-
公开(公告)号：CN109948462A
公开(公告)日：2019-06-28
申请号：CN201910147758.0
申请日：2019-02-27
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于多GPU协同交互数据流组织的高光谱图像快速分类法，包括如下步骤：读取高光谱图像训练数据与测试数据，将这些数据绑定为页锁定内存；通过基于多GPU流同步的稀疏多项式逻辑回归快速计算法计算最大似然概率矩阵，提取出高光谱图像的光谱信息；使用基于多GPU变量划分的加权马尔科夫场空间先验快速计算法提取高光谱图像空间信息，并计算边际概率矩阵；根据求得的边际概率矩阵求得测试数据的预测标签，得到最终分类结果。本发明既利用了高光谱图像光谱信息，又利用了空间信息，提高了分类精度。
-
公开(公告)号：CN109684088A
公开(公告)日：2019-04-26
申请号：CN201811545502.7
申请日：2018-12-17
Applicant: 南京理工大学
CPC classification number: G06F9/5038 , G06F9/4881 , G06F9/5072
Abstract: 本发明公开了一种云平台资源约束的遥感大数据快速处理任务调度方法。基于DAG建模的遥感大数据处理任务形式化描述，基于偏序关系约束的多任务序列混合量子进化调度和云平台资源自适应分配，本发明考虑了可并行计算任务的并行度，调度的目标是不同并行度下的小任务，可以实现资源约束条件下更加细粒度的遥感大数据处理任务调度。
-
公开(公告)号：CN102810202B
公开(公告)日：2016-03-09
申请号：CN201210145403.6
申请日：2012-05-10
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于分数阶差分加权的图像多步残差反馈迭代滤波方法，该滤波方法包括分数阶奇异性指标计算单元、分数阶权重矩阵计算单元以及多步残差反馈滤波单元。本方法首先估计每个像素点对应的分数阶奇异性指标；然后依据分数阶差分格式的系数计算方式生成分数阶加权系数矩阵；最后，执行多步残差反馈滤波迭代，利用多个去噪残差图像的分数阶加权组合更新生成中间待去噪图像，并对其进行全变差滤波生成迭代去噪图像序列，迭代收敛图像为最终去噪图像。本方法得到的迭代序列可以快速收敛于具有较高峰值信噪比的去噪图像，迭代结果对于迭代终止条件敏感性及依赖程度小，可以在有效抑制图像噪声的同时，较好保持图像的纹理等细节信息。
-
公开(公告)号：CN104112263A
公开(公告)日：2014-10-22
申请号：CN201410306238.7
申请日：2014-06-28
Applicant: 南京理工大学
Abstract: 本发明提供了一种基于深度神经网络的全色图像与多光谱图像融合的方法，具体步骤如下：步骤1，构建高分辨与低分辨图像块对的训练集；步骤2，利用改进的稀疏去噪自编码器学习训练神经网络模型中第一层的初始化参数；步骤3，利用改进的稀疏去噪自编码器对神经网络进行逐层的预训练；步骤4，对经过预训练的深度神经网络的参数进行微调；步骤5，根据已知的低空间分辨的多光谱图像，利用该深度神经网络重构出高分辨的多光谱图像。本发明提供的方法采用了深度学习的方法，能够充分利用非线性的神经网络刻画多光谱图像复杂的结构信息，从而使融合后的多光谱图像不仅具有高空间分辨率，而且能很好地保留了其光谱信息。
-
公开(公告)号：CN102810202A
公开(公告)日：2012-12-05
申请号：CN201210145403.6
申请日：2012-05-10
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于分数阶差分加权的图像多步残差反馈迭代滤波方法，该滤波方法包括分数阶奇异性指标计算单元、分数阶权重矩阵计算单元以及多步残差反馈滤波单元。本方法首先估计每个像素点对应的分数阶奇异性指标；然后依据分数阶差分格式的系数计算方式生成分数阶加权系数矩阵；最后，执行多步残差反馈滤波迭代，利用多个去噪残差图像的分数阶加权组合更新生成中间待去噪图像，并对其进行全变差滤波生成迭代去噪图像序列，迭代收敛图像为最终去噪图像。本方法得到的迭代序列可以快速收敛于具有较高峰值信噪比的去噪图像，迭代结果对于迭代终止条件敏感性及依赖程度小，可以在有效抑制图像噪声的同时，较好保持图像的纹理等细节信息。
-
Patent Agency Ranking
公开(公告)号：CN101540043A
公开(公告)日：2009-09-23
