-
公开(公告)号：CN111539306A
公开(公告)日：2020-08-14
申请号：CN202010314628.4
申请日：2020-04-21
Applicant: 中南大学
Abstract: 本发明公开了基于激活表达可替换性的遥感图像建筑物识别方法，包括以下步骤：获取遥感图像建筑物数据集；训练普通深度神经网络模型；计算识别所述模型中每个卷积核的独立最大响应图；计算每个卷积核的激活表达可替换性；根据每个卷积核的激活表达可替换性对模型卷积核进行修剪，保留小的激活表达可替换性；使用修剪后的深度神经网络模型进行遥感图像建筑物识别。本发明方法针对基于深度学习的建筑物识别模型提出激活的表达可替换性指标方法，它可以量化同层上每个卷积核在特征空间表达的可替换性，卷积核的激活的表达可替换性值越低，代表它在特征空间越不可替换，进而针对卷积核进行选择性修剪，从而有效提高遥感图像建筑物识别模型的识别精度。
-
公开(公告)号：CN112560624B
公开(公告)日：2024-05-17
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
IPC: G06V20/10 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN113792686A
公开(公告)日：2021-12-14
申请号：CN202111096413.0
申请日：2021-09-17
Applicant: 中南大学 , 中国人民解放军63921部队
Abstract: 本发明公开了基于视觉表征跨传感器不变性的车辆重识别方法，包括步骤：获取遥感图像，依次输入神经网络的第一卷积层、第二卷积层、关系感知的全局注意力模块、第三卷积层、关系感知的全局注意力模块和第四卷积层；第四卷积层将处理结果依次输入关系感知的全局注意力模块、第五卷积层、关系感知的全局注意力模块和BNNECK，还依次输入全尺度模块、全尺度模块和BNNECK；本发明从局部和全局两个角度区分车辆，缓解视角变化带来的影响，获取判别性更高的局部特征；全尺度分支通过四个不同大小的感受野对不同尺度的特征进行融合，获取判别性最高的特征组合，本发明在数据集上取得了令人满意的表现。
-
公开(公告)号：CN112560624A
公开(公告)日：2021-03-26
申请号：CN202011425806.7
申请日：2020-12-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于模型深度集成的高分遥感影像语义分割方法，其中设计了一种基于集成深度全卷积的端到端学习构架，通过融合不同的深度全卷积网络，联合学习遥感影像中多尺度和多空间结构语义信息，同时提出了自适应融合模块和深度可分离卷积模块，前者可以学习不同深度网络融合的权重，后者可以保证模型精度的前提下减少模型的参数量，缓解了由于多模型导致参数多进而训练时间和训练难度增大问题。
-
公开(公告)号：CN112270462A
公开(公告)日：2021-01-26
申请号：CN202011078996.X
申请日：2020-10-10
Applicant: 中南大学
Abstract: 本发明公开了一种基于里奇曲率的地铁网络脆弱线路识别方法，包括以下步骤：基于地铁线数据和站点客流量数据，建立地铁网络，并将客流量作为权重赋给站点；计算地铁网络中线路的里奇曲率值；依据里奇曲率值由负到正的顺序对线路进行排序，依次移除地铁网络中的线路，计算最大连通子图相对大小的变化，以此识别脆弱线路。本发明方法提供了一种结合实际客流量数据，从流量传输角度提取地铁网络脆弱线路的方法，解决了现有方法多仅从地铁网络的拓扑结构分析脆弱线路，没有充分考虑线路在实际客流传输中各站点实际客流量分布情况以及地铁网络中流量传输特性的问题，具有较强的普适性。
-
Patent Agency Ranking
公开(公告)号：CN112216108A
公开(公告)日：2021-01-12
申请号：CN202011082028.6
申请日：2020-10-12
Applicant: 中南大学
Abstract: 本发明公开了一种基于属性增强的时空图卷积模型的交通预测方法，包括以下步骤：基于路网数据构建邻接矩阵A；基于特征矩阵X、兴趣点信息向量p和天气信息矩阵B构建t时刻的属性增强矩阵Kt＝[Xt,p,Bt]；将历史n个时刻的属性增强矩阵，以及道路网络的邻接矩阵输入时空图卷积模型学习训练，计算交通流隐藏状态，获得交通预测值。本发明方法在使用时空图卷积模型建模时空间特征的基础上，融合多源碎片化的城市数据来捕捉影响交通的外部因素与交通流的关系，增强时空图卷积模型对外部影响因素的感知，进而实现更加高效精准的交通预测。
-
