-
公开(公告)号：CN120012028A
公开(公告)日：2025-05-16
申请号：CN202510491472.X
申请日：2025-04-18
Applicant: 南京信息工程大学
IPC: G06F18/25 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明公开了基于多源数据融合的卫星XCO2预测方法和系统，属于大气环境监测与遥感数据处理技术领域，用于解决现有卫星XCO2数据因云层遮挡、传感器误差等原因导致的时空不连续问题。通过整合多源卫星遥感数据及人为活动数据，构建时空耦合的深度学习模型，实现高精度XCO2缺失值填补与未来时间序列预测。最终，本发明突破了传统碳排放清单法的滞后性限制，可支持碳排放动态反演的实时监测需求且为环境监测、碳排放评估及政策制定提供支持。
-
公开(公告)号：CN114943876B
公开(公告)日：2025-04-15
申请号：CN202210699396.8
申请日：2022-06-20
Applicant: 南京信息工程大学
IPC: G06V10/774 , G06T7/12 , G06V10/77 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/045 , G06N3/0455
Abstract: 本发明公开了一种多级语义融合的云和云影检测方法、设备及存储介质，涉及图像处理技术领域，使用残差网络作为骨干网络对输入图片数据进行特征提取，整体采用编码器‑解码器的结构，在模型中我们提出了多支路残差上下文语义模块，多尺度卷积子通道注意力模块和特征融合上采样模块三个模块用于强化特征提取，细化云和云影边缘信息，增强模型的实际分割能力，相较于当前的方法检测云和云影更加准确，有效减少背景信息的干扰，增强对云层边缘以及薄云的检测能力，解决了大多数网络对于云影的检测精度不够高的技术问题，提高了对云和云影的检测精度，增强了算法的鲁棒性能。
-
公开(公告)号：CN117639103A
公开(公告)日：2024-03-01
申请号：CN202311634122.1
申请日：2023-11-29
Applicant: 国网新疆电力有限公司 , 南京信息工程大学
Abstract: 本发明涉及一种智能电网经济调度方法，针对目标智能电网中全部发电机所对应的智能电网经济调度模型，并应用分布式经济调度方法进行求解，获得各发电机分别对应的预测发电量、并进行评价；设计将差分隐私机制与单点残差反馈相结合解决在线经济调度问题，当发电机成本函数未知时，使用单点残差反馈机制估计真实梯度信息，指导决策变量的更新，在每次迭代利用当前时刻查询函数值和上一时刻函数值来估计梯度信息，有效地降低了计算成本，提高了计算效率；并且在线经济调度的分布式优化算法中，引入差分隐私机制，能够确保发电机敏感数据在数据共享和处理过程中得到充分保护，防止其被未经授权的个人或组织滥用，为电力系统的安全性提供了可靠的保障。
-
公开(公告)号：CN113362160B
公开(公告)日：2023-08-22
申请号：CN202110635863.6
申请日：2021-06-08
Applicant: 南京信息工程大学
IPC: G06Q40/03 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种用于信用卡反欺诈的联邦学习方法和装置，该方法包括：搭建具有不同欺诈类别的K个联邦学习参与方对应的局部图卷积神经网络模型；使用局部图卷积神经网络模型进行联邦学习训练；其中，采用注意力机制对联邦学习参数的聚合过程进行改进，使得每个局部图卷积神经网络模型均有与之适配的权重来进行聚合；输出全局图卷积神经网络模型，所述全局图卷积神经网络模型用于对导入的用户数据进行处理，识别其对应的欺诈类别。本发明针对现有信用卡欺诈评估方法和经典联邦学习算法的现有问题，提出了一种适应非欧式空间数据和参与方个性化特点的联邦学习算法来处理金融数据，进行信用卡反欺诈判断。
-
公开(公告)号：CN114943963B
公开(公告)日：2023-07-04
申请号：CN202210476213.6
申请日：2022-04-29
Applicant: 南京信息工程大学
IPC: G06V20/70 , G06V20/10 , G06V10/26 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/08
Abstract: 本发明公开了一种基于双分支融合网络的遥感图像云和云影分割方法，该方法以Convolutional vision Transformer中的Transformer模块和条状卷积作为骨干网络，将两者有效结合，使得两个分支能够相互补充，从而更加高效地提取图像中的特征信息。在特征融合方面，使用了双向引导模块使得Transformer分支和条状卷积分支能够相互引导对方进行特征挖掘、提取多尺度上下文信息，提高了不同尺度的云和云影的分割能力。在解码阶段，充分利用两分支提取到的不同层级的特征进行融合上采样，有效融合高级语义信息和空间位置信息，使得云和云影的定位更加准确，分割边界更加详细；同时本方法还是通用的。
