“李玉鑑”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50个，建议您升级VIP下载更多相关专利

[发明专利]一种利用辅助数据集和格拉姆矩阵的汽车异类检测方案-CN202310213457.X在审
发明人：林威;李玉鑑;刘晴 -专利权人：桂林电子科技大学
申请日： 2023-03-07 - 公布日： 2023-07-21 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种利用辅助数据集和格拉姆矩阵的汽车异类检测方案，该方案包括以下几个步骤：建立汽车训练数据集、非汽车辅助训练数据集和测试数据集；预处理数据并构建卷积神经网络，在训练数据集和辅助数据集上进行预训练；计算网络各层的Gram矩阵，作为该层单类支持向量机(OSVM)的输入，并根据各层OSVM的正确率，选择其中最高的作为整个系统的异类检测分类器。这种方案提高了卷积神经网络对汽车异类检测的精度，同时增强了系统的鲁棒性和泛化能力。
一种利用辅助数据格拉姆矩阵汽车异类检测方案

[发明专利]一种注意力机制下的低照度图像增强算法模型-CN202310211132.8在审
发明人：刘晴;李玉鑑;张乐乾 -专利权人：桂林电子科技大学
申请日： 2023-03-07 - 公布日： 2023-05-23 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种注意力机制下的低照度图像增强算法模型。属于深度学习技术领域。其特征在于：引入注意力机制和零样本学习，以改善图像质量。首先通过设计深度可分离卷积的增强因子提取网络，以有效地估计低照度图像的像素级光线不足。其次，设计循环图像增强网络结合注意力机制，以可承受的模型大小逐步增强低光图像。实验结果表明，所提算法可以有效改善图像质量，提高图像的清晰度，避免了颜色失真，在合成低照度图像和真实低照度图像的实验中均能取得较好的效果，很好地解决了低照度图像增强的问题。
一种注意力机制照度图像增强算法模型

[发明专利]一种基于卷积神经网络针对车辆识别任务中异类检测方案-CN202211598380.4在审
发明人：林威;李玉鑑 -专利权人：桂林电子科技大学
申请日： 2022-12-13 - 公布日： 2023-03-31 - 主分类号： G06V20/58 文献下载
摘要：本发明公开了一种基于卷积神经网络针对车辆识别任务中异类检测方案，本方包括建立车辆的训练数据、非车辆的辅助训练数据集，以及测试数据集，并对数据增强与预处理，建立卷积神经网络，然后对该网络进行训练；接着，计算出该网络各层的Gram矩阵，由此计算出该网络各层的特征相关系数的范围；最后给该网络输入测试数据集，并计算出当前输出的特征相关系数与上述范围的偏差值，通关该偏差值的大小进行异类输入的检测。该方案在不影响原系统对车辆识别正确率的情况下，提高了卷积神经网络检测异类样本的能力。该方案可以获得优于传统方法对车辆异类检测的效果。在实际应用中，能提高诸如交通车辆识别系统等模型的抗干扰能力和泛化能力。
一种基于卷积神经网络针对车辆识别任务异类检测方案

[发明专利]一种基于卷积神经网络的多角度遥感影像森林高度提取方法-CN201910336776.3有效
发明人： 李玉鑑;韩路萌;张婷;方宇;刘兆英 -专利权人：北京工业大学
申请日： 2019-04-25 - 公布日： 2023-01-03 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于卷积神经网络的多角度遥感影像森林高度提取方法，依次包括以下步骤：对资源三号多角度遥感影像进行正射校正以及重采样；基于激光雷达数据提取森林高度，并记录对应光斑的经纬度坐标；以光斑点坐标为中心裁剪多角度遥感影像，制作训练样本集；构造卷积神经网络，训练网络并保存模型；采取滑动裁剪的方式裁剪多角度遥感影像；提取保存的模型预测森林高度，制作基于研究区域的森林高度分布图。本发明为森林高度实现尺度外推提供了一种新的思路，编程实现容易，运行效率较高，泛化能力较强，生成的森林高度分布图呈现良好的区域一致性。
一种基于卷积神经网络角度遥感影像森林高度提取方法

[发明专利]一种基于线性注意力机制的低照度图像增强模型-CN202210337183.0在审
发明人：刘晴;李玉鑑;张乐乾 -专利权人：桂林电子科技大学
申请日： 2022-04-01 - 公布日： 2022-07-05 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于线性注意力机制的低照度图像增强模型。属于深度学习技术领域。其特征在于：引入线性阵列自注意力，它可以直接从特征图中推断出3‑D全局注意力权重，使卷积运算能够通过细化特征图来建立长程依赖关系，从而提高卷积神经网络的性能，可以捕获更丰富的高级特征以提升模型性能，并减少了参数量，降低了复杂度和成本。本发明通过增加注意力模块，改进模型结构较为理想地解决了低照度图像增强的问题。
一种基于线性注意力机制照度图像增强模型

