-
公开(公告)号：CN118411708A
公开(公告)日：2024-07-30
申请号：CN202410547825.9
申请日：2024-05-06
Applicant: 江淮前沿技术协同创新中心 , 安徽大学
IPC: G06V20/58 , G06V20/40 , G06V10/56 , G06V10/62 , G06V10/74 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于路况场景感知与动态特征融合的驾驶员视角下交通违规行为识别方法，包括：输入256×256的RGB帧、光流帧视频信息以及对应的标签文本，使用预训练CLIP模型进行特征提取；经过动态特征融合处理；将多帧视频图像的视频图像特征向量进行融合；构建路况场景图，得到路况语义特征，再结合标签语义特征进行融合，得到场景文本特征向量；计算最终的视频图像特征向量和场景文本特征向量之间的相似度，根据相似度排序，得出交通违规行为识别结果。本发明能够同时捕捉视频的静态视觉信息和动态运动信息，提高了特征表达的丰富性和准确性；利用动态特征融合策略，增强了特征向量的代表性和鲁棒性；实现了对驾驶员视角下交通违规行为的精确识别。
-
公开(公告)号：CN119625657A
公开(公告)日：2025-03-14
申请号：CN202411701664.0
申请日：2024-11-26
Applicant: 江淮前沿技术协同创新中心 , 安徽大学
Abstract: 本发明公开一种基于多模态的双阶段细化绑定关系的车辆目标检测方法。该方法采用RGB、灰度和红外图像的多模态输入，通过独立网络进行多尺度特征提取，并在不同模态的多尺度特征之间进行融合，构建多模态多尺度特征图。在第一阶段，进行检测目标与查询的初步绑定，通过查询与多模态多尺度特征图的交互确定采样点。基于该位置信息，从多模态多尺度特征图中采样特征，并将采样特征映射到查询的通道维度。接着，通过交叉注意力机制更新查询，并引入历史查询以增强当前查询的效果。在第二阶段，基于初步绑定关系进行得分计算，设定阈值，以区分稳定与不稳定的绑定关系。对于得分高于阈值的目标，加大权重以强化绑定；而得分低于阈值的目标，则通过重新匹配查询与目标，优化绑定关系。最终，预测头对经过强化和调整的查询进行解码，输出目标的类别与边界框。
-
公开(公告)号：CN118366222A
公开(公告)日：2024-07-19
申请号：CN202410555138.1
申请日：2024-05-07
Applicant: 江淮前沿技术协同创新中心 , 安徽大学
Abstract: 本发明涉及一种基于多物理特性的车辆异常行为检测方法，包括：输入道路监控视频信息，使用改进的YOLOv3网络对道路监控视频中的车辆进行多目标检测；为每辆车分配唯一ID，通过DeepSort多目标跟踪算法对车辆进行轨迹跟踪；获取车辆的物理特征，包括加速度、车辆方向变化和车辆重合度；分别进行车辆异常得分的估算；将四种车辆异常得分相加，得到最终车辆异常得分，若最终车辆异常得分超过预设阈值，判定为发生车辆异常，否则，判定为未发生车辆异常。本发明使用改进的YOLOv3的目标检测算法对监控视角的小目标车辆进行检测标记；使用DeepSort算法的记忆功能与之前的特征进行相似度对比，从而与上一时刻的目标对接；利用跟踪与检测的结果计算车辆的物理运动特征。
-
公开(公告)号：CN120011593A
公开(公告)日：2025-05-16
申请号：CN202510072981.9
申请日：2025-01-17
Applicant: 安徽大学
IPC: G06F16/783 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/09 , G06F16/78
Abstract: 本发明涉及计算机视觉技术领域，具体涉及基于双重语义对齐的视频时刻检索和高光检测方法，包括：利用视觉编码器和文本编码器分别提取视觉特征和文本特征；对视觉特征和文本特征进行交叉注意力运算得到联合特征；利用编码器和解码器对联合特征进行处理，编码器输出用于高光检测，解码器输出用于时刻检索；基于显著性对比学习实现片段级语义对齐；基于时刻中心距离实现时刻级语义对齐；采用匈牙利算法进行二分匹配，将预测时刻与真实时刻建立最优对应关系；联合优化高光检测损失和时刻检索损失更新编码器、解码器参数。本发明通过显著性对比学习方法和中心距离回归方法进行双重语义对齐，实现更准确地高光检测以及输出更准确的时刻检索。
-
公开(公告)号：CN111310768B
公开(公告)日：2023-04-18
申请号：CN202010063895.9
申请日：2020-01-20
Applicant: 安徽大学
Abstract: 本发明属于图像处理技术领域，具体涉及基于鲁棒性背景先验和全局信息的显著性目标检测方法。该方法包括以下步骤：构建待检测图像的超像素标签矩阵；构建待检测图像的超像素权重矩阵；筛选瞬态节点和吸收节点；构建待检测图像的马尔科夫转移矩阵，并计算瞬态节点吸收时间；构建马尔科夫转移矩阵的显著性特征图；根据权重矩阵，计算超像素点的前背景概率；构建鲁棒性背景先验显著特征图；将马尔科夫转移矩阵的显著性特征图和鲁棒性背景先验显著特征图进行叠加整合，并利用所有超像素点的显著性值，生成超像素点的综合显著性检测图。本发明整合了鲁棒性背景先验方法和全局信息，得到的显著性目标更均匀，能更有效地计算图像的显著性值。
-
Patent Agency Ranking
