-
公开(公告)号：CN105975583A
公开(公告)日：2016-09-28
申请号：CN201610292449.9
申请日：2016-05-05
Applicant: 江南大学
IPC: G06F17/30
CPC classification number: G06F16/284 , G06F16/2465
Abstract: 一种面向大规模数据的快速多代表点仿射传播方法。本发明对多代表点仿射传播(MEAP)聚类算法处理大规模数据有提升作用，其特征是：(1)通过核心集的中心约束最小包含球提取原始数据，得到可以代表整个数据集的压缩集；(2)结合多代表点仿射传播聚类算法对压缩集进行聚类，得到全局聚类中心，最后采用K邻近算法得到最终划分。该发明简单易行，在数据集大规模增长时，能够有效地解决复杂模型大数据集下的聚类问题。
-
公开(公告)号：CN104952082A
公开(公告)日：2015-09-30
申请号：CN201510250690.0
申请日：2015-05-15
Applicant: 江南大学
IPC: G06T7/20
CPC classification number: G06T7/238 , G06T2207/30232
Abstract: 一种类三步搜索策略的快速压缩跟踪方法，用来进一步提高压缩跟踪方法的实时性，实现对视频图像中目标的快速跟踪。本发明对于安防部门的目标跟踪、智能监控起到指导作用。其特征是：在目标检测阶段，首先在较大的搜索范围内，以较大的步长用滑动窗进行目标检测得到初始目标位置，然后在以此位置为中心的较小范围内，以较小步长用滑动窗进行目标检测得到当前最佳位置，最后在此最佳位置上做步长最小的目标检测，并结合压缩跟踪方法得到目标的最终位置。
-
公开(公告)号：CN104951794A
公开(公告)日：2015-09-30
申请号：CN201510251528.0
申请日：2015-05-15
Applicant: 江南大学
IPC: G06K9/62
CPC classification number: G06K9/6272
Abstract: 基于颜色与纹理的竹条自动识别方法与系统开发。本发明能快速实现对竹条颜色自动进行分类与识别，其特征是：(1)通过对摄像头等硬件的控制，完成竹条图像的采集工作；(2)对采集到的图像样本做预处理，使后续分析和识别运算能够拥有更好的数据源，减少外界干扰；(3)对预处理后的图像进行颜色和纹理分析，并提取相关特征，为后续识别与分类过程提供有效依据；(4)根据特征参数对竹条进行聚类与识别；(5)建立和维护竹条颜色、纹理特征数据库，以便让系统能自适应地分析竹条新样本，进一步提高系统的自动识别能力。该发明简单易行，在光照条件不变的情况下能够实现竹条的分类与挑选，并满足实时性要求。
-
公开(公告)号：CN110097577A
公开(公告)日：2019-08-06
申请号：CN201910370659.9
申请日：2019-05-06
Applicant: 江南大学
IPC: G06T7/246
Abstract: 本发明提供一种基于深度学习的半离线深度目标追踪方法，在用于目标追踪时，可以避免因为在线更新中的假样本而导致目标追踪失败的问题发生，且可以提高目标追踪识别的性能。其包括：S1构建追踪器网络模型，基于MDNet构建追踪器网络模型的共享层的结构；还包括特定域层，特定域层包括依次连接的Dropout层、全连接层、分类函数；共享层中最后一个全连接层输出的特征图经过激活函数处理后输入到特定域层；S2选择训练集，得到训练好的追踪器网络模型；S3从视频中获取待追踪特征序列，输入到训练好的追踪器网络模型中，进行后续的目标追踪操作，在目标追踪操作开始之前通过待追踪特征序列中的首帧上采集的样本对特定域层进行训练，定义特定域层的网络权重。
-
公开(公告)号：CN106447678A
公开(公告)日：2017-02-22
申请号：CN201610899963.9
申请日：2016-10-14
Applicant: 江南大学
CPC classification number: G06T7/0012 , G06T2207/20021 , G06T2207/30008 , G06T2207/30016
Abstract: 一种基于区域混合活动轮廓模型的医学图像分割方法。本发明主要针对医学类的图像给出一种分割方法，其特征是：(1)建立一种基于混合区域的活动轮廓模型，加速图像目标区域的分割和轮廓曲线的拟合；(2)根据图像组成和图像的局部聚类性质而增加的非凸正则化项可以保持区域的几何形状，并防止边缘出现过平滑现象。该发明简单易行，可以准确地分割出医学图像中的目标区域，并且收敛速度更快，准确性好。