[发明专利]基于STM32主控的智能氛围灯系统-CN202210285124.3在审
发明人：刘晴;李玉鑑;曹新乾 -专利权人：桂林电子科技大学
申请日： 2022-03-23 - 公布日： 2022-06-07 - 主分类号： H05B45/20 文献下载
摘要：本发明公开了一种基于STM32主控的智能氛围灯系统。包括步骤：用STM32F103C8T6芯片进行主控核心电路的设计；通过屏幕截取作为颜色采集和识别，再经过图像处理等算法提取出主色调颜色传递至核心电路；进而控制LED同步发出传感器检测到主色调对应的彩色灯光；氛围灯随音频节奏变化的部分系统直接通过HDMI提取音频的关键参数，接着实现氛围灯随着播放的音乐节拍进行律动的效果，并实时输出测试结果。本发明使得智能氛围灯能够进行多种声、光、屏幕协同的氛围营造模式，可达到最佳的呈现效果，灯光营造的氛围与屏幕画面氛围有较高的实时性和一致性。
基于 stm32 主控智能氛围系统

[发明专利]一种智能体探索3D迷宫的批A3C强化学习方法-CN201810820233.4有效
发明人： 李玉鑑;聂小广;刘兆英;张婷 -专利权人：北京工业大学
申请日： 2018-07-24 - 公布日： 2022-06-07 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种智能体探索3D迷宫的批A3C强化学习方法，为了达到相对较短的训练时间和较小的内存损耗的目标，本发明使用基于批的强化学习方法训练神经网络。神经网络划分为两个部分，第一部分主要包含若干个卷积层和MLP，得到原始屏幕像素的低维度表示；第二部分是一个LSTM即长短时记忆模型。LSTM的输入是第一部分的MLP的输出，LSTM的最后一个时间步的细胞输出外接两个MLP，分别用来预测当前状态下动作a的概率分布以及当前状态下的状态值v的预测。结合高效强化学习算法与深度学习方法实现智能体自主探索3D迷宫，并且以相对较短的训练时间和较小的内存损耗使得智能体能够成功的探索3D迷宫环境。
一种智能探索迷宫 a3c 强化学习方法

[发明专利]基于卷积神经网络的分类和连通区域分析的路网提取方法-CN201710260027.8有效
发明人： 李玉鑑;曾少锋;夏威;耿丹阳;钟南 -专利权人：北京工业大学;中交信息技术国家工程实验室有限公司
申请日： 2017-04-20 - 公布日： 2021-08-17 - 主分类号： G06K9/34 文献下载
摘要：本发明公开一种用于提取遥感图像中路网的方法，首先需要以d×d的滑动窗口在有标注的图像上采集道路及背景作为训练样本，滑动窗口中心像素为道路则视为正类样本，滑动窗口中心s×s区域不含道路则视为负类样本。采用卷积神经网络对样本进行训练，然后对图像中的像素进行分类得到一幅二值图像，作为初步的提取结果，通过分析二值图像中的连通区域，并将N个最大的连通区域作为最终的提取结果。本发明方法的创新之处在于引入卷积神经网络对像素进行分类，并通过分析连通区域对分类结果进行优化。
基于卷积神经网络分类连通区域分析路网提取方法

[发明专利]一种基于数据增强的神经网络时间序列分类方法-CN202110179057.2在审
发明人：王天;张婷;刘兆英;李玉鑑 -专利权人：北京工业大学
申请日： 2021-02-09 - 公布日： 2021-06-25 - 主分类号： G16H50/70 文献下载
摘要：本发明公开了一种基于数据增强的神经网络时间序列分类方法，首先，对时间序列数据集进行预处理；其次，选择合适的参数α对训练数据进行Mixup数据增强，增强后的数据用于模型训练；接着，构建LSTM‑FCN时间序列分类网络模型；最后，以交叉熵函数作为损失函数，使用反向传播和梯度下降算法Adam训练LSTM‑FCN网络。本发明的基于数据增强的时间序列分类方法有效提高了神经网络的时间序列分类性能。
一种基于数据增强神经网络时间序列分类方法

[发明专利]一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法-CN202110182143.9在审
发明人：郑子阳;张婷;刘兆英;李玉鑑 -专利权人：北京工业大学
申请日： 2021-02-09 - 公布日： 2021-06-25 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了基于RCIoU损失的SAR图像旋转舰船检测方法，包括以下步骤：首先，划分数据集，将数据集划分为训练集和测试集；其次，定义矩形旋转框的表示形式，改进YOLOv4网络；设计先验框，并为对应不同尺度特征层的头部检测网络分配对应尺度的先验框；然后，改进数据增强算法，使之在旋转框检测场景中仍能发挥同样作用；接着，设计损失函数，包括边界框回归损失、置信度损失和类别损失；最后，训练网络，并在测试集验证模型的性能。本发明不仅将基于旋转框的目标检测应用于SAR图像舰船数据集中，还设计了新的损失函数，无论对于SAR图像舰船检测，还是对于旋转目标检测，都具有较大的实际意义。
一种基于 rciou 损失 sar 图像旋转舰船检测实现方法

