“宦若虹”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42个，建议您升级VIP下载更多相关专利

[发明专利]一种基于时空自动编码的传感器数据补全方法-CN202310742669.7在审
发明人： 宦若虹;蒋程西 -专利权人：浙江工业大学
申请日： 2023-06-21 - 公布日： 2023-10-27 - 主分类号： G06F16/215 文献下载
摘要：本发明公开了一种基于时空自动编码的传感器数据补全方法，将待处理数据序列输入到时空解码器中，通过时序编码模块和空间编码模块，分别提取时序编码特征和空间编码特征，然后将时序编码特征和空间编码特征相加，再通过一个全连接层，映射得到潜在空间中的潜在变量；然后将潜在变量输入到时空解码器，先通过一个全连接层，然后通过时空解码模块进行解码，得到补全的数据序列。本发明更准确地对缺失数据进行填补，提高模型的泛化性能和补全效果，具有更强的鲁棒性。
一种基于时空自动编码传感器数据方法

[发明专利]一种基于姿态估计和特征关联的行人重识别方法和装置-CN202310713891.4在审
发明人： 宦若虹;赵鑫;陈朋 -专利权人：浙江工业大学
申请日： 2023-06-15 - 公布日： 2023-10-03 - 主分类号： G06V40/10 文献下载
摘要：本发明公开了一种基于姿态估计和特征关联的行人重识别方法和装置，在获取待查询行人图像后，分别通过姿态估计网络和全局特征提取网络提取局部关键点热力图和全局特征图，然后将降维后的全局特征图与局部关键点热力图进行元素间相乘，得到局部关键点特征序列，再将局部关键点特征序列和全局特征图通过前景姿态非局部网络得到局部姿态联合特征。对全局特征图进行自适应平均池化操作，然后与局部姿态联合特征进行非线性融合，得到融合特征，最后根据融合特征计算待查询行人图像与数据库中图像的相似度，输出查询结果。本发明克服了局部特征无关性问题，以及全局特征和局部特征融合的问题，提高了行人重识别的准确率。
一种基于姿态估计特征关联行人识别方法装置

[发明专利]基于通道注意力权重再分配的传感器数据身份识别方法-CN202310574662.9在审
发明人： 宦若虹;蒋程西 -专利权人：浙江工业大学
申请日： 2023-05-19 - 公布日： 2023-09-29 - 主分类号： G06F21/31 文献下载
摘要：本发明公开了一种基于通道注意力权重再分配的传感器数据身份识别方法，构建时序特征提取网络采用CNN和BLSTM的混合模型来提取时序特征，能够结合CNN的快速特征提取能力和BLSTM的时序处理能力，可以更好地捕捉到时间序列数据中的重要信息。空间特征提取网络则利用预期通道损伤矩阵ECDM对输入数据进行通道权重打分分配，提出一种通道注意力权重再分配CAWR机制进行权重再分配，有效地指导模型关注重要的特征通道，提高模型对于空间特征的捕捉能力。本发明还通过遮挡并还原原始数据，得到部分网络权重并转移到身份识别网络的CNN中，进一步提升网络对空间特征的捕捉能力。本发明能够更好地捕捉到传感器步态数据中的重要信息，从而提高身份识别的准确率。
基于通道注意力权重再分传感器数据身份识别方法

[发明专利]一种具有鲁棒性的多模态情感分析方法-CN202310248746.3在审
发明人： 宦若虹;钟国伟;梁荣华 -专利权人：浙江工业大学
申请日： 2023-03-09 - 公布日： 2023-08-01 - 主分类号： G06F18/213 文献下载
摘要：本发明公开了一种具有鲁棒性的多模态情感分析方法，首先获取待预测对象的文本、音频和视频三种模态特征序列中的至少一个，对于缺失的模态特征序列，通过训练好的模态翻译模块生成所缺失的模态，从而得到三种模态特征序列。然后将三种模态特征序列输入到训练好的情感预测模块中，得到待预测对象的情感预测结果。本发明技术方案使用MGT模型来统一过去在模态翻译中的编码解码架构，并使用MUT模型来对多模态信息进行融合，为了进一步得到统一的多模态表征，还引入了全零初始化的特殊序列MMSeq，不仅能够同时克服模态缺失和多模态序列非对齐的问题，并且还能够提高情感分析的准确率。
一种具有鲁棒性多模态情感分析方法