-
Patent Agency Ranking
公开(公告)号：CN106023246A
公开(公告)日：2016-10-12
申请号：CN201610294447.3
申请日：2016-05-05
Applicant: 江南大学
IPC: G06T7/20
CPC classification number: G06T2207/10016
Abstract: 一种基于局部敏感直方图的时空上下文跟踪方法。本发明对视频图像中的目标跟踪起到指导作用，其特征是：(1)通过计算局部敏感直方图，提取光照不变特征；(2)结合时空上下文跟踪中的灰度特征从而得到更优的特征。该发明在光照剧烈变化、目标平面内旋转以及目标受到遮挡时能够减小影响，并且获得很好的跟踪效果。
-
公开(公告)号：CN101436073A
公开(公告)日：2009-05-20
申请号：CN200810244453.3
申请日：2008-12-03
Applicant: 江南大学
Abstract: 本发明公开了一种基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法。该方法首先在运动范围中设定坐标系，建立轮式机器人的运动学模型，利用反演设计方法分解运动学模型，然后通过路径规划生成的轨迹得到参考位姿与实际位姿的误差传递方程，以该方程作为目标函数，利用量子行为粒子群优化算法以较快的速度和较强的全局求解能力求得控制器的参数，而后通过该组参数设计控制器从而保证机器人可以稳定、快速的收敛于目标轨迹，即在有限的时间内使得目标函数值靠近或者小于某个允许的值。本发明解决了轮式移动机器人轨迹跟踪存在的高度非线性和非完整性问题，可以快速的实现轮式移动机器人轨迹跟踪，提高了移动机器人的跟踪控制效果。
-
公开(公告)号：CN109543745B
公开(公告)日：2021-08-24
申请号：CN201811379900.6
申请日：2018-11-20
Applicant: 江南大学
IPC: G06K9/62
Abstract: 基于条件对抗自编码网络的特征学习方法，其通过标签变量来控制生成结果，生成具有标签的样本用以辅助其他学习任务，提高图像识别效率；同时本发明还公开了基于条件对抗自编码网络的特征学习方法的图像识别方法，其能够在复杂的对象布局以及多标签图像场景时，获得高精度的图像识别效果。其包括S1选定训练集；S2选定先验分布函数；S3以对抗自编码网络模型为基础，在网络模型中的判别器或者编码器的输入数据中引入样本数据的标签信息，构建网络模型；S4训练网络模型，以优化网络模型中的参数；S5通过训练好的网络模型中的判别器进行数据特征的提取、或者利用训练好的生成器生成原始输入的重构。
-
公开(公告)号：CN109543745A
公开(公告)日：2019-03-29
申请号：CN201811379900.6
申请日：2018-11-20
Applicant: 江南大学
IPC: G06K9/62
Abstract: 基于条件对抗自编码网络的特征学习方法，其通过标签变量来控制生成结果，生成具有标签的样本用以辅助其他学习任务，提高图像识别效率；同时本发明还公开了基于条件对抗自编码网络的特征学习方法的图像识别方法，其能够在复杂的对象布局以及多标签图像场景时，获得高精度的图像识别效果。其包括S1选定训练集；S2选定先验分布函数；S3以对抗自编码网络模型为基础，在网络模型中的判别器或者编码器的输入数据中引入样本数据的标签信息，构建网络模型；S4训练网络模型，以优化网络模型中的参数；S5通过训练好的网络模型中的判别器进行数据特征的提取、或者利用训练好的生成器生成原始输入的重构。
-
公开(公告)号：CN107330456A
公开(公告)日：2017-11-07
申请号：CN201710485184.9
申请日：2017-06-23
Applicant: 江南大学
Abstract: 本发明给出一种基于改进AdaBoost算法的集成深度信念网络图像识别方法，一定程度上解决了图像识别效果与深度网络规模之间的矛盾，提高了图像识别的效率，其主要特征是：(1)分别训练若干个规模不同的并行深度信念网络(DBN)模型以及相应的分类器；(2)利用AdaBoost算法将多个不同结构的DBN分类器集成为强分类器；(3)对强分类器的参数通过BP算法进行整体性深度微调，在相对较短的时间内通过迭代调整得到较好的局部最优解，从而在减少误差的同时能提高模型的分类效果。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.017 seconds)
