-
公开(公告)号：CN114998373B
公开(公告)日：2025-04-29
申请号：CN202210671342.0
申请日：2022-06-15
Applicant: 南京信息工程大学
IPC: G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/09 , G06V10/774 , G06V10/80 , G06V20/13
Abstract: 本发明公开了基于多尺度损失函数的改进型U‑Net云图分割方法，包括以下步骤：(1)获取全天空图像分割数据库，对全天空图像分割数据库包含的云图以及与其对应的二值标签进行预处理获得数据集；(2)利用改变卷积方式、添加高效通道注意力机制、修改归一化、添加多尺度特征融合的方法构建改进U‑Net框架；(3)结合Dice损失函数、交叉熵损失函数、边界损失函数和Log_Cosh损失函数的优点，提出改进的复合损失函数；(4)将步骤1得到的数据集输入改进型U‑Net模型进行训练、测试，获得最佳参数模型，输出预测效果图。本发明使得云图分割准确率更高、泛化效果更好，具有非常重要的研究和应用价值。
-
公开(公告)号：CN114119896A
公开(公告)日：2022-03-01
申请号：CN202210092210.2
申请日：2022-01-26
Applicant: 南京信息工程大学
IPC: G06T17/05 , G06T7/55 , G06T7/246 , G06T7/12 , G06T3/40 , G06V20/58 , G06V20/70 , G06N3/04 , G06N3/08 , G01C21/34
Abstract: 本发明公开了一种驾驶路径规划方法，利用单目相机采集车辆前方和后方道路视频流数据，并进行抽帧；构建改进的深度残差网络进行深度估计运算；将前方和后方道路深度图进行迭代匹配整合，形成3D云图；在深度估计运算过程中同时进行场景语义分割；计算前方、后方道路帧图片所拍摄到的其他车辆、障碍物、标识和道路线分别与车辆之间的距离；跟踪帧图像中的其他车辆，计算各车道中离自身车辆最近那辆车与自身车辆的最小距离，并估算自身车辆的行驶速度；根据道路线判断车辆行驶角度，根据标识和路面信息判断是否有突发状况发生，及时调整行车路线，让车辆按照规划行驶；对自身车辆从当前帧所在位置行驶至其正前方车辆所在位置进行路径规划和车辆控制。
-
公开(公告)号：CN102967770A
公开(公告)日：2013-03-13
申请号：CN201210300603.4
申请日：2012-08-23
Applicant: 南京信息工程大学
IPC: G01R29/08
Abstract: 本发明涉及一种基于混沌PSO算法的雷电定位方法，包括如下步骤：1)在雷电定位计算中引入自适应PSO算法，在粒子群位置更新引入混沌，用混沌序列代替现有粒子；2)确定雷电定位的数学模型，利用混沌变量Cid来调节混沌程度；3)利用粒子位置更新，由局部最优，得到全局最优位置解；4)由全局最优位置计算得到最大似然估计值，结合雷达定位原理确定雷电发生位置和时间，完成定位计算。其有益效果为：所述方法在能够计算出雷电发生距离和时间的同时，相对于传统方法、混沌PSO方法在寻优精度、稳定性和速度上有了显著提高，计算工作量相对于传统迭代方法明显减少。
-
公开(公告)号：CN114998373A
公开(公告)日：2022-09-02
申请号：CN202210671342.0
申请日：2022-06-15
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于多尺度损失函数的改进型U‑Net云图分割方法，包括以下步骤：(1)获取全天空图像分割数据库，对全天空图像分割数据库包含的云图以及与其对应的二值标签进行预处理获得数据集；(2)利用改变卷积方式、添加高效通道注意力机制、修改归一化、添加多尺度特征融合的方法构建改进U‑Net框架；(3)结合Dice损失函数、交叉熵损失函数、边界损失函数和Log_Cosh损失函数的优点，提出改进的复合损失函数；(4)将步骤1得到的数据集输入改进型U‑Net模型进行训练、测试，获得最佳参数模型，输出预测效果图。本发明使得云图分割准确率更高、泛化效果更好，具有非常重要的研究和应用价值。
-
公开(公告)号：CN115082735A
公开(公告)日：2022-09-20
申请号：CN202210722006.4
申请日：2022-06-17
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06V20/50
Abstract: 本发明公开了一种基于YOLOX和分类回归损失目标识别方法，S1、获取待检测目标的相关高质量图像；S2、对高质量图像中的目标进行标注；S3、将数据集划分为训练数据集和验证数据集；S4、将损失函数中的回归损失函数进行分类处理，得到最终的损失函数；S5、将最终的损失函数应用于YOLOX目标检测算法中；S6、将训练数据集输入到目标检测算法中进行训练；S7、达到预设训练次数后，取训练的最后3次模型在测试数据集上进行分析，得到最优目标检测算法模型；S8、将最优目标检测算法模型用于识别待检测图像。本发明能够增加回归效果较差的检测框的损失值，让模型更加关注回归效果较差样本，从而提高目标检测任务的精度。
