-
公开(公告)号：CN109948607A
公开(公告)日：2019-06-28
申请号：CN201910128720.9
申请日：2019-02-21
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习反卷积网络的候选边框生成和目标检测方法，该方法包括获取检测图像数据集，构建基于反卷积网络的目标检测网络模型，训练基于反卷积网络的目标检测网络模型，利用基于反卷积网络的目标检测网络模型进行检测。本发明通过使用反卷积网络来获取候选边框，可以在不同角度、不同尺寸目标处生成自适应边框，无需对候选边框的尺寸进行设置，而是通过反卷积网络对卷积网络提取到的特征进行解析同时根据解析信息来得到目标所在区域，可以获取精简且精确的候选边框集合，提高检测网络的检测效果和检测速度。
-
Patent Agency Ranking
公开(公告)号：CN105704672A
公开(公告)日：2016-06-22
申请号：CN201610217490.X
申请日：2016-04-08
Applicant: 电子科技大学
Abstract: 本发明属于通信技术领域，具体涉及一种基于跳段估算的无线传感器网络定位方法。本发明的方法包括无线传感器网络中的内一个锚节点向整个网络广播一个信标数据包，该信标数据包中包含有对应锚节点的位置信息以及初始值为1的跳段数，信标数据包每传输一次，跳段数加1；未知节点根据接收到的信标数据包，获取对应的锚节点位置信息，并估算出锚节点i,j之间的跳段数hopsij；获取锚节点i的平均跳段距离HopSizei；根据据获得的平均跳段距离和该未知节点收到的信标数据包中的跳段数，对该未知节点进行定位。本发明的有益效果为，在于不增加额外的硬件设备以及不增加算法复杂度的前提下提高算法定位精度。
-
公开(公告)号：CN109726769B
公开(公告)日：2020-07-10
申请号：CN201910068946.4
申请日：2019-01-24
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于卷积核权重参数的目标分类和角度估计方法，属于图像处理技术领域。本发明通过构建空不变卷积网络，对其训练得到空不变卷积网络的权重函数，并根据空不变卷积网络的权重函数得到卷积核权重参数和偏置参数以及全连接层权重参数，对卷积核权重参数进行旋转处理得到卷积层权重参数，并将卷积层权重参数和全连接层权重参数加载至构建的组合网络中，输入图片至组合网络中，在对图片图标分类的同时，提供目标的角度信息。
-
公开(公告)号：CN109934281B
公开(公告)日：2021-01-26
申请号：CN201910175530.2
申请日：2019-03-08
Applicant: 电子科技大学
Abstract: 本发明提供了一种二分类网络的非监督训练方法，属于图像处理、深度学习、模式识别领域。本发明通过对样本数据的一系列处理，对聚类网络进行不同阶段的训练，使用训练好的聚类网络对图像进行分类，避免了监督样本的缺乏，数据标注所需数据获取难度过大、成本过高的问题，使聚类网络的训练及分类结果的实现更为简单、高效。
-
公开(公告)号：CN109726769A
公开(公告)日：2019-05-07
申请号：CN201910068946.4
申请日：2019-01-24
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于卷积核权重参数的目标分类和角度估计方法，属于图像处理技术领域。本发明通过构建空不变卷积网络，对其训练得到空不变卷积网络的权重函数，并根据空不变卷积网络的权重函数得到卷积核权重参数和偏置参数以及全连接层权重参数，对卷积核权重参数进行旋转处理得到卷积层权重参数，并将卷积层权重参数和全连接层权重参数加载至构建的组合网络中，输入图片至组合网络中，在对图片图标分类的同时，提供目标的角度信息。
-
公开(公告)号：CN109934281A
公开(公告)日：2019-06-25
申请号：CN201910175530.2
申请日：2019-03-08
Applicant: 电子科技大学
Abstract: 本发明提供了一种二分类网络的非监督训练方法，属于图像处理、深度学习、模式识别领域。本发明通过对样本数据的一系列处理，对聚类网络进行不同阶段的训练，使用训练好的聚类网络对图像进行分类，避免了监督样本的缺乏，数据标注所需数据获取难度过大、成本过高的问题，使聚类网络的训练及分类结果的实现更为简单、高效。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
