-
公开(公告)号：CN114065817B
公开(公告)日：2024-06-21
申请号：CN202111393583.5
申请日：2021-11-23
Applicant: 成都信息工程大学
IPC: G06F18/24
Abstract: 本发明公开了一种波形智能分类方法，包括以下步骤：步骤一，数据录入；步骤二，提取周期波信号；步骤三，数据归一化；步骤四，统一数据长度；步骤五，波形分类；所述步骤一中，原始测试数据有1241道，每道1001个点，每个点的数据占4字节，分类只针对每道的683‑713，所述波形智能分类系统存储有四种分类数据，分别为单峰标准数据、双峰标准数据、正蝌蚪标准数据和倒蝌蚪标准数据，本发明相较于现有的波形分类方法，采用豪斯多夫距离方法，通过从检测区域位向上和向下遍历搜索该周期的起点和终点，能够有效提取出每个波形的完整时区信号，该方法可以提高波形分类结果的准确性，能有效的应用于地震勘探数据处理中。
-
公开(公告)号：CN114677477A
公开(公告)日：2022-06-28
申请号：CN202210332563.5
申请日：2022-03-31
Applicant: 成都信息工程大学
Abstract: 本发明属于三维显示技术领域，公开了一种虚拟视点合成方法、系统、介质、设备及终端，通过参考色彩图及深度图经3D‑Warping合成虚拟视图；将带有空洞、伪影和重叠的虚拟视图经空洞填补模块空洞填补；将填补空洞后的图像经图像优化模块进行图像质量的整体优化，输出虚拟视图。本发明虚拟视点修复模型的第一阶段是在单尺度部分卷积的基础上提出了多尺度融合的部分卷积，更好地联系了上下文信息，增强了模型细节修复能力，降低资源传输成本。本发明在空洞填补后由于部分卷积自身的局限会残留局部色差，使用第二阶段图像质量优化网络去除图像重叠和伪影问题的同时，还可以有效解决部分卷积带来的局部色差，使优化后的图像整体质量提高。
-
公开(公告)号：CN114065817A
公开(公告)日：2022-02-18
申请号：CN202111393583.5
申请日：2021-11-23
Applicant: 成都信息工程大学
IPC: G06K9/00
Abstract: 本发明公开了一种波形智能分类方法，包括以下步骤：步骤一，数据录入；步骤二，提取周期波信号；步骤三，数据归一化；步骤四，统一数据长度；步骤五，波形分类；所述步骤一中，原始测试数据有1241道，每道1001个点，每个点的数据占4字节，分类只针对每道的683‑713，所述波形智能分类系统存储有四种分类数据，分别为单峰标准数据、双峰标准数据、正蝌蚪标准数据和倒蝌蚪标准数据，本发明相较于现有的波形分类方法，采用豪斯多夫距离方法，通过从检测区域位向上和向下遍历搜索该周期的起点和终点，能够有效提取出每个波形的完整时区信号，该方法可以提高波形分类结果的准确性，能有效的应用于地震勘探数据处理中。
-
公开(公告)号：CN107609470A
公开(公告)日：2018-01-19
申请号：CN201710636033.9
申请日：2017-07-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种野外火灾早期烟雾视频检测的方法，其包括以下步骤：步骤1：将视频镜头进行解压处理，得到帧序列；步骤2：以大小为5*5的均值滤波器对原始图像进行滤波，并通过形态学的方法去除噪点；步骤3：利用火灾烟雾的运动特性初提取火灾烟雾候选区域，采用高斯混合模型提取运动前景；步骤4：利用早期野外火灾烟雾颜色静态特征进行第2次烟雾候选区域提取；步骤5：利用烟雾扩散过程中运动的方向特征进行第3次烟雾候选区域提取；步骤6：利用卷积神经网络对候选烟雾区域进行识别，其中，卷积神经网络设计为一层输入层，三层卷积层，三层池化层，一层全连接神经网络和一层输出层。本发明具有识别率高，便于推广应用的优点。
-
公开(公告)号：CN118050702A
公开(公告)日：2024-05-17
申请号：CN202410113780.4
申请日：2024-01-26
Applicant: 成都信息工程大学
IPC: G01S7/41 , G06F18/213 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08 , G01S13/95
Abstract: 本发明属于风暴单体外推领域，公开了一种基于多尺度与注意力的两阶段风暴单体外推方法及系统。为了得到清晰准确的外推结果，本发明提出了一个两阶段的框架，其中包括多尺度、注意力和频域损失的应用。在第一阶段，使用多尺度和注意力模块挖掘影响预测的重要特征，采用时空长短期记忆单元进行序列预测。在第二阶段进行偏差矫正，引入频域损失来有效地学习高频信息。本方法适用于风暴单体外推任务。
-
Patent Agency Ranking
