-
公开(公告)号：CN114494770A
公开(公告)日：2022-05-13
申请号：CN202210035384.5
申请日：2022-01-12
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种结合多级特征依赖与多尺度上下文特征的抑郁识别方法，包括：搭建并改进ResNet101，获得C2、C3、C4及C5四个代表不同级别语义信息和细节信息的情感表征；将多级情感表征输入到多层双向门控网络，提取多级特征间的依赖关系；将多级情感表征发送到多尺度自适应上下文模块，提取相应的多尺度上下文特征，通过跨级融合得到各级的多尺度情感表示O3、O4和O5；将C5级情感表征导入卷积注意力模块，获得带有显著情感区域的情感表示D；通过特征融合得到多线索情感特征E，通过分类网络进行抑郁识别。本发明同时结合级内关联与级间关联来获取更深层更全面的情感，并且对噪声具有鲁棒性。
-
公开(公告)号：CN114373221A
公开(公告)日：2022-04-19
申请号：CN202111474169.7
申请日：2021-12-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种融合几何结构特征图的手语识别方法、系统、装置及存储介质，属于手语识别技术领域；包括：获取手语视频，将其帧数和像素大小统一调整；将统一调整后的手语视频输入预建立的预先进行过训练的三维卷积神经网络，提取手语特征；将手语特征输入预建立的预先进行过训练的深度卷积生成对抗网络，生成手语特征图；将手语特征图的像素大小统一调整，根据手语特征图G通道和B通道的手部轨迹信息进行预分类，得到预分类类别；将统一调整后的手语特征图输入预建立的VGG16网络，输出特征向量，特征向量中值最高的元素在预分类类别对应的手语词汇库中对应的手语词汇为识别结果；提高手语识别的准确度和整体分类识别效率。
-
公开(公告)号：CN110348396B
公开(公告)日：2022-02-11
申请号：CN201910635202.6
申请日：2019-07-15
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/56 , G06K9/62 , G06V10/764
Abstract: 本发明公开了一种基于深度学习的道路上方文字交通标志识别方法及装置，所述方法包括如下步骤：先采集道路上方文字交通标志，并对图像进行预处理；然后基于源域已训练好的网络参数迁移到Faster‑R‑CNN网络上作为文字交通标志检测网络的初始网络参数，基于目标域样本对网络参数进行微调获得最终的网络参数；对RGB颜色空间的交通标志图像进行HSV颜色空间转换，并将转换后的HSV颜色空间图像也作为Faster‑R‑CNN网络的输入；最后利用EAST文本文字检测网络模型和ELM分类器的识别模型对检测到的道路上方文字交通标志进行识别分类，并输出检测结果。实现了在自然场景下提取出交通标志中的有效信息。
-
公开(公告)号：CN113808006A
公开(公告)日：2021-12-17
申请号：CN202111019790.4
申请日：2021-09-01
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于二维图像重建三维网格模型的方法及装置，所述方法包括：输入二维图像到ResNet50中，通过ResNet50的Stage1，Stage2和Stage3提取图像二维信息，对这些信息进行特征连接；通过相机参数计算输入图像平面的2D投影，然后通过双线性插值法得到感知特征；通过隐式曲面算法生成初始椭球，从输入二维图像中汇集图像特征，结合图像特征和感知特征进行网格变形；通过上采样细化网格模型；利用损失函数促使系统生成粗略的三维模型；进行二次变换、三次变换生成较精细三维模型和精细的三维模型。本发明通过初始椭球进行三次变换，能够学习网格的多尺度和上下文信息，生成更加精细的三维模型。
-
公开(公告)号：CN113610711A
公开(公告)日：2021-11-05
申请号：CN202110879676.2
申请日：2021-08-02
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种单图像引导的三维表面重建方法及装置，首先，建立一个预定义的顶点分布均匀的椭球体网格；其次，采用轻量级网络AlexNet的主体架构提取输入图像特征：将AlexNet后三个卷积池化层生成的特征图像拼接，采用双线性插值法，寻找到原图像投影点在各个特征图像上的特征点；提取特征点邻近四个像素的图像特征向量并串联；然后，构建基于三维图卷积神经网络的网格变形模块，将预定义的椭球体网格变形为与二维图像对应的三维模型；最后，增加网格顶点数量，优化表面细节，并通过最小化三维损失函数调整参数矩阵，生成三维网格模型。本发明生成了高精度的三维网格表面模型，能够预测出更丰富的三维表面细节。
