-
公开(公告)号：CN114580565A
公开(公告)日：2022-06-03
申请号：CN202210281818.X
申请日：2022-03-22
Applicant: 南通大学
Abstract: 本发明公开一种基于知识蒸馏的谷物自动识别方法，该方法首先加载基于ImageNet训练好的ResNet101作为教师网络，使用基于输出和特征的知识蒸馏算法对学生网络而完成预训练模型的压缩；然后离线收集若干关于谷物的图像，构建谷物图像数据集，移除学生网络中的输出层和Softmax层，添加谷类分类器，利用谷类数据集对网络中的参数进行微调；最后利用微调后的学生网络对谷物图像进行在线测试。本发明利用知识蒸馏技术对识别谷物的卷积神经网络进行压缩，网络中参数量减小，能够使得基于卷积神经网络的谷类识别方法更适用于嵌入式设备。
-
公开(公告)号：CN114676769A
公开(公告)日：2022-06-28
申请号：CN202210282073.9
申请日：2022-03-22
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V40/10 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于视觉Transformer的小样本昆虫图像识别方法，首先利用搜索引擎搜索各种昆虫的图像，对图像人工标注标签；然后构建以视觉Transformer为核心的预训练模型，并利用训练集对预训练模型中的参数进行优化训练；接下来移除预训练模型中的分类器，在训练集和测试集中随机抽取每类昆虫的少量图像样本，输入到视觉Transformer中提取图像特征，计算每类样本的平均值作为每类昆虫图像原型特征进行存储；最后在线采集昆虫图像，输入到Transformer中提取图像特征，计算其与每类昆虫图像表征之间的距离，其距离最近的昆虫类别就为此幅图像的类别输出。本发明使用少量训练样本对昆虫完成分类识别，能够克服目前昆虫识别中所使用的卷积神经网络训练时需要大量的图像样本的技术问题。
-
公开(公告)号：CN114626504A
公开(公告)日：2022-06-14
申请号：CN202210030247.2
申请日：2022-01-11
Applicant: 南通大学
IPC: G06N3/04 , G06N3/08 , G06N5/02 , G06V10/764 , G06V10/762 , G06V10/774 , G06V10/82 , G06K9/62
Abstract: 本发明公开一种基于群组关系知识蒸馏的模型压缩方法，该方法在完成对数据集的预处理之后，随机初始化一个大容量的卷积神经网络作为教师网络，利用交叉熵损失函数对该网络进行预训练；随后在知识蒸馏阶段，随机初始化一个小容量的卷积神经网络作为学生网络，教师网络和学生网络分别对图像样本特征进行K均值聚类，并利用最大均值差异计算各组之间的关系，利用交叉熵与群组关系损失函数的加权和对学生网络进行训练。最后利用训练好的网络对测试图像进行分类决策。该方法能够指导学生网络模仿老师对样本的分组能力，从而使得学生网络的性能逼近老师网络的性能。
-
公开(公告)号：CN114580553A
公开(公告)日：2022-06-03
申请号：CN202210228722.7
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明公开一种基于深度卷积神经网络的珍稀花卉自动识别方法，本发明方法利用图像搜索常见的普通花卉图像构建源域图像数据集，然后利用Vgg16深度卷积神经网络以及线性分类构建分类识别模型，利用源域图像以及对应的类别标签计算损失函数并使用SGD优化器对网络中的参数进行优化；接下来固定深度卷积网络中主干神经网络的参数并替换线性分类器，收集珍稀花卉图像构建目标域图像数据集，利用目标域图像以及对应的类别标签计算损失函数对网络分类器进行微调；最后利用训练好的深度卷积网络模型对珍稀花卉图像进行自动识别。本发明通过上述方式，能够大大提高对珍稀花卉的保护效率。
-
公开(公告)号：CN114580552A
公开(公告)日：2022-06-03
申请号：CN202210228607.X
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于迁移模型的小样本茶叶图像分类方法，该方法首先利用摄像头采集茶叶图像构建茶叶图像分类数据集，然后构建迁移模型，并利用茶叶基类图像数据基于交叉熵损失函数与监督损失函数的加权和利用梯度下降法对迁移模型进行训练，最后将迁移模型中基类分类器、旋转预测分类以及Softmax层移除，使用原型分类器完成小样本茶叶图像分类测试。本发明在卷积神经网络训练过程中引入自监督任务提高模型的迁移性，将此迁移模型应用到小样本茶叶图像分类任务中，能够提高小样本茶叶图像分类识别的性能。
-
Patent Agency Ranking
公开(公告)号：CN114580551A
公开(公告)日：2022-06-03
