-
公开(公告)号：CN113409351B
公开(公告)日：2022-06-24
申请号：CN202110734149.2
申请日：2021-06-30
Applicant: 吉林大学
Abstract: 本发明公开一种基于最优传输的无监督领域自适应遥感图像分割方法，首先提出一种分割准确性权重计算，基于步骤一中提出的遥感图像分割准确性权重计算方法，进行遥感图像最优样本子集选择。对步骤二获得的遥感图像最优样本子集，进行最优传输特征选择。对步骤三获得的遥感图像特征选择结果，进行无监督领域自适应图像分割。本发明保证了两个域特征的整体性，同时衡量前景区域特征要比通常的样本特征更有针对性且更适合分割样本，更加准确，分割准确性权重能够更好地适应分割图像，能够使属于同一类别的两个域的分割图像更相近，从而提高熵正则化进行分割图像特征最优传输的精确度。
-
公开(公告)号：CN107609525B
公开(公告)日：2020-05-22
申请号：CN201710852216.4
申请日：2017-09-19
Applicant: 吉林大学
Abstract: 本发明公开一种基于剪枝策略构建卷积神经网络的遥感图像目标检测方法，该方法包括以下步骤：步骤一、对目标检测训练数据集进行预处理；步骤二、对初始网络进行预训练，获得稠密网络；步骤三、对步骤二得到的稠密网络，采用基于网络剪枝技术的稠密‑稀疏训练方式，获得训练后稀疏网络，对训练后稀疏网络采用稠密训练方式进行训练，获得精确目标分类网络；步骤四、对步骤三得到的训练后稀疏网络进行处理，并采用稀疏‑稀疏的训练方式，获得快速区域提取网络；步骤五、从目标检测测试数据集生成多尺度图像金字塔，再先后使用快速区域提取网络和精确目标分类网络进行两阶段预测，获得目标的位置和类别标签。
-
公开(公告)号：CN106568445B
公开(公告)日：2019-07-05
申请号：CN201610995627.4
申请日：2016-11-11
Applicant: 吉林大学
Abstract: 本发明公开一种基于双向循环神经网络的室内轨迹预测方法，该方法包括以下步骤：步骤一、室内空间预处理；步骤二、把室内定位得到的轨迹集中的目的地进行聚类；步骤三、利用室内定位技术，得到需要预测目标的采样点序列；步骤四、采样点序列校准；步骤五、根据室内轨迹预测问题特点，改进双向循环神经网络的结构。利用自适应梯度调节器进行训练，调节embedding列表的数据，使得偏差最小。将经过校准的采样点序列输入到改进后的双向循环神经网络中，进行目的地预测。本发明提出的算法，可以很好的对室内移动目标的轨迹进行预测；利用历史轨迹集解决了室内空间连通性问题；采样点序列校准保证了得到的采样点不会受数据稀疏性的影响，提高了预测的准确性。
-
公开(公告)号：CN105701507B
公开(公告)日：2018-10-23
申请号：CN201610018847.1
申请日：2016-01-13
Applicant: 吉林大学
Abstract: 本发明公开一种基于动态随机池化卷积神经网络的图像分类方法，该方法包括以下步骤：一、把训练集导入一系列卷积层进行卷积运算；二、把训练集导入一系列池化层进行随机池化运算；三、在最后的池化层进行动态随机池化；四、把特征矩阵融合为输出特征向量；五、对融合特征向量进行分类识别；六、对网络进行多次训练，调整中间参数，使输入输出的关系更加明显。本发明提出的随机池化运算可以很好的保留特征图像的纹理和背景综合特征；最后池化层的动态随机运算消除图像多尺度问题；多维度的特征融合，保证图像特征的多样性，从而提高识别精度。
-
公开(公告)号：CN103678680B
公开(公告)日：2016-09-14
申请号：CN201310728374.0
申请日：2013-12-25
Applicant: 吉林大学
Abstract: 一种基于感兴趣区域多元空间关系模型的图像分类方法本，涉及图像特征提取及模式识别，包括以下步骤：一、对原始图像检测感兴趣区域；二、提取感兴趣区域ROI的底层视觉特征；三、提取词袋特征；四、获得感兴趣区域ROI的多元空间关系；五、多元空间关系特征提取；六对词袋特征和多元空间关系特征进行特征融合及特征选择；七、使用参数优化后的分类器和步骤六获得的特征来训练样本。本发明提取的特征由于充分利用了感兴趣区域空间信息，使得图像分类精度大幅度提高；多元空间关系特征比纹理、颜色等其他图像特征更具有鲁棒性，对于训练集以外的新图像能够有效提取其自身固有的关键信息，因此取得更好的识别效果。
-
Patent Agency Ranking
公开(公告)号：CN105701507A
公开(公告)日：2016-06-22
申请号：CN201610018847.1
申请日：2016-01-13
Applicant: 吉林大学
CPC classification number: G06K9/629 , G06K9/6256 , G06N3/084