-
Patent Agency Ranking
公开(公告)号：CN102819012A
公开(公告)日：2012-12-12
申请号：CN201210298704.2
申请日：2012-08-21
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于非负ICA的相控阵风廓线雷达信号处理方法，包括如下步骤：1)采集相控阵风廓线雷达回波信号，形成观测信号；2)对观测信号进行信号预处理操作，得到信噪比较高的信号；3)利用非负ICA方法对预处理的信号进行分离，得到分离后的源信号；4)对分离后的源信号进行后续处理。其有益效果为：所述方法能够提取相控阵风廓线雷达接收信号的各成分，尤其对组网的雷达信号的同频干扰、噪声调频干扰、工频干扰及杂波等有较好的抑制，在消杂去噪过程中不妨碍有用信号。
-
公开(公告)号：CN102736070A
公开(公告)日：2012-10-17
申请号：CN201210239606.1
申请日：2012-07-12
Applicant: 南京信息工程大学
CPC classification number: Y02A90/18
Abstract: 本发明涉及一种基于希尔伯特黄变换的风廓线雷达去噪方法，基于风廓线雷达去噪处理机，所述处理机包括改进型经验模式分解模块，希尔伯特变换模块以及后续信号处理模块，所述方法包括如下步骤：1）风廓线雷达去噪处理机接收回波信号，利用改进型经验模式分解模块获得回波信号的一系列的固有模式函数分量；2）每一个固有模式函数分量通过希尔伯特变换模块进行希尔伯特变换，得到原始信号的能量谱值；3）通过后续信号处理模块对原始信号的能量谱值进行变换得到去除噪声后的风廓线雷达数据。其有益效果为：具有良好的适应性，能够明显的去除噪声等非平稳干扰，尤其能够有效消除邻近频率的混叠影响和边界效应。
-
公开(公告)号：CN114119896B
公开(公告)日：2022-04-15
申请号：CN202210092210.2
申请日：2022-01-26
Applicant: 南京信息工程大学
IPC: G06T17/05 , G06T7/55 , G06T7/246 , G06T7/12 , G06T3/40 , G06V20/58 , G06V20/70 , G06N3/04 , G06N3/08 , G01C21/34
Abstract: 本发明公开了一种驾驶路径规划方法，利用单目相机采集车辆前方和后方道路视频流数据，并进行抽帧；构建改进的深度残差网络进行深度估计运算；将前方和后方道路深度图进行迭代匹配整合，形成3D云图；在深度估计运算过程中同时进行场景语义分割；计算前方、后方道路帧图片所拍摄到的其他车辆、障碍物、标识和道路线分别与车辆之间的距离；跟踪帧图像中的其他车辆，计算各车道中离自身车辆最近那辆车与自身车辆的最小距离，并估算自身车辆的行驶速度；根据道路线判断车辆行驶角度，根据标识和路面信息判断是否有突发状况发生，及时调整行车路线，让车辆按照规划行驶；对自身车辆从当前帧所在位置行驶至其正前方车辆所在位置进行路径规划和车辆控制。
-
公开(公告)号：CN102819012B
公开(公告)日：2014-05-28
申请号：CN201210298704.2
申请日：2012-08-21
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于非负ICA的相控阵风廓线雷达信号处理方法，包括如下步骤：1)采集相控阵风廓线雷达回波信号，形成观测信号；2)对观测信号进行信号预处理操作，得到信噪比较高的信号；3)利用非负ICA方法对预处理的信号进行分离，得到分离后的源信号；4)对分离后的源信号进行后续处理。其有益效果为：所述方法能够提取相控阵风廓线雷达接收信号的各成分，尤其对组网的雷达信号的同频干扰、噪声调频干扰、工频干扰及杂波等有较好的抑制，在消杂去噪过程中不妨碍有用信号。
-
公开(公告)号：CN115082735B
公开(公告)日：2024-11-19
申请号：CN202210722006.4
申请日：2022-06-17
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06V20/50
Abstract: 本发明公开了一种基于YOLOX和分类回归损失目标识别方法，S1、获取待检测目标的相关高质量图像；S2、对高质量图像中的目标进行标注；S3、将数据集划分为训练数据集和验证数据集；S4、将损失函数中的回归损失函数进行分类处理，得到最终的损失函数；S5、将最终的损失函数应用于YOLOX目标检测算法中；S6、将训练数据集输入到目标检测算法中进行训练；S7、达到预设训练次数后，取训练的最后3次模型在测试数据集上进行分析，得到最优目标检测算法模型；S8、将最优目标检测算法模型用于识别待检测图像。本发明能够增加回归效果较差的检测框的损失值，让模型更加关注回归效果较差样本，从而提高目标检测任务的精度。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.017 seconds)
