-
公开(公告)号：CN115145005A
公开(公告)日：2022-10-04
申请号：CN202210728696.4
申请日：2022-06-24
Applicant: 浙江大学
Abstract: 本发明提出了一种适应中心遮挡的激光扫描镜头，属于光学镜头领域。激光扫描镜头包括沿着物方到像方的方向在光轴上依次设置的第一透镜、第二透镜、第三透镜、第四透镜和第五透镜，最终将光能量汇聚到探测器光敏面上；第一透镜为双凸正透镜，第二透镜至第四透镜为凹凸球面正透镜，第五透镜为平凸球面正透镜。系统工作的典型波长为1550nm，系统总焦距F和入瞳孔径D满足：1.30
-
公开(公告)号：CN112633180A
公开(公告)日：2021-04-09
申请号：CN202011561521.6
申请日：2020-12-25
Applicant: 浙江大学
Abstract: 本发明公开了一种基于对偶记忆模块的视频异常检测方法及系统，其中，方法的步骤如下：(1)使用连续帧作为输入，利用卷积神经网络提取特征，获得问询向量；(2)使用正常/异常询向量和记忆向量作为输入，利用对偶记忆模块“读操作”，生成新的正常/异常特征；(3)利用判别器生成判别特征，利用生成器生成未来帧；(4)利用未来帧的预测损失和对偶记忆模块的稀疏程度计算异常得分。利用本发明，可以有效的解决视频异常检测中正负样本量极其不均衡的问题，并且能够生成具有判别性的特征空间。
-
公开(公告)号：CN110334743A
公开(公告)日：2019-10-15
申请号：CN201910496327.5
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：(1)选择经过预训练后的基础网络模型；(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；(4)训练结束，对训练得到的模型进行行人重识别应用。利用本发明，可以缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。
-
公开(公告)号：CN115145005B
公开(公告)日：2023-06-20
申请号：CN202210728696.4
申请日：2022-06-24
Applicant: 浙江大学
Abstract: 本发明提出了一种适应中心遮挡的激光扫描镜头，属于光学镜头领域。激光扫描镜头包括沿着物方到像方的方向在光轴上依次设置的第一透镜、第二透镜、第三透镜、第四透镜和第五透镜，最终将光能量汇聚到探测器光敏面上；第一透镜为双凸正透镜，第二透镜至第四透镜为凹凸球面正透镜，第五透镜为平凸球面正透镜。系统工作的典型波长为1550nm，系统总焦距F和入瞳孔径D满足：1.30
-
公开(公告)号：CN112633180B
公开(公告)日：2022-05-24
申请号：CN202011561521.6
申请日：2020-12-25
Applicant: 浙江大学
IPC: G06V20/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于对偶记忆模块的视频异常检测方法及系统，其中，方法的步骤如下：(1)使用连续帧作为输入，利用卷积神经网络提取特征，获得问询向量；(2)使用正常/异常询向量和记忆向量作为输入，利用对偶记忆模块“读操作”，生成新的正常/异常特征；(3)利用判别器生成判别特征，利用生成器生成未来帧；(4)利用未来帧的预测损失和对偶记忆模块的稀疏程度计算异常得分。利用本发明，可以有效的解决视频异常检测中正负样本量极其不均衡的问题，并且能够生成具有判别性的特征空间。
-
Patent Agency Ranking
公开(公告)号：CN110321801B
公开(公告)日：2021-08-03
申请号：CN201910496351.9
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自编码网络的换衣行人重识别方法及系统，其中，方法包括：(1)对行人图片中行人的衣服部分生成掩膜；(2)利用衣服特征编码器EA获取衣服特征表示向量；(3)根据掩膜去掉行人图片中的衣服部分，利用换衣图片生成器G生成换衣图片；(4)构建衣服无关特征学习网络，包含特征提取器F以及图片生成器R；(5)将真实行人图片以及生成的换衣图片两两配对，对特征提取器F进行训练；(6)训练收敛后，输入真实、有标记的行人图片，使用交叉熵损失函数对特征提取器F进行微调；(7)利用最终得到的特征提取器F进行行人重识别的应用。利用本发明，使得在行人外貌变化丰富的场景下，能够学习得到鲁棒的判别性特征。