-
Patent Agency Ranking
公开(公告)号：CN108520550B
公开(公告)日：2021-09-24
申请号：CN201810314822.5
申请日：2018-04-10
Applicant: 南京信息工程大学
IPC: G06T15/00
Abstract: 本发明公开了一种基于噪声分类与MLS的点云数据泊松曲面重建方法，其对噪声点分类处理，并引入到点云数据等值面的向量场估计中进行相应光顺处理，形成新的样本点，利用移动最小二乘法(moving least squares，MLS)精确计算与修正点云数据法向量，再进行表面重建，形成细节丰富的三维曲面，在视觉上较好逼近实际模型。该方法能在不降低原重建精度情况下，通过更准确法向信息辅助，有效实现光顺处理和孔洞修复，曲面重建质量提升，在一定程度上解决了传统三维重建技术中非封闭曲面问题。
-
公开(公告)号：CN113343513A
公开(公告)日：2021-09-03
申请号：CN202110514992.X
申请日：2021-05-11
Applicant: 南京信息工程大学
IPC: G06F30/23 , G06F17/12 , G06F119/02
Abstract: 本发明公开了一种用于模拟软组织形变和路径切割的方法及装置，该方法用于模拟虚拟手术中对于胃部病变区域的排查和切除过程，首先使用有限元模型对胃部软组织模拟形变过程，并在形变过程中应用本征正交分解与伽辽金投影相结合的模型降阶法实现模型降阶，然后根据手术机械与软组织的碰撞检测形成的交点位置形成切割路径，最后采用贝塞尔曲线来绘制软组织被切割后产生的表面切口。本发明不仅提高了利用有限元模型进行软组织形变仿真的计算速度和实时性能，而且能在虚拟手术切割问题的处理中创建出更加平滑、自然的切割路径和切口效果。
-
公开(公告)号：CN108572650B
公开(公告)日：2021-08-24
申请号：CN201810430833.X
申请日：2018-05-08
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于车道线检测的自适应前照灯转向控制算法，包括以下步骤：(1)图像预处理，根据图片结构特征确定感兴趣区域并对其进行划分、再通过线性灰度变换增强图片不同区域的对比度，然后使用改进的大津算法对图像进行二值化处理；(2)采用改进的Hough变换算法对车道线进行检测；(3)弯道拟合及曲率半径计算；(4)根据停车视距及弯道照明距离与曲率半径的几何关系，建立前照灯角度调整模型并求解。本发明通过旋转前照灯，消除夜间行驶时弯道内侧出现视觉“盲区”，保障车辆夜间弯道行驶安全。
-
公开(公告)号：CN113284136A
公开(公告)日：2021-08-20
申请号：CN202110690947.X
申请日：2021-06-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种双损失函数训练的残差网络和XGBoost的医学图像分类方法，首先，收集医学图像数据集并将其划分为训练集和测试集；其次，对医学图像数据集进行预处理，将图像大小调整为224*224并且进行归一化处理；然后，搭建Resnet50网络作为模型的特征提取层，使用ELU激活函数替换Resnet50网络中残差块中的ReLU激活函数，并采用三元组损失以及中心损失共同训练Resnet50网络；之后，将Resnet50网络的最后一个全连接层移除，使用XGBoost作为模型的分类层；最后，使用训练集训练模型，将测试集输入训练好的模型得到分类结果。本发明使得同类样本特征更加靠近，不同类样本特征更加远离，有助于提高模型的分类精度；且分类效率高，在提高模型分类精度的同时，可以防止过拟合。
-
公开(公告)号：CN113191218A
公开(公告)日：2021-07-30
申请号：CN202110394724.9
申请日：2021-04-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于双线性注意力汇集和卷积长短期记忆的车型识别方法，分为三个阶段，第一阶段为注意力图汇集阶段，在主干网络的特征提取部分添加一个注意力学习模块分支，将注意力模块学到的注意力图与主干网络的原输出特征图做双线性汇集操作，生成对车型分类贡献较大的局部特征图。第二阶段将局部特征图转化为特征矩阵，第三阶段引入ConvLSTM结构，串联多个Cell，进一步学习局部特征之间的空间关系，然后将ConvLSTM结构输出的特征图送入到全连接层，使用分类器分类。本发明学习不同局部特征间的空间关系，获得丰富的特征信息，使得网络模型能够应对跨摄像头视频监控下不同姿态的车型识别，有效地提高细粒度车型识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
492
records
(took 0.134 seconds)
