-
公开(公告)号：CN113554032A
公开(公告)日：2021-10-26
申请号：CN202111105080.3
申请日：2021-09-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于高度感知的多路并行网络的遥感图像分割方法，以原始遥感图像作为网络输入，设计多路并行网络作为提取图像特征的底层网络用以提取遥感图像的多层语义特征图，同时固定每条路径中的空间分辨率；利用门控高低层特征融合方法，将低层特征图与高层特征图相互融合，同时门机制在融合过程中筛选出来自每层的有效信息；引入高度特征解码器分支，将数字地表面模型图像作为训练时的额外标签，利用学习高度几何特征作为语义上下文的亲和指导，并且该模型在测试时不需要遥感图像对应的数字地表面图像作为额外的标签；最后构建联合损失函数对多任务进行训练。本发明减少了模型的参数量，提高了遥感图像分割的准确度。
-
公开(公告)号：CN111327631A
公开(公告)日：2020-06-23
申请号：CN202010143788.7
申请日：2020-03-04
Applicant: 南京信息工程大学
IPC: H04L29/06
Abstract: 本发明公开了一种基于TCP和UDP的秘密信息传输方法及其系统，包括以下步骤：(1)建立隐信道；(2)对待发送的秘密信息明文B进行加密，生成组秘密信息密文S；(3)通过编码将秘密信息密文S嵌入到TCP和UDP发送窗口序列中，使之随着TCP和UDP数据包一起传输；(4)对已收的TCP和UDP报文序列进行反向解码和解密，得出秘密信息明文B。本发明在传输层协议TCP和UDP数据包的发送序列中引入信息编码技术来构建隐信道，对秘密信息的传输更加简便高效，不仅避免了给现有TCP连接信道带来额外的通信负荷，而且引入信息校验机制，进一步提高了秘密信息传输的隐蔽性和鲁棒性。
-
公开(公告)号：CN119399082B
公开(公告)日：2025-05-06
申请号：CN202510013348.2
申请日：2025-01-06
Applicant: 南京信息工程大学
IPC: G06T5/77 , G06N3/045 , G06N3/0475 , G06N3/084 , G06T5/60
Abstract: 本发明公开了基于时谱域融合与时序自注意力增强的遥感云层修复方法，涉及遥感云层图像处理技术领域。本发明包括：接收遥感缺失图像作为源图像；构建生成器，将遥感缺失图像输入生成器进行初步处理，其中生成器包括特征提取器、ConformerPlus模块和云检测模块，且ConformerPlus模块中嵌入有新多头自注意力机制。本发明能够对数据进行时频谱域信息的提取与融合，从而增强特征的表达能力，并且提升模型对边缘信息的捕捉能力，进而引导模型实现从外向内的递进式云层去除，同时还能改善细节表现并抑制噪声干扰，有效提升了图像的细节清晰度和纹理保真度。
-
公开(公告)号：CN114913498B
公开(公告)日：2025-04-11
申请号：CN202210594510.0
申请日：2022-05-27
Applicant: 南京信息工程大学
IPC: G06V20/56 , G06V10/80 , G06V10/774 , G06V10/34 , G06V10/762 , G06V10/82 , G06N3/082 , G06N3/084 , G06N3/0985 , G06N3/0455 , G06N3/0464
Abstract: 本发明涉及自动驾驶和计算机视觉领域，公开了一种基于关键点估计的并行多尺度特征聚合车道检测方法车道线检测方法，包括以下步骤：1)获取车道线图像数据集，用于训练车道线检测模型；2)对车道线图像数据集进行数据预处理，统一缩放图像尺寸并进行归一化；3)构建基于关键点估计的并行多尺度特征聚合车道线检测模型；4)将车道线图像数据集馈送到检测模型中进行训练；5)将待测试图像或视频输入到已训练收敛的检测模型中，模型进行车道线检测并输出图像或视频的车道线检测信息。本发明在兼顾车道线检测精度和检测速度的同时，也能够适应任意结构和任意数量的道路场景，具有较高的鲁棒性和实用性。
-
公开(公告)号：CN118568470B
公开(公告)日：2024-10-29
申请号：CN202411049712.2
申请日：2024-08-01
Applicant: 南京信息工程大学
IPC: G06F18/213 , G06F18/214 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于自适应边生成的车辆轨迹预测方法、系统及设备，涉及车辆轨迹预测技术领域。本发明包括：接收车辆轨迹区域内的交通参与者的轨迹数据、车辆轨迹区域周边的周边交通参与者的轨迹数据以及所述车辆轨迹区域内的环境特征数据，并对交通参与者的轨迹数据、周边交通参与者的轨迹数据以及环境特征数据进行矢量化处理，获得交通参与者的轨迹矢量化数据、周边交通参与者的轨迹矢量化数据以及环境特征矢量化数据；以环境特征矢量化数据，作为静态节点数据。本发明的技术方案在降低算法的复杂度，提升模型的运算速度的同时，可以保证优秀的预测精确度。
