-
公开(公告)号：CN116681725B
公开(公告)日：2024-11-22
申请号：CN202310623075.4
申请日：2023-05-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于脉冲神经网络的人体移动检测方法及系统，涉及图像处理领域，从视频数据中提取有效的主体信息与背景信息；将得到的信息转换为脉冲序列；利用脉冲神经元构建多层神经网络；设定脉冲神经元参数；将所述脉冲序列作为输入，产生对应的脉冲输出；本方法将SNN与图像处理的方法相结合，应用于人体移动检测领域，为智能检测设备轻量化、高效化提供了新思路，同时扩展了基于脉冲神经网络类脑芯片的应用范围。
-
公开(公告)号：CN117809293B
公开(公告)日：2024-05-03
申请号：CN202410233942.8
申请日：2024-03-01
Applicant: 电子科技大学
IPC: G06V20/60 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种基于深度神经网络的小样本图像目标计数方法，属于计算机视觉技术领域。本发明包括：对输入的查询支持图像进行图像预处理；使用预训练的骨干网络分别对支持和查询图像进行多尺度特征提取；将各级尺度提取的支持和查询图像特征分别送入特征交互模块进行特征匹配；得到类未知匹配特征，将类未知匹配特征送入解码器，输出预测密度图；初训练阶段基于预测密度图和密度图标签的密度预测损失对的密度模型进行网络参数更新；迁移训练阶段基于迁移损失对密度模型的解码器进行迁移学习，以获取目标域的查询图像的目标类别实体的密度分布估计和计数。本发明可迁移到训练数据集中未出现过的新类别上直接推理，实现对任意类别的通用目标计数。
-
公开(公告)号：CN117809293A
公开(公告)日：2024-04-02
申请号：CN202410233942.8
申请日：2024-03-01
Applicant: 电子科技大学
IPC: G06V20/60 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种基于深度神经网络的小样本图像目标计数方法，属于计算机视觉技术领域。本发明包括：对输入的查询支持图像进行图像预处理；使用预训练的骨干网络分别对支持和查询图像进行多尺度特征提取；将各级尺度提取的支持和查询图像特征分别送入特征交互模块进行特征匹配；得到类未知匹配特征，将类未知匹配特征送入解码器，输出预测密度图；初训练阶段基于预测密度图和密度图标签的密度预测损失对的密度模型进行网络参数更新；迁移训练阶段基于迁移损失对密度模型的解码器进行迁移学习，以获取目标域的查询图像的目标类别实体的密度分布估计和计数。本发明可迁移到训练数据集中未出现过的新类别上直接推理，实现对任意类别的通用目标计数。
-
公开(公告)号：CN110348381A
公开(公告)日：2019-10-18
申请号：CN201910624511.3
申请日：2019-07-11
Applicant: 电子科技大学
Abstract: 本发明公开一种基于深度学习的视频行为识别方法，包括以下步骤：S1.将人体行为视频数据随机均匀切帧处理，得到预设数量相等的帧图像数据；S2.将每帧图像数据组成的数据集按照比例常数划分成训练集和测试集；S3.采用进行每通道像素均值消减法分别对训练集和测试集中的帧图像数据进行归一化处理，得到帧图像处理数据；S4.将帧图像处理数据输入特征提取网络ResNet-50中提取出图片的特征；S5.将训练集对应的图片的特征输入循环神经网络进行训练，直到预测结果的正确率大于预设值时，得到预测循环神经网络模型；S6.将测试集运用预测循环神经网络模型进行识别得到识别结果。本发明在时间和空间两个维度上应用注意力机制来简化运算、提高模型的识别率。
-
公开(公告)号：CN110119785A
公开(公告)日：2019-08-13
申请号：CN201910413611.1
申请日：2019-05-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多层spiking卷积神经网络的图像分类方法，涉及图像处理领域，将训练集中的图像转换为脉冲序列；设定spiking神经元参数，利用spiking神经元构建卷积神经网络；将所述脉冲序列作为输入，逐层训练所述卷积神经网络，获取所述脉冲序列的视觉特征后得到分类结果，所述训练方法为基于hebbian规则的非监督学习算法；将待识别图像转换为脉冲序列，输入训练后的卷积神经网络，得到待识别图像的分类结果；本方法解决了由于神经元规模增大导致spiking神经元膜电压冗余计算的技术问题，同时解决了由于SNN激活函数不可导，无法使用反传计算残差导致学习不收敛的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN105957095B
