-
公开(公告)号：CN107292314A
公开(公告)日：2017-10-24
申请号：CN201610195201.0
申请日：2016-03-30
Applicant: 浙江工商大学 , 中国林业科学研究院森林生态环境与保护研究所
Abstract: 本发明涉及一种基于CNN的鳞翅目昆虫种类自动鉴别方法。本发明在预处理中对采集的昆虫标本图像去除背景，在此基础上计算出前景图像的最小包围盒，并由此裁剪出前景有效区域。使用Imagenet预训练深度学习神经网络模型来提取特征。分类识别分两种情况：在样本量较充分时，通过微调网络结构，训练深度卷积神经网络(DCNN)分类层的参数，从而实现端到端的分类识别；对于样本数据集较小的情况，没有足够样本来训练DCNN参数，本发明选择使用适用于小样本集的χ2核SVM分类器实现分类识别。该鳞翅目昆虫图像识别方法具有操作简便、识别精度高、容错性强，并有理想的时间性能，可以显著提高鳞翅目昆虫种类鉴定的效率。
-
公开(公告)号：CN119784618A
公开(公告)日：2025-04-08
申请号：CN202411846451.7
申请日：2024-12-16
Applicant: 浙江工商大学
Abstract: 本发明公开了基于傅里叶变换与交叉注意力的胆管癌图像数据增强方法。本发明以傅里叶变换对图片相位和振幅的提取这一机制为基础，加入交叉注意力机制，并且提出了一种自适应混合交换方法，使得最终得到的淋巴结超声图像上的钙化点更为明显，本方法有效增强了钙化点与背景的对比度，同时抑制了背景中的微小噪点，更重要的是，实现了精准地区分钙化点与背景中形态类似的白色斑块。本方法不仅强化了模型的检测能力，还缩短了从影像采集到结果分析的时间周期。大幅度提升目标检测模型对钙化点的识别准确率，极大的降低了模型检测钙化点的难度。
-
公开(公告)号：CN114066825B
公开(公告)日：2024-05-28
申请号：CN202111268703.9
申请日：2021-10-29
Applicant: 浙江工商大学
IPC: G06T7/00 , G06T7/40 , G06T3/4038 , G06T3/4046 , G06N3/0464
Abstract: 本发明公开了一种改进的基于深度学习的复杂纹理图像瑕疵检测方法。本发明通过对resnet50网络结构的部分改进，将经过layer1和layer2输出的feature map通过1*1的卷积之后，按通道均分为s个子集；每个子集都有相应的convolution和involution操作，其中convolution和involution的两端均有残差结构，除了第一个子特征只进行卷积操作之外，其余子特征都与前一个子特征的输出进行相加之后再进行卷积操作，然后将各个子特征的输出进行拼接，再进行特征的融合；最后将融合后的特征经过SE block以进一步提升瑕疵检测精度。
-
公开(公告)号：CN111144203B
公开(公告)日：2023-06-16
申请号：CN201911131589.8
申请日：2019-11-19
Applicant: 浙江工商大学
IPC: G06V40/10 , G06V20/52 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于深度学习的行人遮挡检测方法，首先采用无锚点的数据预处理方式，并且对于行人数据进行遮挡扩充，还采用了随机色彩变换、水平翻转、随机尺寸变换等数据增强方式；其次是一种新的特征融合方式，对于精炼神经网络(Refinement Neural Network,RefineDet)的特征融合模块（Transfer Connection Block，TCB）进行改进，减少其下采样次数，对于ResNet的不同阶段进行了更为充分的特征融合；最终传入到检测头网络中，得到效果更好的行人遮挡检测算法RefinePedDet。本发明通过实际测试得到漏检率更低的行人遮挡检测算法。
-
公开(公告)号：CN113673594A
公开(公告)日：2021-11-19
申请号：CN202110947457.3
申请日：2021-08-18
Applicant: 浙江工商大学 , 浙江小芃科技有限公司
