公开(公告)号：CN117994853A

公开(公告)日：2024-05-07

申请号：CN202410245486.9

申请日：2024-03-05

Applicant: 南京林业大学

Inventor： 李兴 ,  赵玥 ,  陈维娜 ,  业巧林

IPC: G06V40/20 ,  G06V10/764 ,  G06V10/80

Abstract: 本发明公开了基于时空信息协同的人体行为识别方法，包括：步骤一、根据深度视频序列中对称地提取DMI和DTM特征，分别表征人类行为的时间特征和空间特征；步骤二、设计了一种新的特征融合技术中心边界协同典型相关性分析算法，通过协同学习类特征空间中的中心和边界信息，融合所述时间特征和所述空间特征；步骤三、构建了一个时空信息过滤模块，采用信息瓶颈理论思想，消除通过步骤二时空融合引入的冗余信息以及对动作分类没有贡献的无关信息，获得过滤后的时空特征；步骤四、将通过步骤三过滤后的时空特征输入支持向量机进行人体行为识别。本发明显著提高了动作分类的准确率。

公开(公告)号：CN117788992A

公开(公告)日：2024-03-29

申请号：CN202410006039.8

申请日：2024-01-03

Applicant: 南京林业大学

Inventor： 业巧林 ,  南国政 ,  李兴 ,  高德民

IPC: G06V10/80 ,  G06V10/82

Abstract: 本发明公开了基于通道和空间交换的多模态遥感图像实时目标检测方法，包括：采用多模态数据融合模块对多模态数据进行融合；将融合后的特征传入主干网络Backbone中，提取低级纹理特征和高级语义特征；将所述低级纹理特征和所述高级语义特征传入Neck模块中，构建一个增强的特征金字塔网络，提取到鲁棒的语义特征；最后传入Head模块预测目标的边界框位置、类信息和置信度得分。本发明通过构建和训练多层神经网络模型，能够自动从大量数据中学习和提取特征，从而实现图像识别和目标检测。

公开(公告)号：CN117576401A

公开(公告)日：2024-02-20

申请号：CN202311721506.7

申请日：2023-12-13

Applicant: 南京林业大学

Inventor： 业巧林 ,  沈雨晨 ,  范习健 ,  李兴

IPC: G06V10/26 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/088

Abstract: 一种基于语义分割的无监督实例分割方法，所述方法包括以下步骤：获取图片数据集，并对所述图片数据集进行预处理；将预处理后的图片数据集输入语义分割模型中得到语义分割掩码；通过主干特征提取网络，从所述语义分割掩码中提取多层抽象特征；将所述多层抽象特征输入到位移场检测模块得到实例掩膜；将所述多层抽象特征输入到类边界细化模块得到边界信息；将所述实例掩膜和边界信息传入语义感知模块，并通过取数组最大值索引的操作生成实例分割掩膜。本发明不需要重新训练语义分割或实例分割模型，可以部署在现有的语义分割模型上而无需改动其网络结构，无监督实例分割省去了现有实例分割模型对实例级图像标注的要求，因此具有更高的效率。

公开(公告)号：CN118747916A

公开(公告)日：2024-10-08

申请号：CN202410937750.5

申请日：2024-07-12

Applicant: 南京林业大学

Inventor： 魏冉 ,  业巧林 ,  李兴

IPC: G06V40/20 ,  G06V10/80 ,  G06F18/25 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/084 ,  G06F40/30

Abstract: 本发明公开了一种基于语义指导多模态融合的小样本动作识别方法，本发明涉及计算机视觉技术领域。该基于语义指导多模态融合的小样本动作识别方法，通过利用大语言模型生成覆盖各种动作类别的丰富而全面的文本知识，保证提取小样本动作识别任务的语义信息的全面性，通过对提取的具有区分性的语义信息与未知类别样本的视觉信息进行匹配度量来实现在文本分支中的初步分类，并且，在视觉分支设计了一个语义引导的视觉交互模块，促进了语义和视觉信息的有效整合，提高了样本中特征表示的质量，能够更加及时理解只有少量样本的新类别。

公开(公告)号：CN118379492A

公开(公告)日：2024-07-23

申请号：CN202410380519.0

申请日：2024-03-30

Applicant: 南京林业大学

Inventor： 杨杰 ,  业巧林 ,  赵越 ,  任恒毅 ,  李兴

IPC: G06V10/26 ,  G06V10/762 ,  G06V20/10 ,  G06T7/62

Abstract: 本发明涉及一种基于鲁棒平面聚类的森林叶面积指数估算方法。聚类过程中通过截断距离最大化约束解决类别之间存在噪声数据的问题，消除了其对簇可分离性产生的负面影响；采用L21范数进行距离度量并自适应优化的簇中心值，能够有效地学习鲁棒最优判别投影，增强图像分割的准确性；采用鲁棒性更强的L21范数进行距离度量并计算，降低了山地或森林中采集到的植物冠层图像中的异常像素对图像分割的负面影响，保证了图像分割的鲁棒性，进而提升了在山地野外恶劣条件下叶面积指数估算的准确和有效性；该鲁棒平面聚类的方法较其他方法在分割细节上有较大的提升，能够有效提升LAI估算准确性。

公开(公告)号：CN117854128A

公开(公告)日：2024-04-09

申请号：CN202410022876.X

申请日：2024-01-08

Applicant: 南京林业大学

Inventor： 业巧林 ,  任恒毅 ,  林小钰 ,  李兴

IPC: G06V40/14 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0985

Abstract: 本发明公开了基于元学习的智能家居安防场景下手指静脉识别方法，包括：步骤一、定义每个家庭为一个独立任务Ti，每个任务均分为Ds和Dq；步骤二、初始化网络的模型参数；步骤三、根据数据集Ds来计算梯度并更新模型参数；步骤四、计算并保存更新后的网络在数据集Dq下的损失；步骤五、判断内循环的训练步数j是否达到δ；步骤六、判断外循环的训练步数i是否达到B；步骤七、计算内循环和外循环的所有Dq下的损失进行指数加权并更新网络；步骤八、对于新的任务Ti，使用每位家庭成员的注册模板组成数据集Ds和Dq，调整模型并评估网络是否预测正确。本发明保证了手指静脉识别系统在智能家居安防场景下的高效运行。