“段育松”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]基于改进型YOLOv3网络和特征融合的行人重识别方法-CN202010562392.6有效
发明人：姬红兵;段育松;张文博;李林;臧博 -专利权人：西安电子科技大学
申请日： 2020-06-18 - 公布日： 2023-08-18 - 主分类号： G06V40/20 文献下载
摘要：本发明公开了一种基于改进型YOLOv3网络和特征融合的行人重识别方法，主要解决现有技术在视频监控场景中对特定行人检索精度低且速度慢的问题。其方案为：1)构建行人图片数据集；2)搭建改进型YOLOv3网络；3)搭建融合全局特征和多尺度局部特征的行人重识别网络；4)利用数据集训练改进型YOLOv3网络和行人重识别网络；5)融合2)和3)训练后的这两个网络得到行人重识别系统；6)将监控视频和待检索的目标行人图片输入到行人重识别系统，对待检索目标行人进行检索，输出目标行人的重识别结果。本发明增强了对不同姿态行人的敏感度，提高了行人重识别的检索速度和精度，可用于区域安防、刑事侦查、视频监控及行为理解。
基于改进型 yolov3 网络特征融合行人识别方法

[发明专利]针对小目标检测的SSD模型优化方法-CN202010039805.2有效
发明人：张文博;王凯;姬辛迪;段育松;高欣宇 -专利权人：西安电子科技大学
申请日： 2020-01-15 - 公布日： 2023-04-07 - 主分类号： G06V20/00 文献下载
摘要：本发明公开了一种针对小目标检测的SSD模型优化方法，主要解决SSD模型对小目标检测性能差的问题。其技术方案是：1)在SSD模型中加入FPN结构，构建基于多级特征金字塔网络FPN的SSD目标检测模型；2)去掉SSD目标检测模型中的在线困难样本挖掘OHEM，加入带权重的交叉熵损失函数；3)通过降低小目标正样本IOU筛选阈值，对小目标正样本进行过采样，利用经过筛选得到的小目标正负样本，对SSD目标检测模型进行训练；4)得到优化后的SSD目标检测模型。本发明在不降低SSD模型实时性的情况下有效提高了小目标检测鲁棒性，可在含有较多小目标且要求实时性的项目中获得较高的目标检测精度。
针对目标检测 ssd 模型优化方法

[发明专利]基于非重复采样与原型网络的高光谱图像分类方法-CN202010460841.6有效
发明人：张文博;茹颖;姬辛迪;柴新雨;段育松 -专利权人：西安电子科技大学
申请日： 2020-05-27 - 公布日： 2023-03-24 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于非重复采样和原型网络的高光谱图像分类方法，主要解决现有技术中在小样本学习场景下，由于训练样本较少而引起的过拟合现象和训练过程中由于学习到测试样本，造成分类结果“虚高”的问题。其实现方案为：1)利用非重复采样法从预处理后的数据集中采集出训练集和测试集；2)构建高光谱图像原型分类网络；3)利用训练集对高光谱图像原型分类网络进行训练，得到训练好的网络最优模型；4)将测试集输入到网络最优模型中，得到测试数据分类结果。本发明解决了现有小样本场景下存在的过拟合问题，同时又保证了分类精度，可应用于地质勘探、城市遥感和海洋探测。
基于重复采样原型网络光谱图像分类方法

[发明专利]基于循环特征金字塔的医学图像肺结节检测方法-CN201910177870.9有效
发明人：姬红兵;朱文文;张文博;刘思成;段育松 -专利权人：西安电子科技大学
申请日： 2019-03-10 - 公布日： 2022-12-06 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于循环特征金字塔的医学图像肺结节检测方法，主要解决现有技术对肺部微小结节和磨玻璃结节提取难度大而导致检测精度低的问题。其实现步骤为：1)获取医学图像；2)对医学图像进行预处理，扩充样本数据集；3)结合特征图构建循环特征金字塔检测模型；4)利用扩充数据集样本对检测模型进行训练，得到目标检测模型；5)将数据集中的测试集输入到训练好的检测模型中进行肺部结节检测。本发明构建了新的特征提取网络，加快了网络训练速度，增强了对不同尺寸结节的敏感度，提高了医学图像肺部结节的检测精度，可用于计算机辅助医疗诊断系统。
基于循环特征金字塔医学图像结节检测方法

[实用新型]用于敲击摩尔斯电码的CW电键装置-CN202120737145.5有效
发明人：张文博;朱隽洋;段育松;刘严栋;常超 -专利权人：西安鲲鹏易飞无人机科技有限公司
申请日： 2021-04-12 - 公布日： 2021-11-23 - 主分类号： G09B5/06 文献下载
摘要：本实用新型提供了一种用于敲击摩尔斯电码的CW电键装置，主要解决现有CW电键功能单一、造价高的问题。包括：壳体组件和电路控制单元；其中壳体组件由若干金属连接件以及可手动拼装的木质部件构成，电路控制单元由接口模块、开关模块、无线通信模块、蜂鸣器、LED指示灯、供电电路模块和主控芯片电路模块组成；主控芯片电路模块输入端连接壳体组件，构成电键装置，该装置连接电脑或安装电池后，通过切换主从机可运作单机学习模式、单机输入模式、单机输入模式以及双机收发输入模式。本实用新型在拓展CW电键的功能的同时，有效降低了制作成本，实现了实现复杂场景的交互。
用于敲击摩尔电码 cw 电键装置

