“石方炎”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果10个，建议您升级VIP下载更多相关专利

[发明专利]基于TOIM损失函数的行人重识别方法-CN201911256172.4有效
发明人：李耶;殷光强;刘学婷;候少麒;向凯;石方炎;李超 -专利权人：电子科技大学
申请日： 2019-12-10 - 公布日： 2022-06-14 - 主分类号： G06V20/52 文献下载
摘要：本发明公开了一种基于TOIM损失函数的行人重识别方法，包括以下步骤：S1、准备数据集，数据集中每个不同身份的行人具有不同ID；S2、利用pytorch框架搭建基于ResNet‑50模型的网络模型；S3、将数据集中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至训练好的网络模型中，识别行人身份。本发明结合了在线实例匹配（OIM)损失函数和三重（Triplet）损失函数的优势，同时强调了对困难样本的重视和简化了三重损失函数的批处理构造过程，从而使得收敛速度大大加快，有效地提高了行人重识别的准确率。
基于 toim 损失函数行人识别方法

[发明专利]一种基于多尺度特征融合与DCNN的实时车标检测方法-CN201910086546.6有效
发明人：李耶;殷光强;候少麒;石方炎;李馨宇 -专利权人：电子科技大学
申请日： 2019-01-29 - 公布日： 2021-08-31 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于多尺度特征融合与DCNN的实时车标检测方法，该方法包括：图片收集与筛选；数据集制作，根据深度学习标准VOC数据集格式制作车标数据集；网络设计，以YOLO框架为基础，以改进的Darknet‑20网络作为基础网络，并将不同深度的特征图进行通道融合，搭建网络模型；模型训练，利用网络模型训练车标数据集，且在模型训练时，进行参数设置、数据增强以及多尺度训练；模型测试与评估五个步骤。本发明用一种端到端的一阶段非级联结构，将车标检测作为回归问题来处理，使得改进的网络结构可以更好地适应各场景下大小车标、相似车标的检测，尤其对车标小目标的检测具有很好的鲁棒性，极大提升了车标检测的速度、查全率以及精确率。
一种基于尺度特征融合 dcnn 实时检测方法

[发明专利]基于二维码的三维空间姿态定位方法与装置-CN201610443945.X有效
发明人：骆德渊;孙锐;石方炎;杨宏润;张瑞;刘颖添;陈祖耀;骆彦澔 -专利权人：电子科技大学
申请日： 2016-06-20 - 公布日： 2020-08-11 - 主分类号： G06T7/73 文献下载
摘要：本发明涉及定位技术领域，公开了一种基于二维码的三维空间姿态定位方法，包括：通过摄像头获取三维对象的灰度图像；根据所述灰度图像获取第一二维码，以及所述第一二维码像素的坐标；当所述第一二维码与存储的第二二维码的码值匹配时，根据所述摄像头根据第二二维码标定的标定参数和所述第一二维码像素的坐标，获取所述三维对象的三维坐标数据。本发明还公开了一种基于二维码的三维空间姿态定位装置。
基于二维码三维空间姿态定位方法装置

[实用新型]一种穿墙雷达设备-CN201921807021.9有效
发明人：殷光强;杨君;倪明;石方炎 -专利权人：成都电科慧安科技有限公司
申请日： 2019-10-25 - 公布日： 2020-07-31 - 主分类号： G01S13/88 文献下载
摘要：本实用新型公开了一种穿墙雷达设备，包括穿墙雷达主机，穿墙雷达主机两侧设有手持把手，穿墙雷达主机后侧面设有吸附机构，吸附机构包括安装块和吸附单元，安装块固定安装在穿墙雷达主机后侧面上，安装块与吸附单元相连，吸附单元包括圆柱管、升降杆、橡胶塞和吸盘，圆柱管上端固定安装在安装块上，安装块中开设有空腔，空腔内设置有滑动板，滑动板上端与滑动板驱动件相连，滑动板驱动件另一端与安装块内壁上端相连，滑动板下端与升降杆固定连接，升降杆从圆柱管中心穿过并与橡胶塞固定连接，圆柱管设有气孔和吸盘，气孔与吸盘内顶壁相连，安装块上还设有支柱，支柱与粗糙面粘板相连。本实用新型具有放置轻松、吸附效果好、提高成像质量等优点。
一种穿墙雷达设备

[实用新型]一种定向侦听设备用的支撑架-CN201921753319.6有效
发明人：殷光强;王治国;郭贤生;石方炎 -专利权人：成都电科慧安科技有限公司
申请日： 2019-10-18 - 公布日： 2020-07-31 - 主分类号： F16M11/04 文献下载
摘要：本实用新型涉及侦听设备技术领域，特别是涉及一种定向侦听设备用的支撑架，包括支撑件、支撑柱、伸缩部和底座，所述支撑柱、伸缩部和底座依次相连，支撑柱在伸缩部内上下移动；所述支撑件包括彼此相连的箍圈和支撑杆，所述支撑柱上设有若干第一通孔，箍圈上设有至少两个第二通孔，通过第一螺栓将箍圈与支撑柱固定；所述支撑杆上设有条形滑槽，条形滑槽内设有相对应的滑块，所述滑块用于与定向侦听设备相连，带动定向侦听设备沿条形滑槽的方向移动。通过本支撑架，能有效解决位置调整不方便的问题。
一种定向侦听备用支撑架

