-
公开(公告)号：CN115545198A
公开(公告)日：2022-12-30
申请号：CN202211488786.7
申请日：2022-11-25
Applicant: 成都信息工程大学
Abstract: 本发明涉及边缘智能技术领域，公开了一种基于深度学习模型的边缘智能协同推断方法及系统，通过获取巡检设备和边缘设备的参数信息以及所述巡检设备采集的监控图像数据的处理需求分别构建适用于巡检设备和边缘设备的简单模型和复杂分支模型；简单模型较复杂分支模型的网络层数和神经元个数更少，神经网络计算会明显减少任务推断时间和自身消耗的能耗；巡检设备端输出结果置信度值判定器以输出结果的置信度最大值作为依据判断监控图像数据是否需要传输到边缘设备端进行处理，从而保证深度学习模型结果准确率的同时，最大程度的利用巡检设备、边缘设备的计算和存储能力，以及降低系统在单边执行任务时的所带来的高时延和高能耗。
-
公开(公告)号：CN114708511B
公开(公告)日：2022-08-16
申请号：CN202210614648.2
申请日：2022-06-01
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于多尺度特征融合和特征增强的遥感图像目标检测方法，采用自适应多尺度特征融合模块进行特征融合，融合过程中同时采用更多的横向连接，增加相邻特征之间的交流，充分利用提取的多尺度特征，丰富特征信息，同时增加跳跃连接，让原始特征参与融合过程，提升网络的多尺度特征表达能力。注意力特征增强模块中不同扩张率的多分支空洞卷积以获取不同大小的感受野，当遥感图像中存在不同大小的物体时，可以同时提取不同尺度目标的特征，提高网络对目标尺度的泛化能力，并采用混合注意力机制模块，弱化背景和噪声信息的同时增强目标的特征信息。
-
公开(公告)号：CN114896826A
公开(公告)日：2022-08-12
申请号：CN202210819294.5
申请日：2022-07-13
Applicant: 成都信息工程大学
IPC: G06F30/20 , G06F30/17 , G06N3/04 , G06N3/08 , G06F111/10
Abstract: 本发明涉及一种基于物理学结合残差注意力网络的行星边界层参数化方法，设计一种同时结合物理学和深度学习的残差注意力网络，包括依次连接的八个时空结合模块，每个时空结合模块包括通道注意力模块CAB和空间注意力模块PNSAB，通过卷积、CAB模块和PNSAB模块提取重要特征和模拟具体的物理过程，CAB模块用来模拟大气湍流过程中的能量交换，让网络不断地学习大气物理常识，PNSAB模块去挑选对于预测结果比较重要的气象要素，能够有效的替换传统模式中的参数化，设计的多个模块协同作用模拟边界层中的物理过程。本发明的模型能更好地模拟边界层内的速度、温度、风速和水汽的垂直分布，同时使用较低的计算成本和较短的时间。
-
公开(公告)号：CN114757179A
公开(公告)日：2022-07-15
申请号：CN202210386899.X
申请日：2022-04-13
Applicant: 成都信息工程大学
IPC: G06F40/284 , G06F40/216 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种实体关系联合抽取方法及装置，其方法包括：获取句子的词向量矩阵，并对所述句子的词向量矩阵进行关系抽取处理，得到所述句子的关系；通过对所述句子的关系进行编码处理，得到所述句子的关系向量；利用所述词向量矩阵和所述关系向量，得到所述句子的实体对，并将所述实体对和所述关系进行组合处理，得到所述句子的三元组信息。
-
公开(公告)号：CN113975700A
公开(公告)日：2022-01-28
申请号：CN202111221440.6
申请日：2021-10-20
Applicant: 应急管理部消防救援局南京训练总队 , 成都信息工程大学
Abstract: 本发明公开一种全压力罐喷淋模拟方法与模型，其模型包括：全压力罐模型，喷淋模块、支撑模块、控制模块；其中，喷淋模块，包括喷淋水箱，喷淋水泵，喷淋支管，喷淋盘管，用于将所述喷淋水箱中的水流经喷淋水泵、喷淋支管、喷淋盘管后对所述全压力罐罐壁进行喷淋；支撑模块，包括用于支撑固定所述喷淋模块的平台支架；所述控制模块与所述喷淋模块相连，用于控制所述喷淋模块中喷淋的开闭。本发明中的系统能高度模拟全压力罐喷淋过程，可用于教学演示或是全压力罐降温消防对策研究领域。
-
Patent Agency Ranking
公开(公告)号：CN112365556B