Abstract: 本发明公开一种基于动态随机池化卷积神经网络的图像分类方法，该方法包括以下步骤：一、把训练集导入一系列卷积层进行卷积运算；二、把训练集导入一系列池化层进行随机池化运算；三、在最后的池化层进行动态随机池化；四、把特征矩阵融合为输出特征向量；五、对融合特征向量进行分类识别；六、对网络进行多次训练，调整中间参数，使输入输出的关系更加明显。本发明提出的随机池化运算可以很好的保留特征图像的纹理和背景综合特征；最后池化层的动态随机运算消除图像多尺度问题；多维度的特征融合，保证图像特征的多样性，从而提高识别精度。
-
公开(公告)号：CN118196647A
公开(公告)日：2024-06-14
申请号：CN202410297061.2
申请日：2024-03-15
Applicant: 吉林大学
IPC: G06V20/13 , G06V10/764 , G06V10/774
Abstract: 本发明公开一种基于非平衡相似性和类别映射的域适应遥感图像分类方法，该方法包含以下步骤：步骤一、计算样本可转移性权重。将源域和目标域样本输入由源域训练的网络框架，依据输出向量，计算源原型和样本可转移性权重。步骤二、基于步骤一提出的样本可转移性权重区分公共类别和私有类别样本，提出一种自适应补齐机制使得二者数量均衡。步骤三、对步骤二补齐的目标样本进行部分对齐操作生成分配矩阵Qst，非平衡相似性权重即Qst每行的最大值；并对目标样本和目标原型进行类全局映射操作，得到目标样本的分类预测向量。步骤四、基于步骤三得到的非平衡相似性权重和分类预测向量，检测目标域公共类别和私有类别样本。
-
公开(公告)号：CN118015380A
公开(公告)日：2024-05-10
申请号：CN202410271153.3
申请日：2024-03-11
Applicant: 吉林大学
IPC: G06V10/764 , G06N3/088 , G06V10/82 , G06V10/74
Abstract: 本发明公开一种基于自监督原型分数和冻参分支约束的小样本域适应方法。该方法包括以下步骤：一、提出一种自监督原型分数计算方法，将文本提示模板与源域和目标域的图像输入模型的文本编码器和图像编码器，计算样本‑类别相似度矩阵，获得域内和域间的自监督原型分数。二、基于自监督原型分数，利用冻结参数的预训练模型分支进行辅助约束操作，获得兼具任务特定语义和泛化性的样本特征嵌入向量。三、进行跨域边界优化，将步骤二获得的样本特征嵌入向量通过分类器H计算跨域边界度量值，并根据此值调整分类边界获得样本预测概率向量。步骤四、确定目标域图像样本的分类边界，得到图像分类结果，本方法提升了小样本域适应图像分类的准确性。
-
公开(公告)号：CN107766894B
公开(公告)日：2021-01-22
申请号：CN201711068875.5
申请日：2017-11-03
Applicant: 吉林大学
Abstract: 本发明公开一种基于注意力机制和深度学习的遥感图像自然语言生成方法，该方法包括以下步骤：步骤一、预处理遥感图像和对应的自然语言描述。步骤二、将降噪后的遥感图像输入到密集定位卷积神经网络(Intensive Positioning Convolution Neural Network，简称IPCNN)中。步骤三、将步骤二获得的区域块输入到重分配长短期记忆网络(Reassignment Long‑Short Term Memory，简称RLSTM)中。进入到RLSTM的权重分配层中，利用多层网络函数分别求得每个区域的权重，最后通过RLSTM的深度输出层实现自然语言描述的整体输出。步骤四、将步骤三中生成的自然语言描述输入遥感图像语言描述打分模型，得到句子的打分。步骤五、将目标位置、类别标签和自然语言描述得分输入到数据库中，等待调用。
-
公开(公告)号：CN110110847B
公开(公告)日：2020-02-07
申请号：CN201910362771.8
申请日：2019-04-30
Applicant: 吉林大学
Abstract: 本发明公开了一种基于注意力的深度加速强化学习的目标定位方法，包括以下步骤：步骤一，向模型内输入图像，所述模型分为两个子网络，分别是深度强化学习网络和注意力网络；步骤二，模型处理图像，分为四个阶段：第一阶段，是深度强化学习的训练阶段，在强化学习框架下，目标定位任务会被对应到三个要素中去，该基于注意力的深度加速强化学习的目标定位方法，在原有的深度强化学习框架下添加了注意力网络；这个方法将利用强化学习训练过程产生的数据来对注意力网络进行训练，以此得到注意力向量，在这里将深度强化学习网络DQN黑盒问题研究转换为注意力向量的白盒问题，同时可利用注意力机制优化DQN对位置定位过程的控制。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.022 seconds)
