种跨模态通道‑空间加权机制来实现车内、外视频序列特征间的信息交互，此外，本发明还提出一种对比学习模块来迫使两个特征提取网络学习到车内、外视频序列向量表示的结构知识。然后，通过基于残差结构和GRU分类器的预测模块获得初步预测结果，接着利用GPS信息校正初步预测结果来得到最终预测结果。
-
公开(公告)号：CN115049012A
公开(公告)日：2022-09-13
申请号：CN202210773608.2
申请日：2022-07-01
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于全局和局部信息联合的时序数据分类方法。该方法首先通过强化学习的方式从每个时期中选择信息量最丰富的数据，合并成输入样本。然后建立局部信息模块和全局信息模块，并加入ResNet18网络中原有的残差块中，从而实现对时序数据同时期的特征提取与不同时期的特征交互，最终完成对时序信息的分类。本方法采用局部信息模块，能够加强样本本身在时间上的联系，全局信息模块可以加强该时序数据在不同时间上的交互。相对于一般的3D卷积网络，减少了计算量，提高分类的效率和精确度，对于具有时序关系的数据分类任务，有一定的参考价值。
-
公开(公告)号：CN111369507A
公开(公告)日：2020-07-03
申请号：CN202010125748.X
申请日：2020-02-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于归一化灰度霍夫变换和局部CFAR的尾迹检测方法，首先利用归一化灰度Hough变换将原始SAR图像转换到Hough参数空间，然后利用局部滑窗CFAR方法获得Hough参数空间的峰值和谷值检测结果，并将其反演到图像域，从而得到尾迹检测结果。本发明方法不需要进行舰船目标区域掩膜处理，避免了较为复杂的预处理过程；本发明方法利用局部CFAR的思想得到Hough参数空间的检测统计量，能够进一步增强尾迹特征，提高了尾迹检测性能。
-
Patent Agency Ranking
公开(公告)号：CN109934237A
公开(公告)日：2019-06-25
申请号：CN201910123314.3
申请日：2019-02-18
Applicant: 杭州电子科技大学
Abstract: 本发明提供了一种基于卷积神经网络的SAR图像特征提取方法；该方法首先截取SAR图像中包含目标的区域，并将截取部分的图像分辨率转换为128×128；接着使用转化过的全部数据训练一个卷积神经网络；神经网络训练好以后，将待提取特征的SAR图像输入到神经网络中，选择神经网络全连接层的256维输出作为提取到的特征。本发明将卷积神经网络用于SAR图像中目标的特征提取工作。使用卷积神经网络进行特征提取，简化了图像预处理和特征提取过程；由于卷积和池化的局部连接性质，图片中目标的平移和旋转不会影响最后的识别效果，使网络适应性更强。
-
公开(公告)号：CN109444899A
公开(公告)日：2019-03-08
申请号：CN201811101345.0
申请日：2018-09-20
Applicant: 杭州电子科技大学
IPC: G01S15/66
Abstract: 本发明公开了一种基于纯角度信息的航迹关联方法。纯角度信息无法得到航迹间的距离，只有航迹与声呐传感器间的角度信息，会出现两条航迹距离很远然而其角度很近等复杂情况而产生误关联，干扰航迹关联结果。本发明如下：一、k＝1,2,…；依次执行步骤二至五。二、第一声呐传感器和第二声呐传感器第k次进行检测。三、将第一声呐传感器检测到的第i个目标作为第一目标集X的第i个元素。将第二声呐传感器检测到的第j个目标作为第二目标集Y的第j个元素。四、计算统计角度差、平均角度差和关联率。五、进行第一目标集X内n个元素与第二目标集Y内m个元素进行匹配。本发明能够提高了多声呐传感器阵列的检测精度和稳定性。
-
公开(公告)号：CN116863464A
公开(公告)日：2023-10-10
申请号：CN202310910473.4
申请日：2023-07-24
Applicant: 杭州电子科技大学
IPC: G06V20/69 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/766 , G06V10/80 , G06V10/82 , G06T7/00 , G06N3/0442 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/092
Abstract: 本发明公开了基于分层图卷积和注意力的病理图像生存分析方法。该方法收集全视野数字图像并进行染色预处理。对预处理后的病理图像分割出细胞核并进行特征提取，随后构建细胞图。同时对预处理后的病理图像切块并提取特征，随后构造切片图。构建多层次细胞图和切片图特征融合模型，包括细胞图卷积模块、切片图卷积模块和基于门控注意力读出模块，提取细胞图特征，融合进切片图后，进一步提取切片图特征。最后对病理图级表示利用cox回归进行生存预测。通过提取不同尺度的病理图像信息，并考虑了它们的空间连通性从而探索整张全视野病理图像多层次拓扑结构，平衡效率和粒度，从低层次到高层次对全视野数字病理图像进行预后分析。
-
公开(公告)号：CN116310525A
公开(公告)日：2023-06-23
申请号：CN202310194883.3
申请日：2023-02-28
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于对比表示蒸馏与输出蒸馏的病理图像分类方法，本发明采用对比表示学习设计了双蒸馏病理图像分类网络。其中，使用弱监督模型作为分类网络，大幅降低模型的数据依赖性，采用对比表示蒸馏使弱监督模型提取到更显著、更具区分度的深层特征，采用输出蒸馏可以通过高精度、高准确率的全监督模型来引导弱监督模型的优化方向。通过输出蒸馏和对比表示蒸馏使弱监督模型保持对正常组织样本高识别能力的同时大幅提升对不同肺癌亚型的预测能力。此外，通过设计深度门控注意力模块，具有实现对正常组织样本和肺癌亚型精准预测。
-
公开(公告)号：CN113392728B
公开(公告)日：2022-06-10
申请号：CN202110591589.7
申请日：2021-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于SSA锐化注意机制的目标检测方法，首次在空间注意力模块中引入了自定义锐化滤波，并和通道注意模块结合使用，减少干扰因素对SSA锐化效果的影响，服务其锐化效果；本发明从空间上加强神经网络中被检测物体的边缘信息，加强物体定位。对于大型物体可以完善其边缘信息，对于中小型物体可以提升其在输出层的存在感，提升检测效果；本发明完善了SSA空间锐化模块和通道注意力模块的结合方式和嵌入位置。对比CBAM中的空间注意力模块，在轻量级目标检测模型上的效果更好。本次发明的SSA空间锐化模块所需的计算量和参数量极少，几乎不影响检测速度，轻量化模块的实用性高，即插即用，易于实现。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.022 seconds)
