公开(公告)号：CN114998719A

公开(公告)日：2022-09-02

申请号：CN202210458913.2

申请日：2022-04-27

Applicant: 南京林业大学

Inventor： 高德民 ,  邱耀华 ,  陈维娜 ,  袁晨菲

IPC: G06V20/10 ,  G06V10/40 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习和多源遥感数据的林火预测方法，林森林火灾影响因素进行优化分析，确定影响因素。在ResNet残差神经网络模型中增加恒等映射，在恒等映射中通过捷径连接方式连接，将输入值传到输出作为初始结果，输出结果作为目标值，对ResNet残差神经网络模型训练，该模型得出了生成的预测图中每个像素上火灾与非火灾类别的概率。本发明不仅降低梯度弥散的可能性，而且收敛快、预测精度高。

公开(公告)号：CN118864833A

公开(公告)日：2024-10-29

申请号：CN202410380516.7

申请日：2024-03-30

Applicant: 南京林业大学

Inventor： 业巧林 ,  杨绪兵 ,  陈维娜 ,  范习健

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/25 ,  G06V10/774 ,  G06V10/56 ,  G06V10/776 ,  G06V20/10 ,  G06V20/17 ,  G06T5/70 ,  G06T5/77 ,  G06N20/10 ,  G06N3/0464

Abstract: 本发明涉及一种林业森林单株分割模型。该模型提供了一个基于L1范数的单类支持向量机L1‑OCSVM用于单类目标检测，充分利用L1范数的特性，以满足实时目标检测/识别的要求，从而实现森林树木的单株分割；通过引入无穷大的边距项来代替传统的L2范数以设计L1‑OCSVM，保持了结构性风险最小化原则；通过一个等价的优化方法来求解非线性的L1‑OCSVM，以解决L1范数的不可微性和非线性情况下的问题；通过对组合系数的L1范数进行直接最小化，所得到的解比L2范数解更有可能具有高度稀疏性，从而减少计算的复杂性；通过两种加速度算法来提高训练速度。与现有的SOTA等方法相比，本发明所提出的方法在训练时间、检测精度率、错误预警率和实时能力方面具有显著的优越性。

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。