-
Patent Agency Ranking
公开(公告)号：CN115410081A
公开(公告)日：2022-11-29
申请号：CN202210959194.2
申请日：2022-08-10
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种多尺度聚合的云和云阴影辨识方法、系统、设备及存储介质，属于图像处理技术领域，方法包括：获取待测图片；将待测图片输入到预训练好的多尺度注意力特征聚合网络中，得到云和云阴影的掩膜图像，完成云和云阴影的辨识；使用训练好的权重提取特征进行编码解码操作后输出得到云和云阴影的掩膜图像，能够有效提升云和云阴影辨识精确度，有效减少了图像中复杂背景和噪声的干扰，能够有效的捕捉到零散的小尺度的云和云影目标，增强了对薄云的检测能力以及细化了对云和云阴影不规则的结合处的分割，提高了对云和云阴影复杂的边缘细节的分割精度，并且在其他目标的分割实验中也有不错的效果，具有优秀的泛化能力和良好的鲁棒性。
-
公开(公告)号：CN114943876A
公开(公告)日：2022-08-26
申请号：CN202210699396.8
申请日：2022-06-20
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种多级语义融合的云和云影检测方法、设备及存储介质，涉及图像处理技术领域，使用残差网络作为骨干网络对输入图片数据进行特征提取，整体采用编码器‑解码器的结构，在模型中我们提出了多支路残差上下文语义模块，多尺度卷积子通道注意力模块和特征融合上采样模块三个模块用于强化特征提取，细化云和云影边缘信息，增强模型的实际分割能力，相较于当前的方法检测云和云影更加准确，有效减少背景信息的干扰，增强对云层边缘以及薄云的检测能力，解决了大多数网络对于云影的检测精度不够高的技术问题，提高了对云和云影的检测精度，增强了算法的鲁棒性能。
-
公开(公告)号：CN114937204A
公开(公告)日：2022-08-23
申请号：CN202210476223.X
申请日：2022-04-29
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V20/70 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种轻量级多特征聚合的神经网络遥感变化检测方法，包括搭建并训练一个分割网络，输入双时像遥感图像，输出预测变化区域的预测模型，其特征在于，所述预测模型包括至少三个基础语义分割子模块：特征提取模块、细节特征引导模块、自注意力以及特征融合模块。该种轻量级多特征聚合的神经网络遥感变化检测方法，通过轻量级多特征融合网络在采用前述训练方法进行训练后即可用于遥感图像变化检测，对待处理图像先采用裁剪的方式输入至神经网络模型中，设置参数并进行多次迭代，得到变化检测遥感图像的预测结果，该预测的结果相对于采用传统的基础语义分割模型（例如UNet、FCN等）得到的结果，其预测准确率有明显的提升。
-
公开(公告)号：CN113362160A
公开(公告)日：2021-09-07
申请号：CN202110635863.6
申请日：2021-06-08
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种用于信用卡反欺诈的联邦学习方法和装置，该方法包括：搭建具有不同欺诈类别的K个联邦学习参与方对应的局部图卷积神经网络模型；使用局部图卷积神经网络模型进行联邦学习训练；其中，采用注意力机制对联邦学习参数的聚合过程进行改进，使得每个局部图卷积神经网络模型均有与之适配的权重来进行聚合；输出全局图卷积神经网络模型，所述全局图卷积神经网络模型用于对导入的用户数据进行处理，识别其对应的欺诈类别。本发明针对现有信用卡欺诈评估方法和经典联邦学习算法的现有问题，提出了一种适应非欧式空间数据和参与方个性化特点的联邦学习算法来处理金融数据，进行信用卡反欺诈判断。
-
公开(公告)号：CN107529647B
公开(公告)日：2021-02-09
申请号：CN201611107944.4
申请日：2016-12-02
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于多层无监督稀疏学习网络的云图云量计算方法，首先利用前向逐层稀疏自动编码机对图片进行无监督的逐层特征编码得到高阶语义信息，然后利用高阶语义信息将云图分为厚云、薄云及晴空，最后利用“空间相关法”计算云图中的总云量。本发明比传统卫星云图云量计算的准确度高，并且相同硬件条件下样本训练的时间和云量计算的时间得到很大的缩减。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.115 seconds)
