-
公开(公告)号：CN115040089B
公开(公告)日：2022-12-06
申请号：CN202210981128.5
申请日：2022-08-16
Abstract: 本发明涉及非接触式生理信号检测领域，尤其涉及一种基于深度学习的脉搏波峰值检测与分类的方法和装置，该方法包括：步骤一，利用血氧仪采集人体指尖的脉搏波信号，采用滑动窗口的方式进行分帧处理，得到若干段短信号；步骤二，将若干段短信号按照时间顺序排列，输入到关键点检测模块中进行峰值检测和整理得到所有峰值点；步骤三，将步骤二得到的峰值点及采集得到的整段脉搏波信号输入到分类模块中，通过判断信号的强度、波动和平涩程度来对脉搏波信号进行分类，并记录。本发明能够有效应用于基于脉搏波的生物识别系统中，并提高识别的准确率。
-
公开(公告)号：CN114972947B
公开(公告)日：2022-12-06
申请号：CN202210882622.6
申请日：2022-07-26
Applicant: 之江实验室
IPC: G06V10/80 , G06V10/82 , G06V20/70 , G06V30/148 , G06V30/19 , G06V10/764 , G06V10/28
Abstract: 本发明公开了一种基于模糊语义建模的深度场景文本检测方法和装置，该方法包括：步骤一，获取现有的用于训练场景文本检测的多组具有真值标注的图像数据集；步骤二，对数据集中的图像进行特征学习与全局特征融合，得到融合的全局特征图；步骤三，对融合的全局特征图进行像素级别语义分类，同时通过数值回归预测像素级别的语义可靠性，在全监督下进行多分支的联合优化，完成端到端联合学习框架的构建；步骤四，使用端到端联合学习框架，预测图像中的模糊语义信息，并利用可靠性分析及融合获得文本属性图；步骤五，对文本属性图进行二值化和联通域提取，得到最终的文本检测结果。本发明实现方法简便，灵活鲁棒，适用范围广。
-
公开(公告)号：CN115331732A
公开(公告)日：2022-11-11
申请号：CN202211238697.7
申请日：2022-10-11
Applicant: 之江实验室
Abstract: 本发明公开了基于图神经网络的基因表型训练、预测方法及装置，根据现有公开的基因位点与表型的相关性，构建图神经网络：节点代表基因位点，边代表两个基因位点同时与某个表型相关，且边的权重代表基因位点之间的关联程度；采集样本的基因数据，并收集各个样本对应的表型数据；训练过程中，对输入的基因数据基于其位点探测概率值进行编码；将编码数据输入构建的图神经网络；采用均匀采样进行节点邻域选择，并通过邻域节点的权重与卷积核参数更新各个节点；将每个节点的输出结果进行拼接，并将其输入多层感知器，输出表型分类结果；将分类结果与真值进行比较，训练与验证图神经网络；再将待分类的基因数据输入训练好的图神经网络进行表型分类。
-
公开(公告)号：CN118466864B
公开(公告)日：2024-09-24
申请号：CN202410937905.5
申请日：2024-07-12
Applicant: 之江实验室
IPC: G06F3/06
Abstract: 在本说明书提供一种卫星数据存储方法、装置、介质及设备中，首先确定待存储数据的数据大小，其次根据处理器的读取线程数量，分割待存储数据，得到各第一子数据，并确定各第一子数据与各读取线程的对应关系，通过所述各第一子数据对应的读取线程，将各第一子数据写入处理器缓存，最后响应于缓存中任一完整写入的第一子数据，根据处理器的写入线程数量，分割完整写入的第一子数据，得到各第二子数据，确定各第二子数据与各写入线程的对应关系，并据此对应关系，将各第二子数据写入存储器，通过对待存储数据的多次分割，避免了卫星在存储待存储数据时，出现因处理器内存大小不足导致的读写错误，降低了对处理器缓存的要求。
-
公开(公告)号：CN116703820B
公开(公告)日：2024-05-03
申请号：CN202310406884.X
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/00 , G06T7/70 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/774
Abstract: 一种基于热力图的高密度豆粒计数及中心点定位方法，用高斯函数生成高斯核模板，结合已标记的豆粒中心点位置，生成用于豆粒计数的真值热力图；采用基于空洞卷积的CSRNet作为密度图估计模块，将原始图像与真值热力图输入到模型中计算得到与原始图像同大小的热力图，通过对比预测热力图与真值热力图的L2损失进行参数的学习，实现高质量的热力图估计。对于待测试图像，使用CSRNet预测热力图，再通过判断局部最大位置点，从热力图中获取得到所有中心点的位置坐标，并通过局部中心点热力图的值取整获得豆粒数。还包括一种基于热力图的高密度豆粒计数及中心点定位系统。本发明可提高豆粒计数模型在高密度、遮挡严重场景下的计数准确性。
-
Patent Agency Ranking
公开(公告)号：CN117058492B
公开(公告)日：2024-02-27
申请号：CN202311322535.6
申请日：2023-10-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/70 , G06N3/09 , G06N5/04
Abstract: 一种基于学习解耦的两阶段训练病害识别方法和系统，其方法包括：步骤S1：采集待识别作物的图像样本，制作训练数据集；步骤S2：构造基于学习解耦的分类算法网络模型；步骤S3：对基于学习解耦的分类算法模型进行一阶段训练；步骤S4：固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；步骤S5：基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。本发明具有准确度高，标注成本极低，且可实现单模型对病害种类和病害等级进行细分类识别。
-
公开(公告)号：CN117011718B