[发明专利]一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法-CN202110092924.9在审
发明人：张培杰;张婷;刘兆英;李玉鑑 -专利权人：北京工业大学
申请日： 2021-01-25 - 公布日： 2021-05-14 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种用于基于AM‑Softmax损失的蝴蝶图像细粒度识别方法，属于计算机视觉领域；具体步骤包括：首先选择使用网络收集以及标注的334类蝴蝶数据集作为实验数据集，并进行预处理操作；然后，建立双线性模型；其次，使用AM‑Softmax作为损失函数，选择优化方法，设置合适的学习率以及迭代次数等超参数，训练双线性网络，训练完成后保存模型；最后，对测试集图像进行测试，输出分类准确率。本说明在计算机视觉、细粒度识别领域具有一定的研究意义和价值。
一种基于 am softmax 损失蝴蝶图像细粒度识别方法

[发明专利]基于注意力机制的多任务学习方法-CN202110182158.5在审
发明人：邢德旺;刘兆英;张婷;李玉鑑 -专利权人：北京工业大学
申请日： 2021-02-09 - 公布日： 2021-05-14 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了基于注意力机制的多任务学习方法，具体步骤包括：(1)使用全局共享特征池提取图像特征；(2)使用注意力机制提取特定任务的特征；(3)将注意力机制提取的特征进行解码，使其适应于该任务；(4)对模型进行训练；(5)利用训练模型生成多任务学习结果。本发明方法大多为在共享特征池后进行分流，这样会使得共享特征利用不充分，无法利用低层次特征，最终使得效果偏差。本发明利用vgg16特征提取网络作为共享特征池，并在共享特征池中多次利用注意力机制提取低、中、高层次特征，充分利用了特征池中的各个特征。大大解决了特征利用不充分的问题，为机器视觉的发展奠定了基础。
基于注意力机制任务学习方法

[发明专利]一种基于卷积神经网络的红外船视频跟踪方法-CN202110024660.3在审
发明人：唐然;刘兆英;张婷;李玉鑑 -专利权人：北京工业大学
申请日： 2021-01-08 - 公布日： 2021-04-23 - 主分类号： G06T7/246 文献下载
摘要：本发明公开一种基于卷积神经网络的红外船视频跟踪方法，通过融合SiamRPN特征提取网络的三到五层增加输出特征的空间信息，提高模型识别效率。在搜索分支添加由定位网络、网格生成器和取样器构成的空间变换网络，以对特征图进行旋转和缩放，降低目标旋转和缩放对识别率的影响。另外，针对缺少红外船视频跟踪数据集的问题，本发明也构建了一个包含3000幅红外船目标图像的数据集。本发明通过多层融合网络和空间变化网络提取更精确的红外目标特征，从而提高跟踪的准确度；本发明可操作性、可扩展性较强，适用于海面背景的红外船目标跟踪。
一种基于卷积神经网络红外视频跟踪方法

[发明专利]一种基于DARTS的图像分类优化方法-CN202110026434.9在审
发明人：成莎莎;刘兆英;张婷;李玉鑑 -专利权人：北京工业大学
申请日： 2021-01-08 - 公布日： 2021-04-23 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于DARTS的图像分类优化方法，用于提高DARTS构建的模型对图像分类的稳定性和准确率。本发明分析跳跃连接操作在排他操作方面有不公平优势，进而导致DARTS性能崩溃，本发明提出了一种关联跳跃连接操作构造新的验证损失函数，以阻碍这种不公平的优势，避免跳跃连接过度，并且解析架构参数确定一个针对特定图像数据集的合适的子网络。接着进行整体模型训练测试，堆叠一定个数的搜索好的单元架构来构建卷积神经网络，从头开始训练，基于此模型对图像进行稳定而准确的分类测试。本方法在针对特定图像进行分类时可以有效地阻碍跳跃连接的不公平优势，并能产生更好的性能。
一种基于 darts 图像分类优化方法

[发明专利]利用深度感知网络和视差遥感影像进行森林高度预测方法-CN201910124985.1有效
发明人： 李玉鑑;闫琦;张婷;刘兆英 -专利权人：北京工业大学
申请日： 2019-02-19 - 公布日： 2021-03-16 - 主分类号： G06T7/50 文献下载
摘要：本发明公开了利用深度感知网络和视差遥感影像进行森林高度预测的方法，首先需要在两幅具有视差的遥感影像基础上获取一定窗口大小的区域遥感影像，同时提取样地森林高度数据，之后将区域遥感影像转换为行向量，与森林高度数据对应作为深度感知网络模型的输入数据，对深度感知网络模型进行训练，最后通过相关系数和均方根误差评估预测效果，保存深度感知网络模型，利用保存的深度感知网络模型对感兴趣区域的森林高度进行预测，输出区域森林高度数据，并生成相应的森林高度图。
利用深度感知网络视差遥感影像进行森林高度预测方法

1
2
3
4
下一页»
尾页
共 50 条