[发明专利]一种基于三模态表征学习的用户属性检测方法-CN202211357140.5在审
发明人： 宦若虹;钟国伟;梁荣华 -专利权人：浙江工业大学
申请日： 2022-11-01 - 公布日： 2023-02-03 - 主分类号： G06F16/35 文献下载
摘要：本发明公开了一种基于三模态表征学习的用户属性检测方法，获取用户文本、视觉和音频三个模态特征，分别通过一维卷积将三个模态特征映射到同一个特征空间，分别将得到的三个模态特征加入由正余弦函数构成的位置编码，将文本特征经过单模态transformer编码器做自注意力处理，剔除冗余的语义信息。然后将文本、视觉和音频特征分别经过两个三模态transformer编码器做跨模态交互，将两个三模态transformer编码器的输出进行拼接，得到多模态特征，然后将多模态特征经过GRU和全连接操作，输出用户属性预测值。本发明克服单纯使用传统transformer编码器时模态信息交互不完全的问题，提高了用户属性检测的准确率。
一种基于三模态表征学习用户属性检测方法

[发明专利]基于双向门控循环单元网络和新型网络初始化的情感识别方法-CN201910298018.7有效
发明人： 宦若虹;鲍晟霖;葛罗棋;谢超杰 -专利权人：浙江工业大学
申请日： 2019-04-15 - 公布日： 2023-01-31 - 主分类号： G06F40/30 文献下载
摘要：一种基于双向门控循环单元网络和新型网络初始化的情感识别方法，提取文本、视觉和音频三个模态的高维特征并按字级对齐，进行归一化处理，输入至双向门控循环单元网络进行训练，采用网络初始化方法对各个模态网络训练初期的双向门控循环单元网络和全连接网络的权重进行初始化，采用最大池化层和平均池化层对双向门控循环单元网络输出的状态信息进行特征提取，将两个池化后的特征向量进行拼接作为全连接网络的输入特征，将待识别的文本、视觉和音频输入训练后的各个模态的双向门控循环单元网络，得到各个模态的情感强度输出。本发明能克服长期依赖问题，提高双向门控循环单元网络在训练中的鲁棒性，提高基于情感时间上下文信息的情感识别准确率。
基于双向门控循环单元网络新型初始化情感识别方法

[发明专利]基于融合注意力网络的多模态情感识别方法-CN201910324053.1有效
发明人： 宦若虹;鲍晟霖;葛罗棋;谢超杰 -专利权人：浙江工业大学
申请日： 2019-04-22 - 公布日： 2023-01-31 - 主分类号： G06F40/205 文献下载
摘要：一种基于融合注意力网络的多模态情感识别方法，提取文本、视觉和音频三个模态的高维特征并按字级对齐和归一化处理，然后输入至双向门控循环单元网络进行训练，提取三个单模态子网络中的双向门控循环单元网络输出的状态信息计算多模态间状态信息的相关度，再计算多个模态每一时刻的注意力分布，即每一时刻状态信息的权重参数，将三个模态子网络的状态信息和对应的权重参数加权平均得到融合特征向量作为全连接网络的输入，将待识别的文本、视觉和音频输入训练后各个模态的双向门控循环单元网络，得到最终的情感强度输出。本发明能克服多模态融合时各模态的权重一致性问题，提高多模态融合下的情感识别准确率。
基于融合注意力网络多模态情感识别方法