公开(公告)号：CN117953364A
公开(公告)日：2024-04-30
申请号：CN202311372409.1
申请日：2023-10-23
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/26 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明属于技术领域，尤其涉及一种地物识别中的引导式道路提取方法及应用，包括根据道路的四个极点将遥感图像进行裁剪，极点再转化为单通道二维高斯热图与裁剪的遥感图像拼接形成4通道的网络输入，然后将卷积注意力机制模块与空洞空间卷积池化金字塔结构并联组成多分支模块，提取上下文信息、增强网络特征提取能力，提高网络道路提取的精度等步骤。本发明以DeepLabV3+网络作为基线网络提出了引导式道路提取网络GuideNet，能够有效提高道路踏勘精细程度、极大地缩减了人工踏勘时间，在满足施工道路符合率的条件下，效率比人工有很大提高。
-
公开(公告)号：CN116863098A
公开(公告)日：2023-10-10
申请号：CN202310697328.2
申请日：2023-06-13
Applicant: 成都信息工程大学
Abstract: 本发明属于三维重建技术领域，公开了一种基于改进MarchingCubes算法的雷达气象数据三维重建方法及系统，最大最小值来判断该体素是否需要处理，若满足，则构建该体素的状态表，根据状态表，得到与等值面相交的体素的棱边，通过线性插值，计算体素棱边和等值面的交点，计算三角面片中各个顶点的法向量，将所有交点按照一定的拓扑结构连接成三角面片，若不满足，该体素不进行处理。本发明对数据进行归一化处理，使MC算法能直接利用气象数据，使重建的结果真实可信。本发明根据雷达数据特点构建拟梯形六面体体素，并加入最大最小值判断，提升了重建的速度。
-
公开(公告)号：CN107609470B
公开(公告)日：2020-09-01
申请号：CN201710636033.9
申请日：2017-07-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种野外火灾早期烟雾视频检测的方法，其包括以下步骤：步骤1：将视频镜头进行解压处理，得到帧序列；步骤2：以大小为5*5的均值滤波器对原始图像进行滤波，并通过形态学的方法去除噪点；步骤3：利用火灾烟雾的运动特性初提取火灾烟雾候选区域，采用高斯混合模型提取运动前景；步骤4：利用早期野外火灾烟雾颜色静态特征进行第2次烟雾候选区域提取；步骤5：利用烟雾扩散过程中运动的方向特征进行第3次烟雾候选区域提取；步骤6：利用卷积神经网络对候选烟雾区域进行识别，其中，卷积神经网络设计为一层输入层，三层卷积层，三层池化层，一层全连接神经网络和一层输出层。本发明具有识别率高，便于推广应用的优点。
-
公开(公告)号：CN110163333A
公开(公告)日：2019-08-23
申请号：CN201810021291.0
申请日：2018-01-10
Applicant: 成都信息工程大学
IPC: G06N3/04
Abstract: 本发明涉及一种卷积神经网络的并行优化方法，其包括：用winograd算法f(2x2,3x3)进行卷积神经网络的卷积核运算，以降低时间复杂度并减少乘法运算次数；对不存在循环数据依赖的for循环结构部分，使用OpenMP开辟多个线程进行运算；对模式相同的数据运算部分进行向量化处理，使其能够实现一次指令多次运算。采用本发明的方法改进的卷积神经网络程序能够大幅度提高并行的效率、减少运算的复杂度，从根本上降低运算开销，降低程序的运行时间。
-
公开(公告)号：CN109977904A
公开(公告)日：2019-07-05
申请号：CN201910269644.3
申请日：2019-04-04
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于深度学习的轻量型的人体动作识别方法，所述方法首先构建浅层和深层网络相结合的轻量型的深度学习网络(SDNet)，该网络包含浅层多尺度模块和深层网络模块，并以该网络为基础构建基于深度学习的轻量型的人体动作识别模型。在该模型中，首先利用SDNet对时空双流进行特征提取和表示；再利用时间金字塔池化层将时间流和空间流的视频帧级的特征聚合成视频级表示，再通过全连接层和softmax层得到时空双流对输入序列的识别结果，最后，利用加权平均融合的方式对双流结果进行融合，从而得到最终的识别结果。采用基于深度学习的轻量型的人体动作识别方法，能够在保证识别精度不降低的前提下，大幅减少模型参数量。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.027 seconds)