[实用新型]一种户外wifi探针安装座-CN201921532265.0有效
发明人：殷光强;屈世伟;石方炎;殷雪朦 -专利权人：成都电科慧安科技有限公司
申请日： 2019-09-16 - 公布日： 2020-06-12 - 主分类号： H04Q1/04 文献下载
摘要：本实用新型属于一种户外wifi探针安装座,其特征在于包括：安装座主体、wifi探针、安装孔、温度感应器、降温风道、风扇和安装轴，所述wifi探针设置在安装座主体上，所述安装座主体四周设置有安装孔，所述安装孔穿过安装座主体形成供安装轴安装的中空空间，所述安装轴设置在安装孔上，所述安装座主体的一侧设置有温度感应装置，所述降温风道设置在安装座主体内部，降温风道两侧与外界空气连通，所述降温风道上设置有风扇，所述风扇的抽风开口与外界空气连通同时与降温风道内连通。
一种户外 wifi 探针安装

[发明专利]一种非接触式提供动力的方法及装置-CN201610504191.4有效
发明人：骆德渊;孙锐;樊晓港;乔安成;杨宏润;陈祖耀;石方炎;张法典;何秀文;骆彦澔 -专利权人：电子科技大学
申请日： 2016-06-30 - 公布日： 2020-06-02 - 主分类号： G01S13/86 文献下载
摘要：本发明涉及一种非接触式提供动力的方法，包括：检测工作区域内的反射率，通过筛选获取反射率大于预设值的区域相对于检测单元的第二反射坐标组；根据所述检测单元相对于工作区域的第一检测坐标，将所述第二反射坐标组转换为相对于工作区域的第一反射坐标组；根据预设的相对于工作区域的第一轨道坐标，从所述第一反射坐标组中筛选出在所述第一轨道坐标区域内的第一反射坐标；根据所述第一反射坐标和所述第一轨道坐标，非接触式地对三维对象做功。本发明还公开了一种非接触式提供动力的装置。
一种接触提供动力方法装置

[实用新型]一种可拆卸UWB电子标签-CN201921431339.1有效
发明人：殷光强;王治国;郭贤生;石方炎 -专利权人：成都电科慧安科技有限公司
申请日： 2019-08-30 - 公布日： 2020-03-20 - 主分类号： G06K19/077 文献下载
摘要：本申请涉及无线定位技术领域，公开了一种可拆卸UWB电子标签，包括电路单元以及容纳所述电路单元的盒体，所述盒体包括前盖以及与前盖一侧通过铰接部件连接的后盖；所述电路单元包括UWB无线收发模块、电池盒以及电池组件，电池盒为底部开口结构，UWB无线收发模块设置在电池盒上表面，电池组件则位于电池盒的底部开口结构内，电池盒通过插接件与前盖连接，整个UWB电子标签则通过后盖与物体可拆卸连接。本申请的UWB电子标签与物体之间相互独立，并且标签与物体之间可拆卸连接，因此标签可进行多次拆卸进而用在不同的物体上，标签利用率高，用户使用成本低。
一种可拆卸 uwb 电子标签

[发明专利]一种基于单网络多任务学习的车辆多属性检测方法-CN201910086525.4在审
发明人：候少麒;殷光强;石方炎;向凯;杨晓宇 -专利权人：电子科技大学
申请日： 2019-01-29 - 公布日： 2019-06-14 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于单网络多任务学习的车辆多属性检测方法，该方法包括：图片收集与筛选；数据集制作；网络设计，基于Darknet深度学习框架，根据车辆多属性的特点采用端到端的、一阶段非级联模式设计网络结构，搭建网络模型；模型训练，设定并调整模型参数，根据设计的网络模型训练车辆多属性数据集，并在训练时，进行数据增强和多尺度训练；模型测试和模型评估六个步骤。本发明基于Darknet的深度学习框架平台进行设计、搭建网络模型，是一种端到端的一阶段非级联结构，网络通过采用数据增强、卷积核分离、多尺度特征融合等技术，提升了车辆多属性的检测效果，在实现较高检测精确率和查全率的同时，具有较好的实时性。
网络模型任务学习属性检测数据增强单网络多尺度特征级联结构级联模式框架平台模型参数模型测试模型评估模型训练属性数据图片收集网络结构网络设计查全率多尺度卷积核实时性数据集检测筛选学习融合制作网络

[发明专利]基于Inception V3的多数据集联合训练的行人外观属性识别方法-CN201910089320.1在审
发明人：李耶;殷光强;石方炎;候少麒;殷雪朦 -专利权人：电子科技大学
申请日： 2019-01-30 - 公布日： 2019-06-14 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了基于Inception V3的多数据集联合训练的行人外观属性识别方法，解决现有基于深度学习的行人外观属性识别方法在监控场景下易受光照、遮挡、目标姿态变化和图像清晰度等因素影响，泛化能力较差的问题，能够实现目标监控场景下的行人属性准确识别，并且只需要极少的目标场景数据即可实现，包括以下步骤：1）获取含有行人的监控视频片段，对行人图像进行预处理；2）构建新的Inception V3卷积神经网络模型；3）改进logistic loss损失函数；4）输入多个公开数据集数据，进行训练，得到行人外观属性识别模型；5）利用所得行人外观属性识别模型进行实际场景下的识别。
外观属性数据集预处理图像卷积神经网络目标监控场景目标姿态变化数据集数据监控场景监控视频目标场景实际场景损失函数因素影响构建遮挡光照联合改进学习

1
共 10 条