申请号：CN200910031270.8
申请日：2009-04-30
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种单幅图像复原的解析迭代快速频谱外推方法，包括迭代系统初始化过程和解析迭代过程。其中：初始化过程计算降质图像频谱、设置初始迭代解、系统初始参数；解析迭代过程通过不断精细的梯度信息阈值收缩估计图像的水平和垂直方向梯度信息，通过解析迭代频谱和梯度信息频谱解析预测得到预测频谱，通过图像频谱合成校正将降质图像频谱和预测频谱解析合成校正得到高分辨率图像。本发明方法基于快速傅立叶变换技术，通过截止频率以下频谱，外推截止频率以上频谱，以很小的复杂度达到图像快速复原。去模糊和抑制噪声能力明显优于常规方法，信噪比得到显著提高。该方法非常便于利用快速傅立叶变换DSP芯片组成的图像处理硬件实现。
-
公开(公告)号：CN117851061A
公开(公告)日：2024-04-09
申请号：CN202410035067.2
申请日：2024-01-09
Applicant: 南京理工大学
Abstract: 本发明公开了一种面向CPU‑GPU异构片上系统的深度学习神经网络功耗优化调度方法，包括：修改神经网络的实现代码以拆分神经网络，允许定义神经网络的运行模式，选择每一层网络是在CPU上运行还是在GPU上运行，在相应的CPU‑GPU异构片上系统平台测试所有可能的运行模式的时间和功耗数据，并保存；针对电池供电的CPU‑GPU异构片上系统设备，设计电量感知的深度学习神经网络功耗元启发式优化调度算法，根据电量状态并结合任务的实时性要求，使用元启发式算法寻找最适合当前状态的切割方式。本发明能够权衡深度学习神经网络在CPU‑GPU异构边缘设备上运行的实时性和能耗，通过在低电量状态下采用网络层迁移技术和动态电压调整技术，提高异构边缘设备运行深度学习神经网络的续航时间。
-
公开(公告)号：CN117421161A
公开(公告)日：2024-01-19
申请号：CN202311583691.8
申请日：2023-11-23
Applicant: 南京理工大学
IPC: G06F11/14
Abstract: 本发明公开了一种地理分布式数据中心系统的工作流容错调度方法，其特征在于使用一种创建副本的容错调度算法在截止期限约束下满足工作流的高可靠性需求，并实现系统总花销的最小化。本申请提案所述方法，全面考虑工作流在数据存储、数据传输和任务执行时可靠性需求，不仅使用数据存储副本和任务执行副本，而且通过主动复制的方式创建数据传输副本，系统解决了地理分布式数据中心环境的工作流容错调度问题，具有较高创新性和新颖性。
-
公开(公告)号：CN115795221A
公开(公告)日：2023-03-14
申请号：CN202211543502.X
申请日：2022-12-03
Applicant: 南京理工大学
Abstract: 本发明公开了一种联合深度先验和可学习成像模型的光谱计算成像方法与装置，涉及光谱计算成像领域。本发明方法包括两个阶段，训练阶段中构建用于训练的高光谱数据集；利用半二次方分裂算法迭代求解优化问题，并根据迭代步骤构建深度展开网络；利用均方根误差函数作为所述网络损失函数，并训练；满足一定终止条件后，保存网络结构及参数。使用阶段，建立压缩光谱数据采集装置；采集压缩光谱数据并进行预处理，利用训练阶段保存的模型对压缩光谱数据进行重建。本发明利用深度先验项对数据进行多频率增强，有效地提高了方法的细节纹理恢复能力以及重构精度，同时该装置可以兼顾灵活性与可解释性的应用需求。
-
公开(公告)号：CN112508829B
公开(公告)日：2022-09-27
申请号：CN202010616742.2
申请日：2020-06-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于剪切波变换的pan‑sharpening方法。该方法通过结合高空间分辨率全色图像（PAN）和低空间分辨率多光谱图像（MS）的空谱信息，得到具有高空间分辨率的多光谱图像（HRMS）。该方法的核心为两步的剪切波域图像融合；融合过程分为两步进行，且每步都在剪切波域进行。本发明在传统pan‑sharpening方法的基础上，不仅利用了PAN图像的空间结构信息和MS图像的光谱信息，并且充分挖掘了高、低分辨率PAN和MS图像之间的光谱和空间关系，通过这些信息的有机融合，得到了具有光谱保真，空间细节丰富的融合图像。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.023 seconds)
