-
公开(公告)号：CN118297951A
公开(公告)日：2024-07-05
申请号：CN202410726107.8
申请日：2024-06-06
Applicant: 浙江大学
IPC: G06T7/00 , G06T5/92 , G06V10/764 , G06V10/82 , G06V10/774
Abstract: 本发明公开了一种基于频域学习的GAN伪造图像增强检测方法和装置，包括：对GAN伪造图像进行包含尺寸变换、颜色通道变换的预处理；将预处理后的GAN伪造图像通过离散余弦变换转换到频域得到频谱图，频谱图中左上方为对应重要内容的低频信息，右下方为对应图像细节、纹理的高频信息；对频谱图中的高频信息进行掩码；对掩码后的频谱图进行频域学习以从低频信息中映射恢复高频信息，得到重建频谱图；将重建频谱图进行离散余弦逆变换得到增强的GAN伪造图像；利用增强的GAN伪造图像对检测器进行训练以增强检测器的GAN伪造图像检测鲁棒性，这样可以增强GAN伪造图像的检测准确率。
-
公开(公告)号：CN105654037B
公开(公告)日：2019-05-21
申请号：CN201510971796.X
申请日：2015-12-21
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习和特征图像的肌电信号手势识别方法，首先对采集手势肌电原始信号进行预处理；其次进行特征提取，通过不同尺寸和概率的采样窗口提取出包括时域、时频域的特征，并将这些特征转换成图像；然后将特征图像和其对应的动作标签一起输入到深度神经网络中进行训练，得到网络模型；最后将测试数据和训练得到的网络模型输入深度卷积神经网络中进行预测，得到每段动作所有图像的预测标签，将这些标签按照多数同意规则进行投票，票数最高者为该段动作类别。本发明基于特征图像对深度卷积神经网络分类器进行识别。使用基于深度卷积神经网络的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
公开(公告)号：CN105446484B
公开(公告)日：2018-06-19
申请号：CN201510801279.8
申请日：2015-11-19
Applicant: 浙江大学
IPC: G06F3/01
Abstract: 本发明公开了一种基于隐马尔科夫模型的肌电信号手势识别方法，步骤如下：对手势肌电信号进行平滑滤；使用滑动窗口对每个窗口数据提取一种多特征特征集，对特征向量进行归一化和最小冗余最大相关性准则的特征降维；设计三种隐马尔可夫模型分类器，并对其参数进行优化；使用隐马尔科夫分类器模型参数和训练数据训练得到分类器模型；将测试数据输入到训练好的模型中，根据每个类别隐马尔可夫模型输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征集对三种常用隐马尔可夫模型分类器进行识别。使用基于隐马尔可夫模型的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
公开(公告)号：CN105654037A
公开(公告)日：2016-06-08
申请号：CN201510971796.X
申请日：2015-12-21
Applicant: 浙江大学
CPC classification number: G06K9/00503 , G06F3/015 , G06F3/017 , G06K9/00523 , G06K9/00536 , G06N3/084
Abstract: 本发明公开了一种基于深度学习和特征图像的肌电信号手势识别方法，首先对采集手势肌电原始信号进行预处理；其次进行特征提取，通过不同尺寸和概率的采样窗口提取出包括时域、时频域的特征，并将这些特征转换成图像；然后将特征图像和其对应的动作标签一起输入到深度神经网络中进行训练，得到网络模型；最后将测试数据和训练得到的网络模型输入深度卷积神经网络中进行预测，得到每段动作所有图像的预测标签，将这些标签按照多数同意规则进行投票，票数最高者为该段动作类别。本发明基于特征图像对深度卷积神经网络分类器进行识别。使用基于深度卷积神经网络的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
-
公开(公告)号：CN105608432A
公开(公告)日：2016-05-25
申请号：CN201510973702.2
申请日：2015-12-21
Applicant: 浙江大学
IPC: G06K9/00
CPC classification number: G06K9/00503 , G06K9/00536
Abstract: 本发明公开了一种基于瞬时肌电信号的手势识别方法。在训练阶段，首先对阵列电极采集的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后使用瞬时肌电图像及其对应的手势标签训练图像分类器，例如深度卷积神经网络，得到网络模型参数；在测试阶段，首先对阵列电极采集的待识别的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后将训练好的模型参数带入到分类器中识别瞬时肌电信号对应的手势标签。本发明基于瞬时肌电图像和图像分类方法，可以快速准确地识别手势。国内外尚无文献使用瞬时肌电信号进行手势识别。
