-
公开(公告)号：CN119442867A
公开(公告)日：2025-02-14
申请号：CN202411481166.X
申请日：2024-10-23
Applicant: 福州大学至诚学院
IPC: G06F30/27 , G06N3/006 , G06N3/0499 , G06F111/06
Abstract: 本发明涉及一种基于机器学习的TC4钛合金钻削工艺参数多目标优化方法，属于机械加工领域。所述方法以表面粗糙度、能耗、出口毛刺高度以及材料去除率作为优化目标，将钻削TC4钛合金实验所产生的数据用于训练机器学习模型，并基于训练后的模型建立群智能优化算法的适应度函数，提出了一种把极限学习机(ELM)与改进鲸鱼优化算法(IWOA)相结合的算法(ELM‑IWOA)，旨在优化TC4钛合金钻削工艺参数。
-
公开(公告)号：CN115170913A
公开(公告)日：2022-10-11
申请号：CN202210674635.4
申请日：2022-06-15
Applicant: 福州大学 , 福建医科大学附属协和医院
IPC: G06V10/80 , G06V10/40 , G06V10/25 , G06V10/764 , G06V10/766 , G06V10/762 , G06V10/74 , G06K9/62
Abstract: 本发明涉及一种基于集群框融合的目标检测方法。该方法，首先建立数据集，然后使用特征提取网络对输入的数据集进行特征提取，得到特征图；然后将特征图输入到后续的分类、边界回归网络中，得到网络输出的预测框；在后处理阶段，利用这些预测框聚集的特征，先进行簇划分并过滤部分簇；然后在簇内预测聚类中心个数，并设置初始聚类中心、距离函数，然后在簇内进行聚类，聚类后的聚类中心可以很好地描述这一片区域预测框聚集的情况；最后，将相似度较高的聚类中心进行融合，并删除一些聚类中心，得到最终的预测框。本发明充分利用到了模型输出的每一个预测框，并根据这些预测框的聚集程度得到最终修正后的预测框，可以有效提高模型的召回率和精确率。
-
公开(公告)号：CN113298030B
公开(公告)日：2022-08-02
申请号：CN202110664516.6
申请日：2021-06-16
Applicant: 福州大学
Abstract: 本发明提出一种轻量级隐私保护外包脑电信号特征提取方法，其允许边缘服务器在无法获取明文脑电信号数据的前提下对用户上传的脑电信号数据进行特征提取；同时，为了实现对脑电信号的隐私保护，设计了一系列安全外包计算协议，以此来实现对加密脑电信号的特征提取；此外，为了提高脑电信号的信噪比，利用TRCA来对脑电信号进行空间滤波；最后，为了减少用户与服务器之间的响应延迟，引入了边缘计算技术。保证了不泄露原始脑电信号数据有关隐私的信息。该技术方案在确保脑电信号中的相关信息隐私安全性的同时，实现了外包脑电信号的特征提取，且降低了用户本地计算和通信成本。
-
公开(公告)号：CN114821580A
公开(公告)日：2022-07-29
申请号：CN202210497742.4
申请日：2022-05-09
Applicant: 福州大学
Abstract: 本发明提供了一种分阶段融入去噪模块的含噪图像分割方法，首先将噪声图像输入到主干网络中，经过卷积运算，提取四个阶段的特征图；其次，将第四个阶段所提取到的特征图通过双重注意力机制，得到初步的语义分割结果。在此基础上，利用主干网络不同阶段的特征区别，通过迭代融合多阶段语义特征，形成去噪帮助分割，分割帮助去噪的模式；最后将得到的三个语义分割结果进行结合，形成最终的分割结果，通过混合交叉熵损失进一步优化参数。本发明利用协同去噪和分割来提高噪声图像的语义分割精度，解决了现有的针对带噪图像语义分割方法中去噪环节丢失语义信息，从而影响后续目标类别划分的准确性以及目标轮廓的分割完整度的问题。
-
公开(公告)号：CN106447675B
公开(公告)日：2019-05-10
申请号：CN201610878522.0
申请日：2016-10-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于先验形状和循环移位的目标分割方法。该方法，首先将形状用概率的方式定义，建立一个先验目标的形状库并运用主成份分析进行降维，利用核密度估计拟合先验形状分布建立先验形状约束项。然后利用先验形状的循环移位，将目标位移和旋转变换，看作循环卷积运算，通过快速傅里叶变换，提高运算速度。将目标形变与底层灰度特征相结合建立数据约束项。接着将数据约束项和先验形状约束项线性组合建立总的能量函数，最后通过能量极小化完成目标的分割。本发明利用高层先验形状的循环移位辅助底层目标分割，解决了现有目标分割方法中对于目标形状发生形变时分割效果不佳的问题。
-
Patent Agency Ranking
公开(公告)号：CN106599901A
公开(公告)日：2017-04-26
申请号：CN201610878504.2
申请日：2016-10-09
Applicant: 福州大学
CPC classification number: G06K9/6256 , G06K9/6277
