|
钻瓜专利网为您找到相关结果 30个,建议您 升级VIP下载更多相关专利
- [发明专利]基于MRNet的视网膜血管图像分割方法-CN202210629438.0在审
-
孙崐;晁祎
-
哈尔滨理工大学
-
2022-06-04
-
2022-12-02
-
G06T7/12
- 本发明公开一种基于多尺度与残差结构的视网膜血管图像分割算法(Mutliscale Resnet Network,MRNet)。首先,采用扩张卷积进行多尺度融合操作,此操作可以学习不同感受野下的血管特征信息,有效增加网络感受野的同时降低了网络参数,并融合深浅层后的特征语义信息特征和空间信息特征,提升了网络性能;其次,对MRNet中的编解码器部分的网络结构进行改进,将原始U‑Net结构中的卷积块和跳跃连接结构分别替换为堆叠残差卷积块和残差跳跃连接结构,即堆叠残差U‑Net(Stack‑Style ResNet U‑Net,SRU‑Net),缓解了网络传播过程中的梯度消失现象发生以及恢复丢失的空间信息的局限性;再应用concat操作将EDM的所有输出映射经过特征融合操作得到一个特征映射;最后Sigmoid分类器得到最后的分割结果。
- 基于mrnet视网膜血管图像分割方法
- [发明专利]一种基于分块协同表示的人脸识别方法-CN201910184203.3有效
-
孙崐;李晓彤;张天意;郑婉宁;殷欣
-
哈尔滨理工大学
-
2019-03-12
-
2022-07-08
-
G06V40/16
- 本发明为一种基于分块协同表示的人脸识别方法。在实际应用中,人脸图像的信息缺失(如像素信息缺失、腐蚀块和遮挡)会影响图像的像素值,从而影响人脸识别的效果。本发明先将人脸图像库中的图像分为训练集和测试集,并寻找最佳分块方式对其图像进行分块处理,将训练样本分块后的图像构造子块字典;然后采用子块的协同表示(Cooperative representation,CR)将由人脸图像信息缺失所产生的误差与原图像分离,可有效降低缺失信息图像人脸识别结果的影响;再然后对各子块获得的稀疏稀疏进行分类;最后基于最大投票准则获取最终识别结果,可有效降低由于一个或多个子块特征求得的最小系数误差较大所导致的无效分类对整张图像识别结果产生的影响,提高识别率。
- 一种基于分块协同表示识别方法
- [发明专利]一种塑料杯表面缺陷检测系统-CN202110783730.3在审
-
孙崐;郑凯
-
哈尔滨理工大学
-
2021-07-12
-
2021-10-22
-
G06T7/00
- 本发明公开一种塑料杯表面缺陷检测系统。通过摄像头读取塑料杯图像,传输给ZYNQ的PL上(ZYNQ的PL部分为可编程逻辑器件),进行图像缺陷分类,最后将结果显示在LCD屏上。图像缺陷检测算法采用BOW(视觉词袋)+SVM(支持向量机)的方式,在图像的特征提取上,本发明采用了FAST‑SUFT特征检测与描述算法,FAST算法检测速度快,检测的细节多,但并不涉及特征点的特征描述,这时利用SUFT算法生成特征描述符,两个算法可以互补,同时对FAST算法进行改进。在图像算法移植上,使用xilinx的HLS高层综合工具,方便移植到PL上。本发明实现了塑料杯表面缺陷的智能检测,具有良好的准确性和可靠性。
- 一种塑料杯表面缺陷检测系统
- [发明专利]一种语音识别智能家居控制系统-CN202010026147.3在审
-
孙崐;郑凯;张彬
-
哈尔滨理工大学
-
2020-01-10
-
2021-01-05
-
G05B15/02
- 本发明公开一种语音识别智能家居控制系统。包括主控制系统、智能窗帘控制系统、智能门控制系统、智能电灯控制系统。所述主控制系统对采集进入的人声进行识别并将结果发送出去,实时的采集室内的温湿度并在显示屏上显示,实时的采集空气中有害气体的浓度,达到设定阈值时启动报警模块进行报警,通过串口wifi模块连接路由器,将信息发送到网络上,方便用户查看。所述智能窗帘系统接收来自主控制系统的信息来控制窗帘。所述智能门控制系统接收来自主控制系统的信息或者通过自身的指纹识别功能来控制门。所述智能电灯系统接收来自主控制系统的信息来控制电灯。本发明实现了语音的智能控制,具有良好的可靠性和稳定性。
- 一种语音识别智能家居控制系统
- [发明专利]一种基于深度学习的高光谱图像分类方法-CN202010981310.1在审
-
孙崐;张天意
-
哈尔滨理工大学
-
2020-09-17
-
2020-12-18
-
G06K9/62
- 一种基于深度学习的高光谱图像分类方法,属于高光谱图像分类技术领域。本发明所要解决的问题是深度学习时缺少训练样本,许多卷积神经网络的方法不能得到很好的训练从而造成过拟合现象的问题。包括S1.提取高光谱图像块,将高光谱图像提取为带有标签的B*B*L的像素块;S2.将高光谱数据块按照mixup方法进行混合;S3.通过3DCNN对数据进行特征提取;S4.将提取的特征进行特征融合;S5.特征融合后的高光谱图像分类。S6.运用SENet网络提取光谱信息。本发明针对提高网络分类性能降低高光谱图像样本与维度之间的不平衡容易产生的休斯现象以及小样本训练深度网络产生的过拟合现象,通过使用特征融合的方法将提取到的光谱信息和空间信息融合后进行分类。
- 一种基于深度学习光谱图像分类方法
|