[发明专利]一种姿态引导注意力的抗遮挡行人重识别方法-CN202210645693.4在审
发明人： 宦若虹;占孜伟;池凯凯 -专利权人：浙江工业大学
申请日： 2022-06-08 - 公布日： 2022-12-27 - 主分类号： G06V40/10 文献下载
摘要：本发明公开了一种姿态引导注意力的抗遮挡行人重识别方法，分别通过提取行人图像的关节点热力图、关节点置信度和全局特征图，将全局特征图与关节点热力图进行元素间相乘，得到关节点局部特征图，然后将关节点局部特征图和全局特征图通过姿态引导空间注意力模块得到空间注意力特征图；再将关节点局部特征图和空间注意力特征图通过姿态引导通道注意力模块得到通道注意力特征图，计算待检索行人图像与图库图像之间的相似度距离，选择最相似的图库图像作为最终识别结果。本发明克服单纯使用全局特征和局部特征的单一性问题，以及特征之间不匹配的问题，提高遮挡行人重识别的准确率。
一种姿态引导注意力遮挡行人识别方法

[发明专利]基于联合注意力机制的传感器数据群体行为识别方法-CN202210625710.8在审
发明人： 宦若虹;舒佳 -专利权人：浙江工业大学
申请日： 2022-06-02 - 公布日： 2022-08-19 - 主分类号： G06V20/52 文献下载
摘要：本发明公开了一种基于联合注意力机制的传感器数据群体行为识别方法，构建包括数据域网络和语义域网络的网络模型，数据域网络对群体中每个个体的局部位置传感器数据进行处理得到数据域网络群体行为特征，再通过一个全连接层得到数据域网络群体行为识别结果，所述语义域网络对群体中每个个体的个体行为标签进行处理得到语义域网络群体行为特征，再通过一个全连接层得到语义域网络群体行为识别结果。损失函数联合数据域网络和语义域网络，进行联合训练获得数据域网络的网络参数。本发明能够有效抑制群体中非关键行为的干扰，提高了群体行为识别准确率和鲁棒性。
基于联合注意力机制传感器数据群体行为识别方法

[发明专利]一种基于昇腾处理器的边端监控视频结构化存储方法-CN202210399070.3在审
发明人：陈朋;丁小飞;党源杰;俞天纬;宦若虹;梁荣华 -专利权人：浙江工业大学
申请日： 2022-04-15 - 公布日： 2022-07-29 - 主分类号： G06V20/40 文献下载
摘要：一种基于昇腾处理器的边端监控视频结构化存储方法，包括：搭建基于国产昇腾处理器的边端硬件系统；根据监控摄像头视频流实时更新背景图像；根据上一步得到的二值化矩阵Bi进行椒盐去噪，找出其像素点值为1的总点数c，设置阈值Tc，若cTc则表示存在运动目标，使用YOLOV3算法进行目标检测，将框选出来的行人图像分割出来，并且送入到行人外观提取网络提取外观标签；对于目标检测网络，如果提取到了行人目标则将该帧合并入H264文件，生成关于关键视频段和行人目标的标签信息；将H264放在SD卡中，当缓存的数据达到SD卡存储上限后会定期向服务器进行备份。本发明加快了监控视频突发事件处理的实时性和响应速度，减少了服务器的计算压力。
一种基于处理器监控视频结构存储方法

[发明专利]基于图卷积网络和群体关系建模的群体行为识别方法-CN202210286443.6在审
发明人： 宦若虹;舒佳 -专利权人：浙江工业大学
申请日： 2022-03-22 - 公布日： 2022-07-22 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种基于图卷积网络和群体关系建模的群体行为识别方法，对个体不同局部位置的传感器采集的连续传感器数据通过滑动窗口对连续的传感器数据进行分割，对于每个个体，将个体局部位置传感器数据输入到卷积神经网络和双向长短期记忆网络得到个体行为特征，通过计算得到个体行为相关性和个体位置相关性，构建个体关系图，输入到图卷积网络对群体行为进行识别。本发明充分挖掘传感器数据群体中个体行为以及个体之间的交互关系特征，进行群体特征级的表征，提高了群体行为识别准确率和鲁棒性。
基于图卷网络群体关系建模行为识别方法