公开(公告)号：CN112037228A
公开(公告)日：2020-12-04
申请号：CN202011224232.7
申请日：2020-11-05
Applicant: 中南大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于双倍注意力的激光雷达点云目标分割方法，包括：将激光雷达点云的数据输入特征抽象层中，获取每个点云数据的点特征和群特征；将所述的点特征和群特征同时输入到点注意力模块和群注意力模块；将点注意力模块和群注意力模块的输出合并在一起，得到最后增强的特征输出，增强的特征输出在送入特征传播层中；在特种传播层中，通过对点云目标的每个点特征的生成，获取所有输入点的特征信息；将点云的特征信息传入分类器中，识别出每个一个点云的类别，从而得到整个点云目标的分割结果。本发明方法提出的点注意力模块和群注意力模块可以有效性的在不同尺度上构建特征之间的关系，并提高点云数据的分割精度。
-
公开(公告)号：CN106821665A
公开(公告)日：2017-06-13
申请号：CN201710187755.0
申请日：2017-03-27
Applicant: 中南大学湘雅医院
CPC classification number: A61G13/00 , A61F5/3776 , A61G13/10 , A61G2200/14
Abstract: 本发明公开了一种儿童骨髓穿刺操作台，包括支架、台板及至少一条用于固定儿童穿刺体位的约束带，所述台板铺设于所述支架上，所述约束带沿所述台板的宽度方向布置并滑设于所述支架上，所述约束带的滑动方向与所述台板的长度方向相同。本发明具有能够安全有效的进行儿童骨髓穿刺，同时减少人力消耗及操作时间优点。
-
公开(公告)号：CN113792686B
公开(公告)日：2023-12-08
申请号：CN202111096413.0
申请日：2021-09-17
Applicant: 中南大学 , 中国人民解放军63921部队
IPC: G06V20/13 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了基于视觉表征跨传感器不变性的车辆重识别方法，包括步骤：获取遥感图像，依次输入神经网络的第一卷积层、第二卷积层、关系感知的全局注意力模块、第三卷积层、关系感知的全局注意力模块和第四卷积层；第四卷积层将处理结果依次输入关系感知的全局注意力模块、第五卷积层、关系感知的全局注意力模块和BNNECK，还依次输入全尺度模块、全尺度模块和BNNECK；本发明从局部和全局两个角度区分车辆，缓解视角变化带来的影响，获取判别性更高的局部特征；全尺度分支通过四个不同大小的感受野对不同尺度的特征进行融合，获取判别性最高的特征组合，本发明在数据集上取得了令人满(56)对比文件Mingming Lu 等.Vehicle Re-Identification Based on UAV Viewpoint:Dataset and Method《.remote sensing》.2022,第14卷(第18期),1-18.Shangzhi Teng 等.Viewpoint and ScaleConsistency Reinforcement for UAV VehicleRe-Identification《.International Journalof Computer Vision》.2020,第129卷719-735.Su V. Huynh 等.A Strong Baseline forVehicle Re-Identification《.arxiv:2104.10850》.2021,1-8.窦鑫泽 等.基于高置信局部特征的车辆重识别优化算法《.北京航空航天大学学报》.2020,第46卷(第09期),1650-1659.
-
公开(公告)号：CN112163550A
公开(公告)日：2021-01-01
申请号：CN202011095311.2
申请日：2020-10-14
Applicant: 中南大学
Abstract: 本发明公开了基于深度神经网络自动学习的遥感影像场景分类方法，包括以下步骤：设计与初始化神经网络结构空间；学习神经网络的结构，构建最优深度神经网络模型；利用遥感影像数据集训练所述的最优深度神经网络模型，训练过程为从头训练；利用训练完成的最优深度神经网络模型进行遥感影像场景分类。本发明方法包括神经网络结构学习过程与神经网络结构评估过程，通过上述流程，不仅能获得更高性能的机器学习模型，同时其高度自动化的过程能够有效节省机器学习模型结构设计过程中的人力与时间。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.073 seconds)