申请号：CN202210228594.6
申请日：2022-03-10
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/762 , G06V10/774 , G06V10/82
Abstract: 本发明公开一种基于深度聚类的小样本电气设备图像分类方法，该方法首先网络搜索和现场进行实地拍摄的方式收集若干电气设备图像，创建电气设备图像数据集；然后将将数据集随机分为两部分，分别被用于分类模型的预训练和小样本电气分类的训练与测试；接下来利用C均值聚类算法图像样本的特征进行聚类，将聚类结果作为图像的标签值，基于标签值与类别概率输出值计算交叉熵损失函数，利用梯度下降算法对深度卷积神经网络模型中的参数进行优化；最后利用训练好的网络对小样本电气图像完成训练和测试。该方法能够在只对电气设备图像进行少量人工标注的情况下完成对电气设备的自动分类识别。
-
公开(公告)号：CN114548268A
公开(公告)日：2022-05-27
申请号：CN202210159436.X
申请日：2022-02-16
Applicant: 南通大学
IPC: G06K9/62 , G06V10/764 , G06V10/74 , G06V10/774
Abstract: 本发明公开了一种基于原型网络的小样本垃圾图像分类方法，该方法需要少量垃圾图像样本就能完成对垃圾图像的自动分类识别，能够提高垃圾处理过程中的自动分拣效率。包括：首先使用摄像头采集若干垃圾图像构建垃圾分类数据集并使用伽马校正方法对图像进行预处理，然后使用四层卷积神经网络构建原型网络，接着计算查询样本类别概率输出值与真实标签值之间的损失函数对原型网络进行训练，最后固定原型网络中的参数对垃圾图像进行分类测试。
-
公开(公告)号：CN114548256A
公开(公告)日：2022-05-27
申请号：CN202210148817.8
申请日：2022-02-18
Applicant: 南通大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82
Abstract: 本发明公开一种基于对比学习的小样本珍稀鸟类识别方法，该方法首先收集普通鸟类图像构建预训练图像数据集，然后在预训练图像数据集随机抽取一批图像输入到预训练模型中，提取正例图像样本和负例图像样本的投影向量特征，计算正例图像样本特征与负例图像样本特征之间的对比损失函数，利用梯度下降法完成预训练过程。接下来固定预训练模型中主干神经网络的参数，移除投影器并添加线性分类器以及Softmax层，利用收集的珍稀鸟类图像使用交叉损失函数对线性分类器参数进行优化，完成识别模型的训练，最后利用识别模型对珍稀鸟类图像进行在线分类识别。该方法通过对比学习对卷积神经网络进行训练来提高网络的迁移性，从而提高小样本珍稀鸟类识别方法的性能。
-
公开(公告)号：CN119864827A
公开(公告)日：2025-04-22
申请号：CN202510043425.9
申请日：2025-01-10
Applicant: 南通大学
Abstract: 本发明涉及新能源控制技术领域，尤其涉及一种用于微电网中虚拟同步发电机参数自适应的控制方法，通过微电网角频率及其变化率,基于增量学习法对角频率变化趋势进行预测，以实现自适应参数预调节。使用模糊径向基神经网络，对预测后的角频率及其变化率进行分析，求出合适的转动惯量，以优化虚拟同步发电机控制过程，使得微电网在功率波动条件下能够抑制角频率波动并且快速恢复到理想情况。本发明通过采集系统角频率和角频率变化量，使用基于增量学习的角频率预测方法，通过模糊径向基神经网络控制来调节传统虚拟同步发电机的转动惯量。该方法能够提升虚拟同步发电机的自适应能力，有效抑制微电网负载变化下的频率波动，提高了微电网系统的稳定性。
-
公开(公告)号：CN119006317B
公开(公告)日：2025-04-08
申请号：CN202411192908.7
申请日：2024-08-28
Applicant: 南通大学
IPC: G06T5/60 , G06T5/77 , G06T5/70 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及计算机视觉技术领域，尤其涉及一种基于金字塔转换器与信息损失正则化的图像复原单程模型方法，包括：首先对多种退回类型的图像进行多尺度底层特征提取，然后构建通道分组型多头注意力机制和空间分割型多头注意力机制；使用分组型多头注意力和空间分割型多头注意力组件视觉转换器模块，基于该模块构建多尺度编码器和多尺度解码器；接下来，将多尺度编码器和多尺度解码器的同等层进行连接，得到金字塔转换器；最后计算信息损失正则化损失函数对金字塔转换器内的参数进行优化。本发明能够充分利用多种图像复原任务之间的特异性和通用性的共同优势，从而解决多种图像复原任务集成过程中出现的跷跷板现象问题。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.02 seconds)
