-
公开(公告)号：CN111832453A
公开(公告)日：2020-10-27
申请号：CN202010620281.6
申请日：2020-06-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双路深度神经网络的无人驾驶场景实时语义分割方法。本发明步骤如下：步骤1、以残差网络ResNet-18为基础网络，分流出空间信息分支和上下文信息分支；步骤2、对上下文信息分支的不同阶段输出使用注意力精炼模块进行优化；步骤3、对空间信息分支和上下文信息分支的输出使用特征融合模块进行多尺度融合，用于网络最终输出；步骤4、在上下文信息分支中添加两个辅助损失函数，与主损失函数共同监督训练。本发明提高了语义分割对速度和精度的兼得性，从而实现一个应用于无人驾驶的高精度实时语义分割网络。
-
公开(公告)号：CN111291804A
公开(公告)日：2020-06-16
申请号：CN202010074244.X
申请日：2020-01-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于注意力机制的多传感器时间序列分析模型。本发明包括数据收集、数据挖掘、时间序列分析和前端可视化，所述的数据收集通过设置在人体上的可穿戴传感器设备进行收集；可穿戴传感器设备分别固定在测试人员身体的大臂上侧和膝盖上侧，其中左臂上侧设置主传感器,其余都是从机传感器；从机传感器通过其射频无线传输模块将运动信号发送到主传感器，再发送到手机；根据分析方向进行定向分析，如果是运动预测，则对信号进行预处理，再由模型进行预测；如果是活动识别，则对信号进行预处理、特征提取、特征归一化、特征降维和识别分类器；最后均将结果显示在手机上。本发明用于多变量时间序列长期预测，可以实现实时运动预测。
-
公开(公告)号：CN110276380A
公开(公告)日：2019-09-24
申请号：CN201910429759.4
申请日：2019-05-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度模型框架的实时运动在线指导系统，其特征在于包括三层基础级架构，分别为基础硬件层、软件服务层、功能展示层；基础硬件层由数据采集设备和服务器设备组成；软件服务层由数据搜集单元、数据管理单元、服务提供单元、模型迭代单元、运动分析单元这五个部分组成；功能展示层用于显示APP功能和手环功能。本发明主机和从机采集数据灵活性强，操作简单，数据精准度高，实时性好。本发明方法设备价格低，利用率高。数据处理方法科学而不复杂，易于在智能手机上运动。能有效地判断使用者动作的标准程度。应用范围广，能创造不菲的经济价值。
-
公开(公告)号：CN104897537B
公开(公告)日：2017-08-08
申请号：CN201510320697.5
申请日：2015-06-11
Applicant: 杭州电子科技大学
IPC: G01N15/06
Abstract: 本发明涉及基于无人机的PM2.浓度采集装置和实时数据过滤方法。基于无人机的城市PM2.5浓度采集装置包括空中PM2.5浓度采集模块和地面控制站模块，所述的空中城市PM2.5浓度采集模块包括无人机模块和PM2.5浓度采集载荷，所述的无人机模块包括GPS模块和无线通信模块，所述PM2.5浓度采集载荷包括传感器模块，数据存储模块和SIM卡模块。利用所述的基于无人机的PM2.5浓度采集装置对PM2.5浓度进行采集，设备灵活性强，操作简单，有效的节约了采集成本，本发明提出的数据过滤方法过滤原始PM2.5浓度数据提高了数据准确性，并节省了大量资源。
-
公开(公告)号：CN119478768A
公开(公告)日：2025-02-18
申请号：CN202411488588.X
申请日：2024-10-23
Applicant: 杭州电子科技大学
IPC: G06V20/40 , G06V10/82 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于SSIM和STE‑3D的视频异常检测方法，包括以下步骤：首先将待增强的基于三维卷积的视频异常检测模型的损失函数和异常分数计算公式中的均方误差MSE替换为结构相似性指数SSIM，插入时空增强块STE‑3D，得到增强后的视频异常检测模型；将训练集中的视频帧预处理为小视频片段输入到增强后的视频异常检测模型中进行训练，模型输入记为I；将根据预处理后的小视频片段重构生成的小视频片段记为O，计算I和O间的损失值，更新模型权重，直至训练完成；预测阶段，计算I和O间的重构误差，判断当前帧是否是异常帧。本发明采用上述的一种基于SSIM和STE‑3D的视频异常检测方法，提供了更适合评估视频异常的指标，并确保检测到的异常与人类观察更准确地对应。
-
Patent Agency Ranking
公开(公告)号：CN118982599A
公开(公告)日：2024-11-19
申请号：CN202411146497.8
申请日：2024-08-20
Applicant: 杭州电子科技大学
IPC: G06T11/00 , G06T3/4053 , G06T7/10 , G06T3/60 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/08 , G06T5/70 , G06V10/774 , G06V10/764 , G06N3/0985