公开(公告)日：2021-09-28
申请号：CN202011244337.9
申请日：2020-11-10
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于感知损失和风格损失的图像扩展方法，包括：对预处理后的数据集送入到构建好的图像扩展网络中，图像扩展网络包括重构路径和生成路径，重构路径用于输入待补全区域图像，获取其待补全部分的先验信息，最后重构出原始图像；生成路径用于输入缺失图像，利用重构路径得到的先验分布，引导图像的生成过程，在训练过程中，重点引入感知损失和风格损失约束生成图像的纹理和风格，改善了传统方法的扭曲模糊结构。感知损失和风格损失分别获取已知区域的语义信息和整体风格，从而有助于网络把握图像的真实纹理风格。
-
公开(公告)号：CN112733968A
公开(公告)日：2021-04-30
申请号：CN202110343928.X
申请日：2021-03-31
Abstract: 本发明属于计算机视觉技术领域，公开了一种嵌入超图卷积层的深度学习冰晶粒子图像分类方法。本发明设计并实现了一个嵌入了超图结构的卷积神经网络模型，该超图结构可以有效地从局部和全局特征空间中获取信息，可以更好地捕捉到远端顶点之间的关系，获得更深层的特征信息，有助于学习样本数不平衡的冰晶数据集中小样本的特征，以提高模型的泛化能力，即便在样本分布不均衡数据学习情况下，仍能取得较好的分类效果。本发明可解决传统阈值分类方法中存在的冰晶分类结果具有主观性、不稳定性和预测精度较低的问题，可解决在样本分布不平衡数据集中数据量较少类别的分类精度较低的问题，可使冰晶粒子图像实现较高精度的自动分类。
-
公开(公告)号：CN111353940B
公开(公告)日：2021-04-02
申请号：CN202010245716.3
申请日：2020-03-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度学习迭代上‑下采样的图像超分辨率重建方法，方法包括：准备原始高分辨率图像，对原始高分辨率图像进行双三次插值得到低分辨率图像，将低分辨图像输入到构建好的神经网络中，先提取低分辨率图像特征，然后通过多个反向投影层的上‑下采样模块逐层提取高分辨率图像特征，以能够更多的挖掘低分辨率图像和高分辨率图像之间的相互依赖关系，神经网络中的卷积均采用空洞卷积来增加感受野，提升网络对特征信息的敏感性，并引入稠密连接减少经过中间层传递导致信息的丢失，能够更好的利用低层特征信息，提高了图像重建的性能。
-
公开(公告)号：CN109712077B
公开(公告)日：2020-07-17
申请号：CN201811647216.1
申请日：2018-12-29
Applicant: 成都信息工程大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于深度字典学习的HARDI压缩感知超分辨率重建方法，包括对采集的高角度弥散图像进行预处理得到训练数据，建立用于字典学习的包括多层字典的深层网络模型，通过训练数据对构建的深层网络模型进行训练，采用正交三角分解按顺序提取正交向量作为初始字典，在对最后一层学习字典进行求解时，加上稀疏性约束项使其进行稀疏表示，采集密度远低于原始数据的数据作为测试数据，基于测试数据得到稀疏表示系数，最后通过径向积分得到的方向分布函数生成关于人体的重建三维弥散磁共振图像。本发明重建出相同分辨率的弥散磁共振图像所需的采样数据量更少。有着更快的数据采样速度。有着更好的神经纤维重建能力。
-
公开(公告)号：CN111353940A
公开(公告)日：2020-06-30
申请号：CN202010245716.3
申请日：2020-03-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度学习迭代上-下采样的图像超分辨率重建方法，方法包括：准备原始高分辨率图像，对原始高分辨率图像进行双三次插值得到低分辨率图像，将低分辨图像输入到构建好的神经网络中，先提取低分辨率图像特征，然后通过多个反向投影层的上-下采样模块逐层提取高分辨率图像特征，以能够更多的挖掘低分辨率图像和高分辨率图像之间的相互依赖关系，神经网络中的卷积均采用空洞卷积来增加感受野，提升网络对特征信息的敏感性，并引入稠密连接减少经过中间层传递导致信息的丢失，能够更好的利用低层特征信息，提高了图像重建的性能。
-
-
-
-
-
-
-
-
-
Search Results
174
records
(took 0.034 seconds)