[外观设计]木制电键-CN202130203495.9有效
发明人：张文博;吕毅涛;段育松 -专利权人：西安鲲鹏易飞无人机科技有限公司
申请日： 2021-04-12 - 公布日： 2021-08-06 - 主分类号： 14-03 文献下载
摘要：1.本外观设计产品的名称：木制电键。2.本外观设计产品的用途：用于无线电的开关控制和电键结构学习。3.本外观设计产品的设计要点：在于形状。4.最能表明设计要点的图片或照片：立体图。
木制电键

[外观设计]木制电键-CN202130203566.5有效
发明人：张文博;吕毅涛;段育松 -专利权人：西安鲲鹏易飞无人机科技有限公司
申请日： 2021-04-12 - 公布日： 2021-07-30 - 主分类号： 14-03 文献下载
摘要：1.本外观设计产品的名称：木制电键。2.本外观设计产品的用途：用于无线电的开关控制和电键结构学习。3.本外观设计产品的设计要点：在于形状。4.最能表明设计要点的图片或照片：立体图。
木制电键

[发明专利]基于神经网络的实时足球目标检测方法-CN202010705052.4在审
发明人： 段育松;姬红兵;张文博;李晓颖;李林;臧博 -专利权人：西安电子科技大学;西安西兰花教育科技有限公司
申请日： 2020-07-21 - 公布日： 2020-10-27 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于神经网络的实时足球目标检测方法，主要解决现有足球目标检测速度慢，精度低的问题。其方案是：1)获取足球目标检测网络YOLOv4；2)构建足球目标训练数据集；3)获取已构建训练数据集的先验框大小，并将其替换目标检测网络YOLOv4中的先验框；4)对训练数据集进行数据增广；5)利用增广后的数据集对目标检测网络YOLOv4进行训练；6)将待检测的足球目标视频，输入到训练好的YOLOv4足球目标检测网络中进行检测标注，输出足球目标的检测结果。本发明增强了网络的识别和定位能力，提高了足球目标的检测速度和精度，保证了足球目标检测的实时性，可用于人机交互、体育赛事、实况直播及运动分析。
基于神经网络实时足球目标检测方法

[发明专利]基于引入隐藏信息支持向量数据描述算法的智能分类方法-CN201710444616.1在审
发明人：张文博;杨生辉;刘崇晧;段育松;李鑫;张志宏;方镇;李婧婷 -专利权人：昆山鲲鹏无人机科技有限公司
申请日： 2017-06-13 - 公布日： 2018-12-25 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于引入隐藏信息支持向量数据描述算法的智能分类方法，包括步骤一、在LUPI框架下，引入隐藏信息；步骤二、将隐藏信息与松弛因子关联，即利用非线性映射将引入隐藏信息的新的训练样本映射到高维的特征空间；步骤三、根据SVDD原理，进一步得出引入隐藏信息的SVDD+的优化方程；步骤四、利用拉格朗日乘子法求解该SVDD+优化方程，获得判决超球体；步骤五、利用该判决超球体，对待预测样本进行预测分类；以支持向量数据描述算法为基础，利用样本的隐藏信息以优化算法，体现了模式的内在联系，是一种整体性能更优、适用领域更广、识别结果更符合实际需求的智能分类器设计方法。
隐藏信息支持向量数据描述智能分类引入算法优化方程球体样本非线性映射内在联系实际需求松弛因子特征空间训练样本优化算法判决求解映射预测高维关联分类

[发明专利]一种基于引入隐藏信息极限学习机算法的智能分类方法-CN201710444621.2在审
发明人：张文博;杨生辉;刘崇晧;段育松;李鑫;张志宏;方镇;李婧婷 -专利权人：昆山鲲鹏无人机科技有限公司
申请日： 2017-06-13 - 公布日： 2018-12-25 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于引入隐藏信息极限学习机算法的智能分类方法，包括步骤S1：在LUPI框架中，训练样本引入隐藏信息；S2：根据ELM原理，得出引入隐藏信息后的ELM+的最优表达式；S3：利用拉格朗日乘子法求解该最优表达式，得出ELM+的输出方程；S4：得出利用ELM+解决二分类问题时以及解决多分类问题时的决策方程；S5：将待预测样本代入所述决策方程，输出类别标签，进行分类。本发明以极限学习机算法为基础，通过在LUPI框架下，在训练阶段利用训练样本及其隐藏信息共同求解输出权值，来进一步提高传统ELM算法的识别性能，是一种整体性能更优、适用领域更广、识别结果更符合实际需求的智能分类器设计方法。
隐藏信息算法极限学习机智能分类引入训练样本求解多分类问题输出类别标签实际需求识别性能输出方程训练阶段二分类样本决策分类预测

1
共 10 条