-
公开(公告)号：CN110619276B
公开(公告)日：2021-12-21
申请号：CN201910753620.5
申请日：2019-08-15
Applicant: 杭州电子科技大学 , 杭州创匠信息科技有限公司
Abstract: 本发明公开基于无人机移动监控的异常及暴力检测系统和方法。本发明包括无人机云台模块、巡航飞行控制模块、视频处理模块、异常事件检测模块、暴力行为检测模块以及警报模块。视频处理模块用于接收无人机云台模块和巡航飞行控制模块的数据，并对其进行预处理；异常事件检测模块用于分析视频处理模块处理过的视频数据，并对其中的异常事件视频进行检测；暴力行为检测模块接收来自异常事件检测模块的数据，用于分析经异常事件检测模块检测出异常后的视频中是否有暴力行为。本发明实现了在巡航状态的无人机上进行异常事件检测和暴力行为检测的系统,而且能在无人机飞行过程中以近实时的检测速度进行检测,并且可以实时反馈。
-
公开(公告)号：CN110619276A
公开(公告)日：2019-12-27
申请号：CN201910753620.5
申请日：2019-08-15
Applicant: 杭州电子科技大学 , 杭州创匠信息科技有限公司
Abstract: 本发明公开基于无人机移动监控的异常及暴力检测系统和方法。本发明包括无人机云台模块、巡航飞行控制模块、视频处理模块、异常事件检测模块、暴力行为检测模块以及警报模块。视频处理模块用于接收无人机云台模块和巡航飞行控制模块的数据，并对其进行预处理；异常事件检测模块用于分析视频处理模块处理过的视频数据，并对其中的异常事件视频进行检测；暴力行为检测模块接收来自异常事件检测模块的数据，用于分析经异常事件检测模块检测出异常后的视频中是否有暴力行为。本发明实现了在巡航状态的无人机上进行异常事件检测和暴力行为检测的系统,而且能在无人机飞行过程中以近实时的检测速度进行检测,并且可以实时反馈。
-
公开(公告)号：CN110321835A
公开(公告)日：2019-10-11
申请号：CN201910584659.9
申请日：2019-07-01
Applicant: 杭州创匠信息科技有限公司 , 杭州电子科技大学
Abstract: 本发明涉及一种人脸门禁方法、系统及设备，属于人工智能和计算机视觉技术领域。该方法中，对每个员工生成单独的人脸模型，在进行人脸识别时，只需要在人脸库中识别欧式距离在阈值范围内的人脸模型，方便、快捷，其响应速度快、方便部署，针对每个员工生成单独的人脸模型，当公司人员发生变化的时候，可以非常灵活机变地增减小模型数量，数据更新也非常的便捷，并且资源占用量少，更新的同时不会影响门禁系统的同步使用。解决了现有技术中，需要训练统一模型，在人脸数据多时，费时、响应慢、部署难度大的问题。
-
公开(公告)号：CN110276320A
公开(公告)日：2019-09-24
申请号：CN201910561336.8
申请日：2019-06-26
Applicant: 杭州创匠信息科技有限公司 , 杭州电子科技大学
Abstract: 本发明涉及一种基于人脸识别的门禁方法、装置、设备和存储介质，其中，门禁方法包括：采集门禁区域图像；利用预先训练的人脸检测模型对采集的门禁区域图像检测人脸；如果检测到人脸，对所述门禁区域图像中的人脸区域，利用预先训练的卷积神经网络模型进行人脸特征提取，得到所述门禁区域图像对应的人脸特征向量；所述卷积神经网络模型的卷积层的层数小于或者等于预设层数；将所述门禁区域图像对应的人脸特征向量与预先构建的人脸数据库中的预存人脸特征向量进行比对；如果所述人脸数据库中存在与所述门禁区域图像对应的人脸特征向量匹配的预存人脸特征向量，解除门禁。两个模型的内存占用量仅几百kB，完全可以在设备本地进行存储和计算。
-
公开(公告)号：CN118014848A
公开(公告)日：2024-05-10
申请号：CN202410204437.0
申请日：2024-02-23
Applicant: 杭州电子科技大学 , 杭州电子科技大学上虞科学与工程研究院有限公司
IPC: G06T5/00 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/09 , G06T5/60
Abstract: 本发明公开了一种基于自动筛选机制的通用图像复原方法，该方法首先从公开数据集中下载图像，各随机选取n张不同损坏程度的图像组成图片集合，按比例划分为训练集与测试集，并对训练集和测试集中的图像进行预处理。其次使用残差网络对预处理后的训练集数据提取特征，判断其待修复类型。然后对多任务图像复原模型中的不同预训练参数进行微调，实现降质图像复原。最后计算损失，得到残差网络和多任务图像复原模型的最优参数，并测试。本发明实现高效率高质量的图像修复功能，有助于降低图像复原技术的使用成本，提高工作效率。
-
Patent Agency Ranking
公开(公告)号：CN117152010A
公开(公告)日：2023-12-01
申请号：CN202311124855.0
申请日：2023-09-02
Applicant: 杭州电子科技大学 , 杭州电子科技大学上虞科学与工程研究院有限公司
