-
公开(公告)号：CN112541503B
公开(公告)日：2022-08-26
申请号：CN202011439171.6
申请日：2020-12-11
Applicant: 南京邮电大学
IPC: G06V20/70 , G06V10/80 , G06V10/764 , G06V10/82 , G06V40/16 , G06V20/17 , G06N3/04 , G06N3/08 , G06T1/00
Abstract: 本发明公开了一种基于上下文注意力机制和信息融合的实时语义分割方法，首先构建实时语义分割网络，对预先获取的数据集中的图像以及对应的标签进行预处理，再输入到所搭建的网络中进行训练；网络中，输入图像经过三组单独的降采样模块，使其分辨率分辨变为原来的1//2、1/4和1/8，三个不同尺寸的特征图分别与后续的主干网络不同阶段的特征进行特征融合；每个阶段特征融合之后，进入到注意力模块；融合后的特征经过分类的卷积操作输出最终的预测结果并与对应语义标注图像进行对比，计算交叉熵损失函数作为目标函数，从而得到训练好的网络模型。本发明本发明不仅保证了语义分割的高精度，又保证了高效的推理速度以及适合边界设备的内存容量。
-
公开(公告)号：CN109753949B
公开(公告)日：2022-08-12
申请号：CN201910097579.0
申请日：2019-01-31
Applicant: 南京邮电大学
IPC: G06V20/58 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的多视窗交通标志检测方法，首先通过仿射变换在不同的照明条件和方向上提供其他交通标志图片，然后利用扩充的数据集训练基于YOLO框架的交通标志检测模型，最后利用多视窗YOLO模型对输入图像进行分区域操作，对每个区域分别检测，并将检测结果进行融合，得到最终检测结果。本发明保证了需要进行交通标志检测的应用领域在进行交通标志检测时的准确性，不仅能提高交通安全性，同时也保证了交通运行效率，具有较高的研究意义。
-
公开(公告)号：CN111145174B
公开(公告)日：2022-08-09
申请号：CN202010000186.6
申请日：2020-01-02
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于图像语义特征进行点云筛选的3D目标检测方法。包括以下步骤：首先2D语义分割方法对图像数据进行分割得到语义预测。将生成的语义预测通过已知的投影矩阵投影到LIDAR点云空间中，从而使点云中的每一个点都能获得对应图像位置的语义类别属性。我们将车辆、行人、骑车人相关的点从原始点云中提取出来并形成视锥。其次我们将视锥作为深度3D目标检测器的输入，并设计符合视锥特性的损失函数来进行网络训练。本发明设计了基于图像语义特征进行点云筛选的3D目标检测算法，大大减少了3D检测的时间和计算需求。最后我们的方法在3D目标检测的基准数据集KITTI上的表现表明，我们的方法具有很好的实时目标检测性能。
-
公开(公告)号：CN114816983A
公开(公告)日：2022-07-29
申请号：CN202210231504.9
申请日：2022-03-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于混合项目对抗学习的跨项目软件缺陷预测方法，使用对抗学习的来改进特征学习的过程，以极大极小博弈的策略使得项目内的原始特征和重构特征难以判别，更好地保留原始鉴别特征。通过生成模型与判别模型的相互作用，在保留原始鉴别特征的同时，不同项目间的分布差异得到了有效的减小。值得注意的是，为了更充分利用不同项目间的信息，本发明提出了一种将源项目与目标项目按照随机比例进行混合的训练方法，通过该方法使得域分类器有了更加强大的判别能力，也为训练集数据不充足提供了一个可靠的解决方法。通过这种方式将增加了模型的泛化能力，使得模型通过在有标签源项目上训练更容易捕捉域间不变性特征。
-
公开(公告)号：CN114676755A
公开(公告)日：2022-06-28
申请号：CN202210208723.5
申请日：2022-03-04
Applicant: 南京邮电大学
Abstract: 本申请涉及一种基于图卷积网络的无监督域自适应的分类。所述方法包括：获取源域中的样本数据和目标域中样本数据作为训练数据；根据源域和目标域中样本数据间的相似性分别更新两个域中样本的图连接关系；将源域和目标域中的样本数据输入到域自适应网络中进行训练，域自适应网络是基于图卷积网络的无监督域自适应网络，域自适应网络包括：跨域特征提取模型、源域特征提取模型、分类模型、域对抗鉴别模型、类对齐模型；训练域自适应网络不断更新迭代域自适应网络中的参数，当域自适应网络达到收敛条件时，获得域自适应分类模型；输入待分类数据至域自适应分类模型进行分类，获得待分类数据的分类结果。提高了基于图卷积的无监督域自适应模型性能。
