|
钻瓜专利网为您找到相关结果 50个,建议您 升级VIP下载更多相关专利
- [实用新型]一种人工智能监控设备-CN202320440050.6有效
-
魏欣;孙世杰;张远来;万欢;晏斐;徐健锋
-
南昌大学
-
2023-03-09
-
2023-10-03
-
F16M11/04
- 本实用新型涉及一种人工智能监控设备,包括监控设备主体、安装框和框体,所述监控设备主体的顶部中心处连接设有连接座,所述连接座的顶部嵌入设置有连接杆,所述连接杆的顶端滑动穿过框体的底部并与框体的顶部内壁转动连接,所述连接杆位于框体内侧部分外周面连接设有蜗轮,所述框体的一侧外壁连接设有电机一,所述电机一的轴端穿过框体的侧壁,所述电机一轴端连接设有与蜗轮相配合的蜗杆。本实用新型与现有技术相比优点在于:不需要拆除原位置的监控设备,省时省力;不需要工作人员爬至高处工作,使作业更省力也确保工作人员的安全。监控设备主体安装结构简单,方便对其进行安装和拆卸。
- 一种人工智能监控设备
- [发明专利]一种基于最小间隔损失函数的深度人脸识别方法-CN202211461807.6在审
-
魏欣;丁仁华;张远来;万欢;晏斐;徐健锋
-
南昌大学
-
2022-11-16
-
2023-03-21
-
G06V40/16
- 本发明公开了一种基于最小间隔损失函数的深度人脸识别方法,包括以下步骤:S1、准备数据集,数据集中不包含可能与基准数据集重叠的人脸图像;S2、利用Tensorflow框架搭建基于Inception‑ResNet‑v1模型的网络模型;S3、将数据集中的训练集的图片输入至网络模型中进行训练;S4、将数据集中测试集的图片输入训练好的网络模型中,识别人脸图像。本发明结合了Softmax损失函数、中心(Center Loss)损失函数和最小间隔(Minimum Margin Loss)损失函数的优势,其中中心损失用于增强类内紧凑度,Softmax损失和最小间隔损失用于改善类间分离度。实验结果表明,所提出的最小间隔损失使人脸识别的技术性能达到了新的高度,减少了间隔偏好带来的负面影响。
- 一种基于最小间隔损失函数深度识别方法
- [实用新型]一种耐腐蚀耐高温的厨房抽拉管-CN202222151721.5有效
-
张耀光;徐健锋
-
纽珀水暖配件(江门)有限公司
-
2022-08-16
-
2022-11-18
-
F16L11/02
- 本实用新型公开了一种耐腐蚀耐高温的厨房抽拉管,包括第一连接头、软管和编织管,第一连接头的一侧固定有连接管,连接管的一侧固定有软管,软管的外部设置有加强结构,软管的外部设置有编织管,编织管的内部设置有隔热结构,隔热棉的内部设置有隔热层,且隔热层的内部设置有固定贴,编织管的一侧固定有第二连接头。本实用新型通过设置有隔热结构可对编织管的内部进行隔热,在进行使用时软管的内部可能会通入热水,此时软管会渗透出大量的热量,隔热层可对热量进行隔热,隔热棉可将温度进行隔离,隔热棉为玻璃纤维材质同时可将外部温度进行隔离,防止低气温时对软管内部的水流温度造成影响,实现了对编织管的内部进行隔热。
- 一种腐蚀耐高温厨房拉管
- [外观设计]带有股份转换信息图形用户界面的显示屏幕面板-CN202230054844.X有效
-
刘真;梁师庭;徐健锋
-
富途网络科技(深圳)有限公司
-
2022-01-26
-
2022-07-05
-
14-04
- 1.本外观设计产品的名称:带有股份转换信息图形用户界面的显示屏幕面板。2.本外观设计产品的用途:用于显示及人机交互。3.本外观设计产品的设计要点:在于显示屏幕面板中图形用户界面的界面内容。4.最能表明设计要点的图片或照片:变化状态图1。5.由于后视图、左视图、右视图、俯视图和仰视图不包含设计要点,省略后视图、左视图、右视图、俯视图和仰视图。6.图形用户界面的用途:该外观设计图形用户界面用于显示股份转换过程中的信息。主视图用于显示股份转换界面,在主视图中点击“确认转换明细”可进入变化状态图1;在变化状态图1页面进行下拉可进入变化状态图2;在变化状态图2 “转换后授予数据”模块下点击“Option00001”可进入变化状态图3;在变化状态图1 “股份转换XX”模块下点击“Option00001”可进入变化状态图4;在变化状态图2下方点击“确认转换”按钮可进入变化状态图5;在变化状态图5下方点击“转换详情”可进入变化状态图6;在变化状态图6页面进行下拉可进入变化状态图7。7.该显示屏幕面板可用于:手机、台式电脑、笔记本电脑、平板电脑、车载中控屏幕。
- 带有股份转换信息图形用户界面显示屏幕面板
- [发明专利]一种无监督域自适应的行人重识别方法-CN202010583041.3有效
-
徐健锋;潘纯杰;刘澜;吴俊杰;邹伟康;江飞翔
-
南昌大学
-
2020-06-23
-
2022-05-20
-
G06V40/20
- 本发明公开了一种无监督跨域自适应的行人重识别方法,该方法包括以下步骤;S1:在源域预训练初始模型;S2利用初始模型提取目标域多粒度特征,生成多粒度特征分组集合,对每个分组集合计算距离矩阵;S3对距离矩阵进行聚类分析,生成簇内点和噪声点,估计簇中样本的硬伪标签;S4根据聚类结果,估计每个样本的软伪标签用以处理噪声点,更新数据集;S5在更新的数据集上重新训练模型,直至模型收敛;S6根据预设的迭代次数,循环步骤2‑5;S7将测试集数据输入模型提取多粒度特征,根据特征相似度得到最终重识别结果;本发明利用源域和目标域,挖掘目标域数据天然相似性,在无标签的目标域上提升模型准确率,降低模型对标签的依赖性。
- 一种监督自适应行人识别方法
|