-
公开(公告)号：CN110334743B
公开(公告)日：2021-05-04
申请号：CN201910496327.5
申请日：2019-06-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于卷积长短时记忆网络的渐进迁移学习方法，包括：(1)选择经过预训练后的基础网络模型；(2)基于批相关卷积单元构建一个旁枝网络，将旁枝网络与预训练后的基础网络相结合构成渐进迁移学习网络；所述旁枝网络中的每一层批相关卷积单元对应于基础网络中的一个卷积单元；基础网络中的卷积单元的输出在输入到下一层卷积单元的同时输入到旁枝网络中的批相关卷积单元中；(3)对渐进迁移学习网络进行训练，训练过程使用随机梯度下降算法和交叉熵损失函数；(4)训练结束，对训练得到的模型进行行人重识别应用。利用本发明，可以缓解批数据数据分布与数据集整体分布差异导致的模型微调效果不佳的问题。
-
公开(公告)号：CN110443174A
公开(公告)日：2019-11-12
申请号：CN201910683172.6
申请日：2019-07-26
Applicant: 浙江大学
Abstract: 本发明公开了一种基于解耦自适应判别性特征学习的行人重识别方法，包括：(1)选取已有的行人重识别模型，将模型分为特征抽取层和分类器层；(2)在训练阶段，每训练完N遍数据后对分类器层的参数进行随机初始化，特征抽取层的学习率随数据的迭代不断降低，分类器层的学习率保持不变；训练直到目标函数收敛；(3)在测试阶段，只保留特征抽取层，作为训练好的网络模型；(4)在行人检索阶段，用训练好的网络模型抽取图片库中每张图片的特征向量，将待查询行人图片特征向量和图片库中每张图片特征向量进行相似度排序并选择排序最靠前的图片的身份作为最终识别结果。利用本发明，可以很好地解决了现在行人特征学习网络优化不充分的问题。
-
公开(公告)号：CN111754775B
公开(公告)日：2021-05-25
申请号：CN202010634989.7
申请日：2020-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于特征重构误差的交通流量预测方法，属于机器学习技术领域，包括：(1)选择目标机器学习网络，初始化目标机器学习网络的参数；(2)构建交通流量的训练数据集，初始化特征校正权值矩阵的参数；(3)利用训练数据集对特征校正权值矩阵进行训练，训练过程使用随机梯度下降算法和特征重构误差损失函数；(4)固定特征校正权值矩阵参数，对目标机器学习网络进行训练，训练过程使用随机梯度下降算法；(5)重复步骤(3)和步骤(4)，直至损失函数收敛或达到最大训练步数；(6)训练结束，将待预测的交通流量数据输入训练好的网络模型，得到预测的交通流量。利用本发明，可以增强模型在进行交通流量预测的稳定性。
-
公开(公告)号：CN110163117B
公开(公告)日：2021-03-05
申请号：CN201910348620.7
申请日：2019-04-28
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自激励判别性特征学习的行人重识别方法，包括：(1)选取一个行人重识别网络，在该原始网络上添加一个负分支；(2)在训练阶段，原始网络产生分类损失函数，原始网络和负分支之间产生对抗损失函数和互斥响应项，一起构成目标函数，并利用随机梯度下降方法对整个网络进行优化；(3)在测试阶段，移除负分支，只保留原始网络在分类器之前的部分，作为训练好的网络模型，并输入行人图片进行抽取特征向量测试；(4)在行人检索阶段，利用训练好的网络模型抽取图片库中每张图片的特征向量，选择与待查询行人图片的特征向量相似度最高的图片的身份作为最终识别结果。利用本发明，可以提升现有行人重识别网络的效果。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.024 seconds)
