-
公开(公告)号：CN117789089A
公开(公告)日：2024-03-29
申请号：CN202311838819.0
申请日：2023-12-28
Applicant: 南京林业大学
IPC: G06V20/40 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种循环差异反馈视频目标计数网络建模方法，包括：S1：建立目标计数视频数据集；S2：构建循环差异反馈视频目标计数网络，所述循环差异反馈视频目标计数网络包括基础网络、循环差异反馈学习模块以及步进约束策略；S3：利用高密目标视频数据集训练所述循环差异反馈视频目标计数网络，获得训练好的循环差异反馈视频目标计数网络；S4：使用测试视频对训练好的循环差异反馈视频目标计数网络进行评估。本发明实现了视频序列中高密度目标的精准检测，提高了检测网络的鲁棒性。
-
公开(公告)号：CN111640092B
公开(公告)日：2024-01-16
申请号：CN202010430090.3
申请日：2020-05-20
Applicant: 南京林业大学
IPC: G06V20/70 , G06V10/774 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了基于多任务协同特征重建目标计数网络的方法，该网络构建了掩膜估计、密度分布估计以及密度等级的多任务策略，分别学习了数据中的前景/背景、局部以及整体的上下文信息，进一步对这些信息进行重建以降低任务间的差异性并增强任务间的互补性，并与图片特征结合以提高表征的多样性。本发明通过渐进学习的方式降低直接进行密度回归的难度，其在林业、农业、交通等领域有着重要的应用价值。
-
公开(公告)号：CN111640092A
公开(公告)日：2020-09-08
申请号：CN202010430090.3
申请日：2020-05-20
Applicant: 南京林业大学
Abstract: 本发明公开了基于多任务协同特征重建目标计数网络的方法，该网络构建了掩膜估计、密度分布估计以及密度等级的多任务策略，分别学习了数据中的前景/背景、局部以及整体的上下文信息，进一步对这些信息进行重建以降低任务间的差异性并增强任务间的互补性，并与图片特征结合以提高表征的多样性。本发明通过渐进学习的方式降低直接进行密度回归的难度，其在林业、农业、交通等领域有着重要的应用价值。
-
公开(公告)号：CN117788434B
公开(公告)日：2025-02-11
申请号：CN202311838818.6
申请日：2023-12-28
Applicant: 南京林业大学
IPC: G06T7/00 , G06T5/90 , G06T5/60 , G06T5/10 , G06V10/54 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种暗光增强驱动的高密目标计数网络建模方法，包括：S1：制作低光/正常光样本对以及高密度目标数据集；S2：建立低光增强学习网络，低光增强学习网络包括低光增强模块，骨干网络以及纹理特征感知模块；S3：利用低光/正常光样本对数据集训练所述低光增强学习网络，获得训练好的低光增强学习网络；S4：建立高密目标回归网络，高密目标回归网络包含低光增强学习网络和纹理特征感知密度回归模块；S5：利用S3中训练好的低光增强学习网络对S4高密目标回归网络的参数进行初始化，采用高密目标数据集对高密目标回归网络进行训练，获得训练好的高密目标回归网络。实现了对不同光照条件下样本鲁棒的高密目标检测，提高了高密目标复杂场景的适用性。
-
公开(公告)号：CN117788434A
公开(公告)日：2024-03-29
申请号：CN202311838818.6
申请日：2023-12-28
Applicant: 南京林业大学
IPC: G06T7/00 , G06T5/90 , G06T5/60 , G06T5/10 , G06V10/54 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种暗光增强驱动的高密目标计数网络建模方法，包括：S1：制作低光/正常光样本对以及高密度目标数据集；S2：建立低光增强学习网络，低光增强学习网络包括低光增强模块，骨干网络以及纹理特征感知模块；S3：利用低光/正常光样本对数据集训练所述低光增强学习网络，获得训练好的低光增强学习网络；S4：建立高密目标回归网络，高密目标回归网络包含低光增强学习网络和纹理特征感知密度回归模块；S5：利用S3中训练好的低光增强学习网络对S4高密目标回归网络的参数进行初始化，采用高密目标数据集对高密目标回归网络进行训练，获得训练好的高密目标回归网络。实现了对不同光照条件下样本鲁棒的高密目标检测，提高了高密目标复杂场景的适用性。
-
