“郭继凤”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6个，建议您升级VIP下载更多相关专利

[发明专利]基于Transformer的多视图宽度学习活体检测方法、介质及设备-CN202310673551.3有效
发明人：陈俊龙;郭继凤;张通;陈业林 -专利权人：华南理工大学;人工智能与数字经济广东省实验室（广州）
申请日： 2023-06-08 - 公布日： 2023-10-27 - 主分类号： G06F30/27 文献下载
摘要：本发明涉及活体检测技术领域，具体提供了一种基于Transformer的多视图宽度学习活体检测方法、介质及设备；其中方法为：获取待检测人员的多视图视频帧；多视图视频帧经过人脸区域检测模块获得对应的人脸区域图像；使用基于ViT嵌入的多视图宽度学习活体检测模型对人脸区域图像进行特征提取，并计算输出结果及置信度；将置信度与阈值做比较，得出活体检测结果。该方法能够充分挖掘图像中的人脸关键信息；基于多视图学习技术，能够有效解决因距离、光线等问题造成的不稳定性，不需要刻意面向摄像头进行验证；采用宽度学习方式，能使用比较少的参数实现较高的识别精度和响应速度，具有良好的鲁棒性。
基于 transformer 视图宽度学习活体检测方法介质设备

[发明专利]一种增量式自训练框架及半监督宽度学习分类方法-CN202210242204.0在审
发明人： 郭继凤;陈俊龙;刘竹琳 -专利权人：华南理工大学
申请日： 2022-03-11 - 公布日： 2022-07-08 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种增量式自训练框架及半监督宽度学习分类方法，框架包括初始化阶段，将所有未标记数据通过聚类方法和样本确定性大小形成有序的查询序列表，顺序选择部分数据初始化未标记数据池，同时使用初始标记数据训练基分类器，并标注未标记数据池中的数据；增量自更新阶段，根据选择度量值和设定阈值确定辅助训练数据并将其合并到标记训练数据集形成新的标记训练数据，用于更新基分类器；同时，顺序地从查询序列表中获取一批数据更新未标记数据池并用基分类器预测其新分类伪标签；重复增量自更新阶段，直到未标记数据池为空。本发明框架减少了大量重复运算，节省了资源，同时解决迭代造成的时间消耗问题，使其适用于大规模数据的应用。
一种增量训练框架监督宽度学习分类方法

[发明专利]一种基于精度的宽度学习动态节点调整方法-CN202210242223.3在审
发明人： 郭继凤;陈俊龙;刘竹琳 -专利权人：华南理工大学
申请日： 2022-03-11 - 公布日： 2022-06-10 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种基于精度的宽度学习动态节点调整方法，包括以下步骤：S1：设置初始映射特征节点和增强节点个数、预设精度和迭代次数，基于该参数建立宽度学习模型；S2：判断模型精度是否达到预设测试精度或迭代次数，若是，则输出模型训练和测试属性；若否，则进入S3；S3：根据宽度学习模型的精度和预设精度计算需要增加的增强节点数量；S4：增加增强节点数量，并构建宽度学习模型。本发明通过使用模型的精度差异自动计算出合适的增强节点增加数量，避免了人为设置模型参数的繁琐步骤，以及由设置过多引起的参数，占用内存和训练时间的激增。此外，宽度学习动态节点调整策略具有简单、性能高的优势。
一种基于精度宽度学习动态节点调整方法

[发明专利]一种基于卷积宽度网络的人脸检测和识别方法-CN202111610869.4在审
发明人：陈俊龙;郭继凤;冯绮颖;刘竹琳;张通 -专利权人：华南理工大学
申请日： 2021-12-27 - 公布日： 2022-04-19 - 主分类号： G06V40/16 文献下载
摘要：本发明公开了一种基于卷积宽度网络的人脸检测和识别方法，包括以下步骤：S1、使用摄像头采集视频并按一定频率截取视频帧；S2、使用深度网络MTCNN对视频帧进行人脸检测；S3、将检测到的人脸区域输入到卷积宽度人脸识别网络，并输出最终通用的人脸特征；S4、将获得的人脸特征与现有人员库中的人员特征进行对比，并根据阈值输出人脸识别结果。本发明将深度学习与宽度学习相结合，并用于人脸检测识别，解决了现有方法中参数量大，资源消耗大，训练时间长的问题，能够满足部署中实时性的要求。
一种基于卷积宽度网络检测识别方法

[发明专利]一种通用的深宽网络结合框架的构建方法-CN202111612510.0在审
发明人：冯绮颖;郭继凤;陈俊龙;刘竹琳;张通 -专利权人：华南理工大学
申请日： 2021-12-27 - 公布日： 2022-04-19 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种通用的深宽网络结合框架的构建方法，包括以下步骤：S1、初始化宽度学习参数，包括映射特征组个数、组内特征个数以及增强节点个数；S2、由输入数据，使用具有随机值的深度网络或其组件初始化宽度学习中的映射特征节点组；S3、由得到的映射特征使用深度网络或其组件构建增强特征节点组；S4、将两组提取的特征合并，共同连接到最终输出层；S5、使用优化算法对深宽网络参数进行优化，包括最后一层连接权重和特征层中深度网络的参数，直到达到停止条件。本发明将深度学习或其组件提取特征的能力融合到宽度学习中，实现深宽结合的模型，有效解决了深度学习中参数量大，时间消耗长的问题。
一种通用网络结合框架构建方法

[发明专利]一种内部影响因素下基于宽度学习的水泥强度估测方法-CN202110263364.9在审
发明人：刘竹琳;郭继凤;陈俊龙;张通;王琳;范开鹏 -专利权人：华南理工大学
申请日： 2021-03-11 - 公布日： 2021-06-22 - 主分类号： G16C60/00 文献下载
摘要：本发明公开了一种内部影响因素下基于宽度学习的水泥强度估测方法，包括以下步骤：建立水泥强度估测指标系统，系统包括影响水泥强度的内部影响因素、第3天水泥抗压强度以及第28天水泥抗压强度；收集水泥企业历年来每批水泥强度的检测记录，获取了不同内部影响因素下的水泥样本第3天和第28天抗压强度；建立估测水泥强度的宽度学习模型，模型采用单层神经网络结构，将内部影响因素作为模型输入，输出为第3天或第28天水泥抗压强度；模型训练；将水泥强度估测模型用于实际水泥抗压强度预测。本发明通过对采集的水泥数据进行强度无损估测，减少了传统方法中的资源浪费，缩短了水泥抗压强度的检测时间，有助于加快新型水泥和特种水泥的开发。
一种内部影响因素基于宽度学习水泥强度估测方法