-
Patent Agency Ranking
公开(公告)号：CN113361492A
公开(公告)日：2021-09-07
申请号：CN202110813505.X
申请日：2021-07-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于正交三角分解的光照不变特征提取方法，包括如下步骤：步骤1：采集人脸彩色图像，并转化为人脸灰度图像；步骤2：通过正交三角分解算法，获得局部邻域的上三角矩阵对角线元素，并对其进行非线性放大；步骤3：对步骤2获得的非线性放大后的上三角矩阵对角线元素，构造光照不变特征。本发明充分考虑了人脸灰度图像的光照特性，通过正交三角分解算法，能有效消除阴影边缘的影响。
-
公开(公告)号：CN111145174A
公开(公告)日：2020-05-12
申请号：CN202010000186.6
申请日：2020-01-02
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于图像语义特征进行点云筛选的3D目标检测方法。包括以下步骤：首先2D语义分割方法对图像数据进行分割得到语义预测。将生成的语义预测通过已知的投影矩阵投影到LIDAR点云空间中，从而使点云中的每一个点都能获得对应图像位置的语义类别属性。我们将车辆、行人、骑车人相关的点从原始点云中提取出来并形成视锥。其次我们将视锥作为深度3D目标检测器的输入，并设计符合视锥特性的损失函数来进行网络训练。本发明设计了基于图像语义特征进行点云筛选的3D目标检测算法，大大减少了3D检测的时间和计算需求。最后我们的方法在3D目标检测的基准数据集KITTI上的表现表明，我们的方法具有很好的实时目标检测性能。
-
公开(公告)号：CN109710512A
公开(公告)日：2019-05-03
申请号：CN201811485235.9
申请日：2018-12-06
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于测地线流核的神经网络软件缺陷预测方法，包括如下步骤：S1、将数据集降维到对应的子空间中，并确定最优的子空间维度；S2、利用数据集降维得到的特征表示构建测地线流；S3、计算测地线流核，根据测地线流核计算得到源数据和目标数据的变换矩阵及特征空间；S4、根据得到的特征空间对神经网络分类器进行训练，最终得到预测结果。本发明将迁移学习中的测地线流核和神经网络分类器相结合，通过将源数据和目标数据投影到具有相同分布的子空间中的方式，解决了不同数据集上的数据分布不同以及数据量大时计算效率低下的问题，进而实现了跨项目的软件缺陷预测。
-
公开(公告)号：CN109635793A
公开(公告)日：2019-04-16
申请号：CN201910097865.7
申请日：2019-01-31
Applicant: 南京邮电大学
CPC classification number: G06K9/00362 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的无人驾驶行人轨迹预测方法，包括处理样本数据、获取输入信息序列、构建并优化网络、测试及评估最优模型。将无人驾驶车辆上的视觉传感器采集到的实时视频，分割成以帧为单位的图像作为样本数据，将样本数据中即将通过斑马线的目标人群划分成三类，从样本中获取行人位置‑比例信息序列、行人骨架信息序列、视觉传感器自身运动序列，再将信息序列输入卷积神经网络进行训练，得到初步的预测模型，经过测试和评估，最终输出预测轨迹和动作类别。本发明采用卷积神经网络进行无人驾驶行人轨迹预测，可以有效降低无人驾驶车辆在道路行驶过程中碰撞行人发生的概率。
-
公开(公告)号：CN118644867A
公开(公告)日：2024-09-13
申请号：CN202410815593.0
申请日：2024-06-24
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于图卷积神经网络的假新闻检测方法，属于图卷积神经网络机器学习技术，包括如下步骤：S1、使用预训练模型提取待检测新闻集合的图像模态特征集合和文本模态特征集合；S2、将图像模态特征与文本模态特征作为初始无向图的节点分别构造图像模态和文本模态的初始无向图，初始无向图用初始邻接矩阵和节点特征表示；S3，将初始无向图输入到图结构学习网络中进行图结构优化，得到优化后的图结构；S4、将优化后的图结构输入到两层跨模态共享权重的图卷积神经网络中，最终得到跨模态的特征；S5、将得到的跨模态的特征输入到模态鉴别器中学习模态不变的特征；S6、将S5中得到的模态不变的特征输入到分类器中得到该条新闻为假新闻的可能性。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.044 seconds)