Patent Agency Ranking
公开(公告)号：CN114731882B
公开(公告)日：2024-01-12
申请号：CN202210323109.3
申请日：2022-03-30
Applicant: 南京林业大学
IPC: A01G13/02
Abstract: 本发明公开了一种捆树机构，其包括能够相对开合的第一座体与第二座体；第一座体与第二座体均为圆弧形，两者上分别固定有第一导轨与第二导轨；第一座体与第二座体相对闭合时，第一导轨与第二导轨合并成圆环形导轨；捆树机构还包括绳索牵引机构，绳索牵引机构包括能够沿着圆环形导轨运动的滑座，滑座上安装有放绳机构；还包括用于驱动滑座运动的驱动机构；绳索牵引机构还包括连接滑座的配重件；驱动机构安装在第一座体上；当滑座运动至第一导轨上时，驱动机构驱动滑座运动以赋予绳索牵引机构动能；当滑座运动至第二座体上时，配重件的惯性动能驱动滑座沿着第二导轨运动。相比于现有技术，本发明的捆树机构可靠性高，对位置控制精度要求低。
-
公开(公告)号：CN110688986B
公开(公告)日：2023-06-23
申请号：CN201910984496.3
申请日：2019-10-16
Applicant: 南京林业大学
IPC: G06V20/59 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明设计了一种注意力分支引导的3D卷积行为识别网络方法，该网络设计了不同分辨率的3D注意力机制，以便网络关注更加感兴趣的时空信息。与此同时，通过卷积的方式学习注意力特征中时空基元的变化，以辅助3D分支提取更加鲁棒的时空特征。另外，两个分支通过不同类型的卷积和深度进行学习，用来帮助网络构建互补的信息。本发明参数量少、鲁棒性高，可用于学校、商场等多个公共场所的行为识别。
-
公开(公告)号：CN116416572B
公开(公告)日：2025-04-04
申请号：CN202310251690.7
申请日：2023-03-15
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于在线知识蒸馏网络的人群计数方法及装置。首先获取人群计数图像及生成对应的标签，并对图像及标签进行预处理，之后构建在线知识蒸馏网络，包括共享浅层模块、教师强语义分支和学生精炼分支，所述共享浅层模块用于提取图像的基特征，所述教师强语义分支基于预训练参数捕捉图像的鲁棒语义特征，所述学生精炼分支通过通道递减来减少参数量，提升网络的推理速度，然后将图像及标签输入网络进行训练。最后，将图像送入训练好的学生精炼分支，输出人群的个数。相比于传统的特征学习策略，本发明可实现单阶段的网络学习，即只需单次即可完成学生网络的训练，大大降低了网络的训练成本。在交通、农林等众多领域有着重要的应用前景。
-
公开(公告)号：CN110705698B
公开(公告)日：2023-07-25
申请号：CN201910984593.2
申请日：2019-10-16
Applicant: 南京林业大学
IPC: G06V10/82 , G06V10/774 , G06V10/776 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种尺度自适应感知的目标计数深度网络设计方法，所述包括以下步骤：步骤1：制作训练和测试样本集合；将每个图片的目标标注生成真实标签，步骤2：将训练集和测试集的图片及其对应的真实标签进行尺寸调整，步骤3：建立尺度自适应感知目标计数深度网络模型；步骤4：将步骤2获得训练样本输入到步骤3建立的卷积网络模型中，通过Adam优化策略对网络进行参数学习，步骤5：深度网络模型测试。本发明设计了一种尺度自适应感知的目标计数深度网络设计方法，其在公共安全、交通、林业、农业等多个领域有着极其重要的应用价值。
-
公开(公告)号：CN114924484A
公开(公告)日：2022-08-19
申请号：CN202210516892.5
申请日：2022-05-13
Applicant: 南京林业大学
IPC: G05B13/04
Abstract: 本发明公开了一种分数阶复杂网络系统自适应间歇量化控制器的设计方法，具体包括以下几个步骤：建立分数阶数学模型；根据分数阶微积分理论进行分数阶周期性轨道设计及构建分数阶误差系统；根据自适应间歇量化控制理论确定受控系统自适应间歇量化控制器以及确定分数阶自适应更新律；基于Lyapunov稳定性理论，验证误差系统在所设计的控制器策略下达到稳定状态。与经典的分数阶自适应控制器相比，自适应间歇量化控制器能够更好的适应真实系统中不确定参数影响，同时节约成本以及能够更好地解决信号传输受到通信信道容量和带宽的限制的问题。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.022 seconds)