Abstract: 本发明涉及一种基于深度玻尔兹曼机的协同目标分割与行为识别方法。该方法，首先利用深度玻尔兹曼机从目标行为训练库中学习行为与动作的多层结构特征，接着以底层图像分割为出发点，根据贝叶斯推理，将目标分割看作最大化条件概率，然后在学习得到的高层先验行为指导下，采用目标形状信息作为底层、中层和高层连接的纽带，并建立总的能量函数，最后通过能量极小化完成目标的同时分割与行为识别。本发明利用底层与高层的协同合作可以同时提高目标分割的精度和行为识别的准确性，解决了在低质量环境下由于噪声、遮挡、光照等多种因素影响下分割效果不佳的问题。
-
公开(公告)号：CN114821654B
公开(公告)日：2024-09-03
申请号：CN202210497768.9
申请日：2022-05-09
Applicant: 福州大学
IPC: G06V40/10 , G06V20/40 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明提供了一种融合局部与深度的时空图网络的人手检测方法首先使用传统检测器获取视频图像的多尺度特征图；随后将特征图选取置信度高的目标候选框，将目标候选框内图像再次输入检测器获取特征图，利用滑动窗口的激活值获取局部关键信息候选框，将候选框建立图关系网络，并且融合深度信息和视频前数帧的图像分别建立图网络进行训练；最后根据图计算获得的节点属性和原始特征图的特征信息相加，从而达到增强识别的效果。本发明利用图关系网络、深度信息和视频前后信息来增强图像识别，解决了传统检测器无法利用图像深度信息、视频图像先后信息和目标间具有关联关系的问题。
-
公开(公告)号：CN114445482B
公开(公告)日：2024-08-02
申请号：CN202210112398.2
申请日：2022-01-29
Applicant: 福州大学 , 福建医科大学附属协和医院
IPC: G06T7/62 , G06T3/4007 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/084
Abstract: 本发明涉及一种基于Libra‑RCNN和椭圆形状特征的图像中目标检测方法及系统，该方法包括以下步骤：S1、输入训练集中图像并进行预处理；S2、基于Libra‑RCNN架构设置骨干网络模型信息；S3、通过矩形框标签构建椭圆框标签，并计算椭圆交并比IoU；S4、计算椭圆锚框的长短轴及角度；S5、设置分类损失函数、回归损失函数和角度损失函数；S6、设置不同尺度输出后的Head部分；S7、设置Libra‑RCNN的采样策略为IoU最大值采样策略，并设置相应的IoU阈值；S8、生成网络模型，并通过训练集图像训练网络模型，得到训练好的网络模型；S9、通过训练好的网络模型检测图像，得到目标的相应位置和目标类别。该方法及系统有利于提高对于具有椭圆形状特征目标的检测精度。
-
公开(公告)号：CN114445689B
公开(公告)日：2024-07-26
申请号：CN202210112397.8
申请日：2022-01-29
Applicant: 福州大学 , 福建医科大学附属协和医院
IPC: G06V10/80 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N5/04
Abstract: 本发明涉及一种目标先验信息指导的多尺度加权融合目标检测方法及系统，该方法包括以下步骤：首先使用卷积神经网络进行特征提取，然后对目标尺寸、颜色及形状角度先验信息进行基于尺度大小的聚类，使用聚类结果得到的权重来指导多尺度特征的加权融合，使得多尺度检测在目标具有多种形态、大小的场景下能够更有针对性地学习目标尺度的分布；其次在多尺度动态加权融合之后，引入尺度特征贡献度微调来进一步学习多尺度特征图的贡献度，并使用先验信息权重引导初始化；最后将多尺度输出传入分类与回归两个子网络进行目标物体的定位与分类。该方法及系统可以有效地利用目标的先验信息解决目标尺度不均衡问题，提高目标检测的准确性。
-
公开(公告)号：CN115393862A
公开(公告)日：2022-11-25
申请号：CN202211163459.4
申请日：2022-09-23
Applicant: 福州大学
IPC: G06V30/168 , G06V30/32
Abstract: 本发明提供了一种基于梯度图拉普拉斯正则的手写笔迹平滑算法，包括以下步骤：步骤S1：读取手写笔迹点的位置信息；步骤S2：将手写笔迹点的位置信息在矩阵上进行体现，步骤S3：判断两个像素点是否满足距离要求；步骤S4：重复上述步骤；步骤S5：将向量，拼接成矩阵；步骤S6：根据梯度构建的梯度图，计算它的邻接矩阵；步骤S7：得到拉普拉斯矩阵；步骤S8：根据拉普拉斯矩阵，得到它关于梯度的GLR表达形式：步骤S9：定义本文算法的能量函数；步骤S10：最小化能量得到手写笔迹的最佳平滑效果；应用本技术方案可实现最后得到较好的手写笔迹平滑效果，而且不会占用额外的内存。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.04 seconds)