公开(公告)号：CN103854074B
公开(公告)日：2016-10-12
申请号：CN201410114812.9
申请日：2014-03-25
Applicant: 安徽大学 , 国网安徽省电力公司电力科学研究院 , 安徽继远电网技术有限责任公司
Abstract: 本发明公开了一种基于IOWA算子组合预测模型的输电线路覆冰预测方法及系统，通过小波分解将冰灾影响因素与覆冰数据逐个分解，求得小波系数和尺度系数；利用小波系数和尺度系数得到影响因素概貌序列及细节序列、覆冰质量概貌序列及细节序列和覆冰厚度概貌序列及细节序列，逐个对各气象因素与输电线路因素进行非线性回归得到覆冰厚度及质量的拟合方程；对这些方程建立基于IOWA算子的组合预测模型，求得组合预测加权向量和诱导值序列，产生覆冰质量及厚度的概貌预测值序列和细节预测值序列，求得小波系数和尺度系数；再采用小波重构算法得到覆冰厚度及质量的预测值序列。本发明的覆冰预测方法及系统，具有速度快、外推性好、结果比较可信等优点。
-
公开(公告)号：CN119938999A
公开(公告)日：2025-05-06
申请号：CN202510033168.0
申请日：2025-02-25
Applicant: 安徽大学
IPC: G06F16/906 , G06F16/901 , G06N3/042 , G06N3/048
Abstract: 本发明公开一种用于学术网络的模糊节点消歧方法，节点特征预处理与图结构增强模块对学术网络的节点进行预处理并构建图结构，通过邻接矩阵对图结构进行增强，将增强图输入模糊节点识别模块动态生成注意力权重，使用注意力权重对邻居节点的特征进行加权聚合生成目标节点的特征表示，识别模糊节点；所有模糊节点都输入至对比学习与节点表示优化模块，来消除模糊节点的歧义性，实现节点优化；优化后的节点输入至GNN节点表示学习与分类模块进行学习，最终完成节点的分类任务。本发明通过引入注意力机制，解决了现有技术在正负样本选择的适应性和局部与全局信息融合方面的不足。
-
公开(公告)号：CN119745399A
公开(公告)日：2025-04-04
申请号：CN202411756841.5
申请日：2024-12-03
Applicant: 安徽大学
IPC: A61B5/374 , A61B5/00 , G06F18/241 , G06F18/25 , G06F18/2131 , G06N3/042
Abstract: 本发明公开一种基于多尺度时空图注意力融合网络的癫痫检测方法，对脑电信号预处理得到时域数据，构建结构完全相同的宏观多尺度融合模块和微观多尺度融合模块；将时域数据进行序列分解得到脑电信号的宏观变化序列和微观变化序列；宏观变化序列输入宏观多尺度融合模块进行时序特征提取，同时微观变化序列输入微观多尺度融合模块进行时序特征提取；两类变化序列分别进行降采样操作、使用图注意力机制进行逐层特征提取；两类特征进行相加融合得到时空动态融合特征，将时空动态融合特征输入全局依赖提取模块，全局依赖提取模块使用稀疏注意机制捕捉脑电信号的全局依赖关系；使用分类器进行癫痫检测分类。将脑电信号分解为多个尺度，分别每一个尺度的脑电信号进行处理，从而避免了特征之间的相互干扰；采用稀疏注意力机制来进行建模长时间依赖。
-
公开(公告)号：CN118398155B
公开(公告)日：2024-10-11
申请号：CN202410842743.7
申请日：2024-06-27
Applicant: 安徽大学
IPC: G16H15/00 , G06F40/284 , G16H30/40 , G16H50/70 , G06N3/045 , G06N3/084 , G06V10/74 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明提供一种医学报告的生成方法、模型训练方法、系统、设备及介质。训练方法包括：获取综合医学影像集和对应的医学报告集及医学概念集；将综合医学影像集输入特征提取网络，提取空域视觉特征集和频域视觉特征集；将空域视觉特征集和空域平均视觉特征、频域视觉特征集和频域平均视觉特征输入增强融合网络，获得空频域结合特征集；将空频域结合特征集输入概念预测网络，生成预测医学概念集；将预测医学概念集和空频域结合特征集输入报告预测网络，生成预测医学报告集；根据预测医学报告集和医学报告集的差异度、预测医学概念集和医学概念集的差异度，更新医学报告生成模型的参数，得到训练好的医学报告生成模型。提升了生成的医学报告的质量。
-
公开(公告)号：CN115719407A
公开(公告)日：2023-02-28
申请号：CN202310011438.9
申请日：2023-01-05
Applicant: 安徽大学
Abstract: 本发明公开一种面向大规模航拍图像的分布式多视图立体重建方法，先计算场景的稀疏点云模型和摄像机姿态，将稀疏点云模型划分为不同的区域，计算每个区域中所包含图像的深度图，为每个区域选择两幅最佳的深度图像作为初始融合视图，融合每个区域的深度图像、即可获得每个区域内的稠密点云模型，合并多个区域内的稠密点云、即可获得完整场景的稠密点云模型。本发明充分利用了大规模航拍图像之间的区域性，将大规模场景的多视图立体重建问题转化为可以在低性能计算机上求解的小规模多视图立体重建问题，既提高了三维重建的时间效率，又降低了三维重建的成本。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.028 seconds)