公开(公告)日：2018-06-08
申请号：CN201610425084.2
申请日：2016-06-15
Applicant: 电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于灰度图像的Spiking角点检测方法，属于图像处理技术领域，重点解决现有技术在角点检测上的精度不高、操作复杂以及检测速度较慢等问题。本发明主要利用Spiking神经网络的特性，发明了一种利用检测模板来对图像角点信息进行检测，通过检测模板的电压值在角点时电压值达到最小这一特性来确定灰度图像的角点，本发明可以较好的对图像角点进行检测，提取灰度图像角点的时间信息和空间信息。本发明应用的场景主要在图像的角点检测、人物目标追踪识别、运动估计以及其他应用角点信息的计算机场景。涉及Spiking神经网络、机器学习。
-
公开(公告)号：CN107273294A
公开(公告)日：2017-10-20
申请号：CN201710464437.4
申请日：2017-06-19
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于神经网络语言模型的重复代码检测方法，属于重复代码检测方法技术领域，解决现有技术中的重复代码检测方法，不能检测出没有进行本质性改变的重复代码，造成检测的准确率，容易给代码原创者造成经济损失等问题。本发明包括步骤1：将所有的代码中的每个代码转换为相应的CFG图；步骤2：抽取每个CFG图中每一个结点的根子图；步骤3：将所有根子图采用向量表示；步骤4：将根子图的向量表示输入到深度图核函数中学习，得到所有CFG图两两间的相似度；步骤5：将CFG图两两间的相似度输入到AP关联聚类算法中进行CFG图的聚类得到多个聚类簇，在同一个聚类簇中的CFG图所对应的代码即为重复代码。本发明用于发现重复代码。
-
公开(公告)号：CN104063472B
公开(公告)日：2017-02-15
申请号：CN201410305607.0
申请日：2014-06-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种优化训练样本集的KNN文本分类方法，属于文本挖掘，自然语言处理等领域，解决传统KNN文本分类方法的效率和准确率低的问题。本发明在于对训练用文本数据和待分类文本数据进行文本预处理；将预处理后的训练用文本数据和待分类文本数据分别进行文本表示；对文本表示的训练用文本数据和待分类文本数据分别利用遗传算法进行特征提取；对提取的训练用文本数据特征进行分类训练，使用经过优化样本集的KNN算法进行训练分类，构造文本分类器；将文本分类器作用于特征提取后的待分类文本数据，得到待分类文本数据的分类结果。本发明能够更好的应用于文本信息挖掘系统。
-
公开(公告)号：CN105957095A
公开(公告)日：2016-09-21
申请号：CN201610425084.2
申请日：2016-06-15
Applicant: 电子科技大学
IPC: G06T7/00
CPC classification number: G06T7/0002 , G06T2207/20164
Abstract: 本发明公开了一种基于灰度图像的Spiking角点检测方法，属于图像处理技术领域，重点解决现有技术在角点检测上的精度不高、操作复杂以及检测速度较慢等问题。本发明主要利用Spiking神经网络的特性，发明了一种利用检测模板来对图像角点信息进行检测，通过检测模板的电压值在角点时电压值达到最小这一特性来确定灰度图像的角点，本发明可以较好的对图像角点进行检测，提取灰度图像角点的时间信息和空间信息。本发明应用的场景主要在图像的角点检测、人物目标追踪识别、运动估计以及其他应用角点信息的计算机场景。涉及Spiking神经网络、机器学习。
-
公开(公告)号：CN105184092A
公开(公告)日：2015-12-23
申请号：CN201510611795.4
申请日：2015-09-23
Applicant: 电子科技大学
IPC: G06F19/00
Abstract: 本发明公开了一种资源限制条件下多类型无人机协同任务分配方法，首先初始化环境信息，并根据环境模型建立初始概率矩阵，然后根据初始概率矩阵生成一定数量的随机样本,并根据约束条件删除无效样本,继而根据目标函数求出有效样本的目标函数值,之后按样本目标函数值由大到小排列，取一定比例的排在前边的样本更新概率矩阵，给出了具体的资源限制条件下基于交叉熵方法的多类型无人机任务分配求解算法。本发明能够更好地解决资源限制条件下的多类型无人机任务分配问题，使得无人机或无人机组以更高的收益完成任务。本发明应用于资源限制条件下多类型无人机任务分配。
-
-
-
-
-
-
-
-
-
Search Results
105
records
(took 0.057 seconds)