-
Patent Agency Ranking
公开(公告)号：CN102675329B
公开(公告)日：2014-12-24
申请号：CN201210182499.3
申请日：2012-06-05
Applicant: 浙江大学
IPC: C07D491/22 , A61K51/04
Abstract: 本发明提供制备一种正电子发射断层显像剂，为化合物10-18F-乙氧基喜树碱，是一种以DNA拓朴异构酶Ⅰ为靶点的正电子显像剂。通过阴离子交换柱子首先捕获18F，用k222/K2CO3的乙腈水溶液冲洗，蒸干除水，加入2-溴乙基三氟甲基磺酸酯反应，通入He气将产品传输到含有10-羟基喜树碱的弱碱性有机溶剂中；或18F离子与1，2-二对甲苯磺酰氧基乙烷反应，产物再在10-羟基喜树碱的弱碱性有机溶剂中反应；反应物经HPLC分离得到产物。本发明在国内外首次提出了应用[18F]氟对喜树碱进行正电子标记，从而实现了体内一些生化过程无创伤、定位、定量正电子分子显像，以期进行活体肿瘤显像。
-
公开(公告)号：CN102675329A
公开(公告)日：2012-09-19
申请号：CN201210182499.3
申请日：2012-06-05
Applicant: 浙江大学
IPC: C07D491/22 , A61K51/04
Abstract: 本发明提供制备一种正电子发射断层显像剂，为化合物10-18F-乙氧基喜树碱，是一种以DNA拓朴异构酶Ⅰ为靶点的正电子显像剂。通过阴离子交换柱子首先捕获18F，用k222/K2CO3的乙腈水溶液冲洗，蒸干除水，加入2-溴乙基三氟甲基磺酸酯反应，通入He气将产品传输到含有10-羟基喜树碱的弱碱性有机溶剂中；或18F离子与1，2-二对甲苯磺酰氧基乙烷反应，产物再在10-羟基喜树碱的弱碱性有机溶剂中反应；反应物经HPLC分离得到产物。本发明在国内外首次提出了应用[18F]氟对喜树碱进行正电子标记，从而实现了体内一些生化过程无创伤、定位、定量正电子分子显像，以期进行活体肿瘤显像。
-
公开(公告)号：CN114205077A
公开(公告)日：2022-03-18
申请号：CN202111371492.1
申请日：2021-11-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于Blom密钥分配算法的混合加密安全通信方法，其特征在于，包括：证书生成阶段，为通信网络中的所有普通节点配置一个主节点，所有普通节点和主节点申请证书以获得私钥和公钥；密钥分配阶段，主节点基于Blom密钥分配算法生成并分配包含公共矩阵信息、私密矩阵信息以及节点信息的Blom信息作为密钥至普通节点；安全通信阶段，普通节点之间进行通信时，基于从Blom信息中获取的公共矩阵信息和私密矩阵信息生成的对称密钥进行通信。以解决对称密钥交换的开销大，网络扩展性不足，以及需要节点之间的信任程度高，实际场景难以满足的问题。
-
公开(公告)号：CN105608432B
公开(公告)日：2019-02-22
申请号：CN201510973702.2
申请日：2015-12-21
Applicant: 浙江大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于瞬时肌电信号的手势识别方法。在训练阶段，首先对阵列电极采集的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后使用瞬时肌电图像及其对应的手势标签训练图像分类器，例如深度卷积神经网络，得到网络模型参数；在测试阶段，首先对阵列电极采集的待识别的瞬时肌电信号进行预处理，并将其按照电极位置排布成瞬时肌电图像；然后将训练好的模型参数带入到分类器中识别瞬时肌电信号对应的手势标签。本发明基于瞬时肌电图像和图像分类方法，可以快速准确地识别手势。国内外尚无文献使用瞬时肌电信号进行手势识别。
-
公开(公告)号：CN105426842B
公开(公告)日：2018-08-14
申请号：CN201510801198.8
申请日：2015-11-19
Applicant: 浙江大学
Abstract: 本发明公开了一种基于支持向量机的表面肌电信号多类手部动作识别方法。方法的主要步骤如下：1)获取肌电数据，对信号进行平滑滤波，并通过不同尺度的采样窗口生成数据样本；2)以数据样本为单位，从每个数据样本中提取出一个包含19种时域，频域以及时频域特征的新型多特征特征集，并对特征向量进行归一化和基于最小冗余最大相关性准则的特征选择；3)设计基于皮尔逊VII广义核的支持向量机分类器，使用基于交叉验证的粗网格搜索优化算法，对支持向量机的参数进行优化；4)使用训练集中的数据样本和步骤3)参数优化过程得到的分类器最优参数，训练分类模型，并将测试集中的数据样本输入分类模型进行分类测试。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.035 seconds)
