-
公开(公告)号：CN113392884A
公开(公告)日：2021-09-14
申请号：CN202110590494.3
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LSTM网络和注意力机制的坐标融合方法，该方法首先将各项传感器的原始数据进行处理和统一，将极坐标数据和GPS数据转化为直角坐标，组合成多维的向量作为输入；然后将向量通过LSTM神经网络计算每个时刻的输出；最后通过注意力机制加权滤波每一输出得到最终的输出结果。
-
公开(公告)号：CN114419433B
公开(公告)日：2025-05-02
申请号：CN202111654281.9
申请日：2021-12-30
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于无锚点级联检测的无人机图像车辆目标识别方法。首先使用Resnet50对输入的图像的进行多尺度特征提取，得到自下而上的多个特征；然后对高层的特征进行上采样，并与低层特征相融合以获得融合后的特征；将输出的不同尺度的特征划分成小特征图和大特征图两类，分别用于检测小目标与大目标；在检测过程中结合无锚点的方法，先对高层的特征图进行检测，得到粗略的检测结果，再将此结果输入到低层，在高层的检测结果之上进行进一步的检测，最终得到一个较为精确的检测结果。本发明改善目标检测的漏检率和误检率，减少了不必要的计算，大大提高检测的速度。
-
公开(公告)号：CN113392883B
公开(公告)日：2024-05-28
申请号：CN202110590471.2
申请日：2021-05-28
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度神经网络和注意力机制的坐标融合方法，包括以下步骤：S1，采集数据集；S2，对收到的数据进行预处理，将传感器数据转化为同一时间和同一坐标下，进行数据融合，需要预处理的数据包含五个部分：海事雷达距离‑坐标换算、红外光电立体相机距离‑坐标换算、无人艇和母船经纬度‑坐标换算、UWB传感器距离‑坐标换算、AIS经纬度‑坐标换算；S3，将预处理后的数据输入含注意力机制的深层循环神经网络进行训练；S4，训练得到的神经网络用于实际测试，无人艇相对救援船的最终坐标为(XW,YW)，失事目标相对救援船的最终坐标为(XT,YT)。
-
公开(公告)号：CN113392884B
公开(公告)日：2024-02-27
申请号：CN202110590494.3
申请日：2021-05-28
Applicant: 杭州电子科技大学
IPC: G06F18/25 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于LSTM网络和注意力机制的坐标融合方法，该方法首先将各项传感器的原始数据进行处理和统一，将极坐标数据和GPS数据转化为直角坐标，组合成多维的向量作为输入；然后将向量通过LSTM神经网络计算每个时刻的输出；最后通过注意力机制加权滤波每一输出得到最终的输出结果。
-
Patent Agency Ranking
公开(公告)号：CN114419433A
公开(公告)日：2022-04-29
申请号：CN202111654281.9
申请日：2021-12-30
Applicant: 杭州电子科技大学
IPC: G06V20/10 , G06V10/764 , G06V10/80 , G06K9/62
Abstract: 本发明公开了一种基于无锚点级联检测的无人机图像车辆目标识别方法。首先使用Resnet50对输入的图像的进行多尺度特征提取，得到自下而上的多个特征；然后对高层的特征进行上采样，并与低层特征相融合以获得融合后的特征；将输出的不同尺度的特征划分成小特征图和大特征图两类，分别用于检测小目标与大目标；在检测过程中结合无锚点的方法，先对高层的特征图进行检测，得到粗略的检测结果，再将此结果输入到低层，在高层的检测结果之上进行进一步的检测，最终得到一个较为精确的检测结果。本发明改善目标检测的漏检率和误检率，减少了不必要的计算，大大提高检测的速度。
-
公开(公告)号：CN114332620A
公开(公告)日：2022-04-12
申请号：CN202111654301.2
申请日：2021-12-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征融合和注意力机制的机载图像车辆目标识别方法。本发明使用自顶向下和自底向上的双重金字塔结构，并加入多个横向连接，将输出的第一级特征与第二、三级特征相融合，增强了网络的表征能力，得到具有更加丰富的语义信息的特征图。能够改善目标检测漏检、误检的问题。本发明针对机载图像中背景较复杂这一问题，使用注意力模块，突出目标区域的特征，使网络重点学习有需要的区域。在注意力模块中使用空间注意力和通道注意力模块并联的方式，既获得了空间的重点信息又获得了通道的重点信息，并与原始特征图相加，得到更精确的特征图。能够在不增加过多时间的前提下，使后续的检测更加准确。
-
公开(公告)号：CN114301747B
公开(公告)日：2023-12-29
申请号：CN202111627636.5
申请日：2021-12-28
Applicant: 杭州电子科技大学
IPC: H04L27/00 , G06F18/2411 , G06N3/044 , G06N3/084
Abstract: 本发明公开了一种基于SVM‑SRNN的调制信号识别方法首先准备数据集，进行数据预处理，然后搭建SVM模型得到SVM分类器，将每个信号通过S2数据预处理转换后输入SVM分类器，分离13种待分类信号和噪声信号，并去除噪声信号；最后搭建切片双向循环神经网络，对SVM分类器分离噪声后的信号进行信号特征提取，再通过softmax分类器完成分类；相比于使用RNN模型进行分类，SRNN的速度显著快于标准的RNN，而且不需要改变循环单元，并且SRNN具有提取序列高级信息的能力，具有更快的计算速度。本发明通过SVM‑SRNN模型组合进行调制信号分类，比传统的分类器具有更好的分类效果。
-
公开(公告)号：CN114301747A
公开(公告)日：2022-04-08
申请号：CN202111627636.5
申请日：2021-12-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于SVM‑SRNN的调制信号识别方法首先准备数据集，进行数据预处理，然后搭建SVM模型得到SVM分类器，将每个信号通过S2数据预处理转换后输入SVM分类器，分离13种待分类信号和噪声信号，并去除噪声信号；最后搭建切片双向循环神经网络，对SVM分类器分离噪声后的信号进行信号特征提取，再通过softmax分类器完成分类；相比于使用RNN模型进行分类，SRNN的速度显著快于标准的RNN，而且不需要改变循环单元，并且SRNN具有提取序列高级信息的能力，具有更快的计算速度。本发明通过SVM‑SRNN模型组合进行调制信号分类，比传统的分类器具有更好的分类效果。
-
公开(公告)号：CN113392883A
公开(公告)日：2021-09-14
申请号：CN202110590471.2
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深度神经网络和注意力机制的坐标融合方法，包括以下步骤：S1，采集数据集；S2，对收到的数据进行预处理，将传感器数据转化为同一时间和同一坐标下，进行数据融合，需要预处理的数据包含五个部分：海事雷达距离‑坐标换算、红外光电立体相机距离‑坐标换算、无人艇和母船经纬度‑坐标换算、UWB传感器距离‑坐标换算、AIS经纬度‑坐标换算；S3，将预处理后的数据输入含注意力机制的深层循环神经网络进行训练；S4，训练得到的神经网络用于实际测试，无人艇相对救援船的最终坐标为(XW,YW)，失事目标相对救援船的最终坐标为(XT,YT)。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.025 seconds)