IPC: G06T5/00 , G06N3/094 , G06N3/0475 , G06N3/0455 , G06N3/0464 , G06T7/10 , G06T3/60 , G06V10/764 , G06N3/084
Abstract: 本发明公开了一种基于多个稀疏先验的可学习双层优化实现图像去模糊方法，包括如下步骤：S1、获取数据集并进行预处理；S2、构建上层优化模型，所述上层优化模型使用多尺度编码器‑解码器网络作为生成器，学习从模糊图像到清晰图像的映射；S3、基于多个稀疏约束构建下层优化模型，所述下层优化模型使用双分支鉴别器；S4、优化由上层优化模型和下层优化模型组成的双层模型，采用交替迭代的方式进行优化网格参数；S5、最优参数下测试新样本：基于步骤S4训练得到网络参数θG代入生成器中，并将新样本输入到网络参数为θG的生成器中，得到去模糊之后的清晰图像。该方法平衡生成器和判别器的博弈，提升GAN模型的学习能力，改善图像去模糊效果。
-
公开(公告)号：CN119475109B
公开(公告)日：2025-04-08
申请号：CN202510067971.6
申请日：2025-01-16
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/214 , G06F18/25
Abstract: 本发明公开一种基于数据增强和多模态特征融合的运动想象脑电信号分类识别方法及系统。本发明对原始脑电数据进行基于时间序列分解和预测的数据增强；对数据增强后数据和原始数据进行时间序列分割，再将同一时间窗口内所有通道时序块进行堆叠后再提取时序特征；对数据增强后数据和原始数据进行时频分析后提取时频图像特征；将时序特征和时频图像特征拼接后输入到分类器，得到运动想象分类结果。本发明提出基于时间序列分解和预测的时序数据增强技术，为下游基于深度学习的脑电分类模型提供更充足的训练样本，提升模型的泛化能力和分类效果。还利用时序和时频进行多模态特征提取，进一步提升脑电信号分类识别的效果。
-
公开(公告)号：CN119475109A
公开(公告)日：2025-02-18
申请号：CN202510067971.6
申请日：2025-01-16
Applicant: 杭州电子科技大学
IPC: G06F18/2415 , G06F18/214 , G06F18/25
Abstract: 本发明公开一种基于数据增强和多模态特征融合的运动想象脑电信号分类识别方法及系统。本发明对原始脑电数据进行基于时间序列分解和预测的数据增强；对数据增强后数据和原始数据进行时间序列分割，再将同一时间窗口内所有通道时序块进行堆叠后再提取时序特征；对数据增强后数据和原始数据进行时频分析后提取时频图像特征；将时序特征和时频图像特征拼接后输入到分类器，得到运动想象分类结果。本发明提出基于时间序列分解和预测的时序数据增强技术，为下游基于深度学习的脑电分类模型提供更充足的训练样本，提升模型的泛化能力和分类效果。还利用时序和时频进行多模态特征提取，进一步提升脑电信号分类识别的效果。
-
公开(公告)号：CN119097840A
公开(公告)日：2024-12-10
申请号：CN202410991019.0
申请日：2024-07-23
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于肌肉协同补偿模型的个性化功能性电刺激系统。包括数据采集及预处理模块、肌肉激活系数补偿模块、电刺激模块。通过对健患侧肢体的肌电信号和运动姿态角度信号进行解析，提取健侧的肌肉协同结构，建立在健侧协同结构指导下的患侧肌肉激活补偿模型，利用补偿模型和健侧的肌肉协同结构来定制个性化的电刺激策略。本发明利用患者健侧的协同结构指导患侧进行运动，且能在不同的运动状态下根据健患侧肌肉激活程度的差异大小进行相应强度的电刺激补偿，更有针对性的对受损肌肉群进行恢复和提高中枢系统的神经可塑性；通过对协同结构的提取也提高了电刺激仪的工作效率。
-
公开(公告)号：CN118656779A
公开(公告)日：2024-09-17
申请号：CN202410708534.3
申请日：2024-06-03
Applicant: 杭州电子科技大学
IPC: G06F18/25 , A61B5/378 , A61B5/00 , A61B3/113 , G06F18/213 , G06F18/241 , G06F18/2415 , G06N3/045 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种基于注意力机制的双模态双向融合网络目标检测方法。该方法首先针对双模态数据分布进行特征提取以及样本对间的对比学习，然后在两个模态的特征层面采用一种相互指导的双向模态融合方法，运用注意力机制进行模态间的特征对齐融合，使脑电信号和眼动信号各自寻找对方与自身特征相耦合的特征，力求最大限度地保留模态内部的本质特征和挖掘模态间相关联的特征。最后使用融合后的特征进行分类预测。这种方法解决了两个模态由于时段不一致带来的不良影响，同时利用解耦对比学习方法消除类不平衡的影响，并捕获各个模态内部类别之间的特征差异，从而提高模型的目标检测性能。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.05 seconds)