-
Patent Agency Ranking
公开(公告)号：CN118506407A
公开(公告)日：2024-08-16
申请号：CN202410950010.5
申请日：2024-07-16
Applicant: 南京信息工程大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了基于随机颜色丢弃和注意力的轻量行人重识别方法及系统，涉及行人重识别技术领域，接收图像数据，对图像数据进行预处理，得到预处理图像数据；将预处理图像数据输入至预先建立的嵌入有级联自注意力模块的OSNet内，提取特征，得到图像特征；将图像特征通过全连接层进行分类，将图像特征映射到相应的类别标签上，得到分类后的图像特征；使用分类后的图像特征计算带有标签平滑的身份损失，通过反向传播更新梯度对预先建立的轻量行人重识别网络模型进行优化训练，得到优化后的轻量行人重识别网络模型；获取行人重识别数据集的测试集，将行人重识别数据集的测试集输入至优化后的轻量行人重识别网络模型内，得到轻量行人重识别结果。
-
公开(公告)号：CN116382885A
公开(公告)日：2023-07-04
申请号：CN202211657958.9
申请日：2022-12-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于MPA算法的云计算任务调度方法，涉及调度方法领域，包括以下的步骤：读取任务、虚拟机信息，对虚拟机进行编码，计算执行时间矩阵，种群进行初始化，设置适应度函数，计算个体的适应度值，更新个体历史最优位置和全局最优位置，更新个体的位置，判断迭代结束条件，若满足条件则输出最优的解决办法。本发明利用MPA算法摆脱局部最优能力强的优点，可以在有限的时间和资源的情况下对任务进行合理的调度，有效地减少任务的完成时间，降低云数据中心的能耗。
-
公开(公告)号：CN111385145B
公开(公告)日：2023-04-25
申请号：CN202010143787.2
申请日：2020-03-04
Applicant: 南京信息工程大学
IPC: H04L9/40 , H04L43/0876 , H04L43/026 , H04L47/2483 , H04L47/2441
Abstract: 本发明公开了一种一种基于集成学习的加密流量识别方法，其特征在于，包括以下步骤：(1)数据集采集；(2)数据预处理；(3)平衡数据集；(4)自动提取特征；(5)识别流量；(6)对获得的指标结果分析，并选取合适的参数，优化算法。本发明解决了由于样本类别不平衡造成模型欠拟合或过拟合的问题，识别率高，误报率低，适用于对数据集的类别不平衡性和特征提取困难的加密流量识别。
-
公开(公告)号：CN115348215A
公开(公告)日：2022-11-15
申请号：CN202210876800.4
申请日：2022-07-25
Applicant: 南京信息工程大学
IPC: H04L47/2441 , H04L47/2483 , H04L69/22 , G06K9/62
Abstract: 本发明公开了一种基于时空注意力机制的加密网络流量分类方法，包括如下步骤：步骤1，解析报文，获取网络流量数据X，并进行归一化处理；步骤2，将归一化处理后的网络流量数据输入到空间特征提取组件SAtt，提取网络流量的空间特征Zs；步骤3，将归一化处理后的网络流量数据输入到时间特征提取组件TAtt，提取网络流量的时间特征Zt；步骤4，将空间特征Zs和时间特征Zt进行重构，得到网络流量特征Z。本发明利用空间特征提取组件SAtt和时间特征提取组件TAtt分别提取空间特征和时间特征，对网络流量分类效果明显提高，在不同类别的流量下均有不错的分类表现，且算法收敛速度较快。
-
公开(公告)号：CN112769619B
公开(公告)日：2022-08-16
申请号：CN202110021897.6
申请日：2021-01-08
Applicant: 南京信息工程大学
IPC: H04L41/0631 , H04L41/14 , H04L41/147 , G06N20/00 , G06K9/62
Abstract: 本发明提供一种基于决策树的多分类网络故障预测方法，通过对预设数据集内各个样本所对应的网络状态类型，构建与各个网络状态类型一一对应的各个大类，分别将各个大类构建为将所对应网络状态类型作为一大类中的一小类和预设数据集中除该网络状态类型以外、其余各个网络状态类型的非一小类，根据一小类和非一小类的类中心确定各个大类的类间距，并按照类间距从大到小的顺序，调取预设数据集内的各个大类所对应的网络状态的样本进行机器学习，获得各个网络状态类型所对应的网络分类模型，根据网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型，构建多分类网络故障决策树模型。
-
-
-
-
-
-
-
-
-
Search Results
76
records
(took 0.054 seconds)