Abstract: 本发明公开了一种基于深度学习网络的瑕疵点识别方法。本发明首先将瑕疵的图片通过Resnet‑50特征提取网络，提取瑕疵的特征，然后通过改进的transformer网络对瑕疵进行检测，识别出瑕疵。本发明通过对DETR网络的transformer网络模块进行改进，能够提升速度的同时，将瑕疵能够更精确地检测出来。
-
Patent Agency Ranking
公开(公告)号：CN113011396A
公开(公告)日：2021-06-22
申请号：CN202110460610.X
申请日：2021-04-27
Abstract: 本发明公开了一种基于深度学习级联特征融合的步态识别方法。本发明首先读取视频帧，通过局部特征提取分支进行局部特征提取，同时通过全局特征提取分支提取整体的轮廓特征，然后对两类特征进行融合进行后续识别。本发明使用改进的GaitSet网络作为局部特征提取分支对图像进行切片处理提取局部特征；通过改进的GaitSet网络得到全局特征提取分支，使网络更关注于图像的整体轮廓特征；通过精心设计的特征融合分支对两类特征进行融合使得整体框架得到更完整的特征表示。本发明具有较好的通用性，可适用于其他步态识别模型。
-
公开(公告)号：CN109993089B
公开(公告)日：2020-11-24
申请号：CN201910222252.1
申请日：2019-03-22
Applicant: 浙江工商大学
Inventor： 王慧燕
Abstract: 本发明提供一种基于深度学习的视频目标去除及背景恢复方法，包括如下步骤：S1）人脸检测；S2）人脸识别；S3）人身检测；S4）人脸与人身匹配；S5）去除行人与背景恢复。本发明的优点为：将视频中非控制条件下准确的人脸识别与高精度、高准确率的人身检测的技术融合，只要给定视频中需要去除的人脸图片就可以在视频中全自动去除此行人，去除的区域用相似背景填充，不需要人工干预，可节省人工和时间成本。
-
公开(公告)号：CN111582154A
公开(公告)日：2020-08-25
申请号：CN202010377073.8
申请日：2020-05-07
Applicant: 浙江工商大学
Abstract: 本发明公开了基于多任务骨架姿态划分部件的行人重识别方法。本发明将行人特征提取和骨架关键点检测两个任务联合构建模型，其中行人特征提取网络采用了改进的InceptionResNetv2网络，与骨架关键点检测分支进行特征融合，提高了网络特征表达能力，同时能够根据人的形体自适应地进行区域分块，提高了细节特征提取的精细度和准确率，适用于解决外观特征相似，需要借助于外观细节进行辨识的行人重识别问题。
-
公开(公告)号：CN103984955B
公开(公告)日：2017-02-22
申请号：CN201410165717.1
申请日：2014-04-23
Applicant: 浙江工商大学
Abstract: 本发明公开了一种基于显著特征和迁移增量学习的多摄像机目标识别方法,包括如下步骤：步骤1提取灰度直方图特征并归一化，步骤2提取显著性特征，步骤3特征融合，步骤4分类识别。本发明融合显著性特征和灰度直方图特征构造目标的外观特征模型，采用基于迁移增量学习的方法作为分类器，在摄像机之间时空关联信息未知，无需摄像机标定的情况下，解决了摄像机视野不重叠时的目标识别问题。本发明的特点主要有一下两点：1)仅需要少量的训练样本，就能得到一个高效、鲁棒的目标识别模型；2)能够准确地识别新的目标。本发明适用于实时的无重叠域多摄像机长距离目标跟踪。
-
公开(公告)号：CN106114505A
公开(公告)日：2016-11-16
申请号：CN201610528023.9
申请日：2016-07-04
Applicant: 浙江工商大学
IPC: B60W30/095
CPC classification number: B60W30/095
Abstract: 本发明公开了一种车辆辅助驾驶系统的前车碰撞预警方法，其利用车尾在前后两帧图像中的宽度来确定变化率，用以实时计算碰撞时间。本发明方法无需用户标定参数，也无需计算两车的绝对距离，只要能稳定的检测出车尾即可，并且当遇到暴雨、逆光、顺光等极端天气时，只需要加入在极端天气下的车尾训练正样本，使得算法能识别出车尾，即可计算出前车碰撞时间，算法稳定性和用户体验较传统方法都得到了提升。此外，本发明方法没有额外过多的运算，性能也较传统算法高。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.068 seconds)