Abstract: 本发明公开了一种基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成方法，包括S1、收集图像数据并预处理；S2、搭建基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成网络模型，所述基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成网络模型的总体框架主要由三部分组成：一个带有门控卷积编码器的VAE模块，一个利用低频增强噪声的噪声添加模块，以及一个通过CTRD Loss训练的噪声预测主干。S3、对网络模型进行反复训练，优化网络参数，不断进行迭代优化；S4、将UWF‑SLO图像经预处理后输入至完成训练的基于LPUWF‑LDM模型的精确晚期UWF‑FA图像生成网络模型中，最终生成高质量的晚期UWF‑FA图像。
-
公开(公告)号：CN118520276A
公开(公告)日：2024-08-20
申请号：CN202410745276.6
申请日：2024-06-11
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于孪生网络的小样本长时间序列预测方法，属于时间序列预测领域，使用两个共享参数的网络来进行时间序列的特征提取，将时间序列划分成双层级patch来帮助模型捕获更精细的局部特征，通过在输入patch的首位加上可学习的预测token(LPT)来捕获时间序列中的全局信息，使得模型在捕获精细的局部特征的同时可以结合全局特征来更全面地理解时间序列的内在结构和模式，以提升模型的预测性能。本发明采用上述的一种基于孪生网络的小样本长时间序列预测方法，能够在小样本条件下实现较为准确且可靠的未来趋势预测，能够通过双层级输入策略和LPT捕获时间序列的局部和全局特征，提升了小样本设置下的长时间序列预测精度。
-
公开(公告)号：CN112257911B
公开(公告)日：2024-03-26
申请号：CN202011089562.X
申请日：2020-10-13
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06Q50/04 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于并行时空注意力机制的TCN多元时间序列预测方法，首先对公式进行定义，然后构建多元时间序列预测模型，包括两个并行的网络主干，空间注意力分支主干通过空间注意力模块提取外生序列和目标序列之间的空间相关性，时间注意力分支主干则通过时间注意力模块来捕捉窗口中所有时间步间的时间依赖性。空间注意力模块和时间注意力模块分别连接两个相同的堆叠TCN主干和全连接层；最后将多变量的时间序列输入多元时间序列预测模型中，获得最终的预测结果。本发明方法将时空注意力机制与TCN相结合相较于传统TCN取得了更高的准确率，同时提高网络计算效率相较于基于RNN的模型大大缩减了模型训练所需要的时间。
-
公开(公告)号：CN114239718B
公开(公告)日：2024-03-01
申请号：CN202111539166.7
申请日：2021-12-15
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0455 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于多元时序数据分析的高精度长期时间序列预测方法，使用离散网络用于分层平行提取多元时间序列的全局特征和局部特征，在提高多元时间序列预测精度的同时降低了计算复杂度、减少了模型规模并且增加了模型的预测长度。本发明采用分层平行提取多元时间序列的全局特征和局部特征机制，提升了预测精度，降低了模型的内存使用量，利用局部特征提高对多元时间序列的局部细微波动的拟合能力，并且增加了模型的预测长度，大大提升了模型在多元时间序列预测上的效果。
-
公开(公告)号：CN113592023B
公开(公告)日：2024-02-27
申请号：CN202110918765.3
申请日：2021-08-11
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/096 , G06N3/09
Abstract: 本发明公开了一种基于深度模型框架的高效细粒度图像分类模型。本发明创新地将数据增强方法与知识蒸馏技术相结合，设计交叉集成知识蒸馏(CEKD)模型，以在线方式动态生成软目标；整个交叉集成知识蒸馏模型包括教师网络和学生网络，且教师和学生网络采用同一骨干网络；针对数据增强中存在的噪声干扰问题，提出交叉蒸馏模块(CD)来重建网络的输入路径以获得额外的监督信息；同时针对目标冲突问题，提出协同集成模块(CE)来动态集成和优化所有最终的输出值；最后结合交叉蒸馏模块和协同集成模块，全面捕捉图片的判别性区域并提高CEKD模型的鲁棒性。本发明在细粒度数据集上的大量实验证明了CEKD模型性能的优越性。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.03 seconds)