公开(公告)日：2024-02-02
申请号：CN202311288015.8
申请日：2023-10-08
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V20/10 , G06V10/764 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 据中。一种基于多元损失融合的植物叶片细粒度识别方法和系统，首先将植物叶片图像以九宫格的方式进行随机掩码完成图像增强，并与原图成对地输入到特征提取网络模型中，得到特征向量；将特征向量输入分类网络层中，并进行品种识别；将特征向量输入到对抗网络层中，进行二分类识别；将掩码图的特征向量输入到自编码网络模块中，进行图像复原的自监督学习；三项任务的损失函数共同监督并指导网络的训练；在自监督任务中掩码图像通过学习复原本身位置使特征提取网络关注到叶片局部特征，而原图在品(56)对比文件王泽宇 等.基于多模态特征的无监督领域自适应多级对抗语义分割网络《.通信学报》.2022,第43卷(第12期),157-171.齐爱玲 等.基于中层细微特征提取与多尺度特征融合细粒度图像识别《.计算机应用》.2023,第43卷(第8期),2556-2563.Gang Li 等.Self-supervised VisualRepresentation Learning for Fine-GrainedShip Detection《.2021 IEEE 4thInternational Conference on InformationSystems and Computer Aided Education(ICISCAE)》.2021,67-71.
-
公开(公告)号：CN116817754B
公开(公告)日：2024-01-02
申请号：CN202311082530.0
申请日：2023-08-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G01B11/00 , G01B11/02 , G01N21/84 , G06V20/60 , G06V10/10 , G06V10/44 , G06V10/50 , G06V10/75 , G06V10/82
Abstract: 一种基于稀疏重建的大豆植株表型提取方法及系统，其方法包括：对大豆植株进行多视角成像，通过密度图估计在各视图中提取植株二维关键点，包括端点关键点、节点关键点和豆粒关键点，同时通过亲和力场估计给出同一豆荚中豆粒关联关系，基于对称极线距离和二分匹配，关联各视图中的同一关键点和同一豆荚，进而通过三角测量计算各关键点的三维坐标，用于测量株高、统计豆粒的空间分布、计算节数、单株粒数和荚数等。本发明可精准且高效的提取大豆植株表型，具有较高的可行性和实用性。(56)对比文件Haoran Zhao等.Exploring BetterSpeculation and Data Locality in SparseMatrix-Vector Multiplication on IntelXeon.2020 IEEE 38th InternationalConference on Computer Design.2020,全文.Yourui Huang等.Low IlluminationSoybean Plant Reconstruction and TraitPerception.Agriculture.2022,第12卷(第12期),第2.1-2.3节.李晨雨.基于三维重建的大豆植株叶面积自动测量方法的研究.中国优秀硕士学位论文全文数据库 农业科技辑.2023,(第1期),全文.
-
公开(公告)号：CN116817754A
公开(公告)日：2023-09-29
申请号：CN202311082530.0
申请日：2023-08-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G01B11/00 , G01B11/02 , G01N21/84 , G06V20/60 , G06V10/10 , G06V10/44 , G06V10/50 , G06V10/75 , G06V10/82
Abstract: 一种基于稀疏重建的大豆植株表型提取方法及系统，其方法包括：对大豆植株进行多视角成像，通过密度图估计在各视图中提取植株二维关键点，包括端点关键点、节点关键点和豆粒关键点，同时通过亲和力场估计给出同一豆荚中豆粒关联关系，基于对称极线距离和二分匹配，关联各视图中的同一关键点和同一豆荚，进而通过三角测量计算各关键点的三维坐标，用于测量株高、统计豆粒的空间分布、计算节数、单株粒数和荚数等。本发明可精准且高效的提取大豆植株表型，具有较高的可行性和实用性。
-
公开(公告)号：CN116703820A
公开(公告)日：2023-09-05
申请号：CN202310406884.X
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/00 , G06T7/70 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/774
Abstract: 一种基于热力图的高密度豆粒计数及中心点定位方法，用高斯函数生成高斯核模板，结合已标记的豆粒中心点位置，生成用于豆粒计数的真值热力图；采用基于空洞卷积的CSRNet作为密度图估计模块，将原始图像与真值热力图输入到模型中计算得到与原始图像同大小的热力图，通过对比预测热力图与真值热力图的L2损失进行参数的学习，实现高质量的热力图估计。对于待测试图像，使用CSRNet预测热力图，再通过判断局部最大位置点，从热力图中获取得到所有中心点的位置坐标，并通过局部中心点热力图的值取整获得豆粒数。还包括一种基于热力图的高密度豆粒计数及中心点定位系统。本发明可提高豆粒计数模型在高密度、遮挡严重场景下的计数准确性。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.02 seconds)