[发明专利]基于姿态估计和非局部网络的行人重识别方法-CN202210287449.5在审
发明人： 宦若虹;占孜伟;池凯凯 -专利权人：浙江工业大学
申请日： 2022-03-22 - 公布日： 2022-06-14 - 主分类号： G06V40/10 文献下载
摘要：本发明公开了一种基于姿态估计和非局部网络的行人重识别方法，先通过获取行人图像，提取关节点热力图和全局特征图，将全局特征图与关节点热力图进行元素间相乘，得到关节点局部特征。然后将关节点局部特征拼接并经过卷积操作得到第一特征图，将第一特征图通过非局部神经网络捕获每个关节点像素之间的相关性，得到局部前景特征图。最后融合全局特征图和局部前景特征图，将融合特征图进行全局平均池化得到的行人特征向量，采用行人特征向量进行比对，输出识别结果。本发明克服全局特征与局部特征的单一性问题，提高了行人重识别的准确率。
基于姿态估计局部网络行人识别方法

[发明专利]一种基于概率的骨龄计算方法-CN201910231284.8有效
发明人：毛科技;池凯凯;宦若虹;蔡荣辉 -专利权人：浙江康体汇科技有限公司
申请日： 2019-03-26 - 公布日： 2022-04-12 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种基于概率的骨龄计算方法。通过获取深度学习模型对左手各个骨头的分类等级及对应的概率的基础上，选择可能性最高的2个等级及对应的概率，通过归一化概率与各个骨头等级对应的分值相乘获得各自的分值，再相加获得该块骨头最终的分值，根据CHN法分值表查表得到骨龄。本发明的方法利减少了深度模型分类器输出结果判断错误引起的误差，模糊了各个骨头之间的等级界限，对难以判断等级的骨头可以得到更合理的对应计算分值，提高了CHN法的准确性，使骨龄判断更接近真实值。
一种基于概率计算方法

[发明专利]基于多特征融合CNN-BLSTM的人体复杂行为识别方法-CN201911240544.4有效
发明人： 宦若虹;葛罗棋;吴炜 -专利权人：浙江工业大学
申请日： 2019-12-06 - 公布日： 2022-04-05 - 主分类号： G06V40/20 文献下载
摘要：一种基于多特征融合CNN‑BLSTM的人体复杂行为识别方法包括如下步骤：通过滑动窗口对连续的传感器数据进行分割，对分割后的传感器数据提取特征，并通过特征选择算法，对这一系列人工提取特征进行筛选，保留优势特征；将分割后的行为数据输入深度学习模型进行训练，首先通过卷积神经网络进行一维卷积池化处理，再通过双向长短期记忆神经网络，使用平均池化层对双向长短期记忆神经网络输出的状态进行显著性特征提取，最后将池化后的特征向量与先前提取的优势特征向量融合，作为全连接层的输入特征，得到复杂行为识别的输出。本发明能充分挖掘传感器数据特征，提高人体复杂行为识别准确率。
基于特征融合 cnn blstm 人体复杂行为识别方法

[发明专利]基于数据分离多尺度特征结合的人体复杂行为识别方法-CN202010258727.5有效
发明人： 宦若虹;葛罗棋;吴炜 -专利权人：浙江工业大学
申请日： 2020-04-03 - 公布日： 2022-04-05 - 主分类号： G06V40/20 文献下载
摘要：一种基于数据分离多尺度特征结合的人体复杂行为识别方法，分割位于手腕和下肢位置的加速度传感器数据和陀螺仪数据，将分割后的传感器数据分别输入手腕位置和下肢位置的一维卷积神经网络与双向长短期记忆单元的混合神经网络，对分割后的传感器数据提取特征，选择保留优势特征向量，将混合神经网络中第二层卷积输出的状态信息与双向长短期记忆单元输出的状态信息结合，得到多尺度特征向量，并将该特征向量与优势特征向量融合，作为全连接网络的输入特征，经过全连接网络后得到样本分类标签。本发明能克服单一神经网络表达能力不完全的问题，并结合网络不同深度的特征，形成多尺度特征，从而提高人体复杂行为识别正确率。
基于数据分离尺度特征结合人体复杂行为识别方法

1
2
3
下一页»
尾页
共 42 条