-
公开(公告)号：CN116304941A
公开(公告)日：2023-06-23
申请号：CN202310226282.6
申请日：2023-03-09
Applicant: 上海海洋大学
IPC: G06F18/2433 , G06F18/214 , G06F18/21 , G06N20/20
Abstract: 本发明提供一种基于多模型组合的海洋数据质量控制方法及装置，所述方法包括：构建数据集，并对数据集中的数据进行处理，将数据集训练数据集和测试数据集；对多种类型的基分类器进行实验和选择，将分类结果进行对比分析并选取效果好的基分类模型；采用自学习下采样的数据采样方法对基分类模型进行训练，并使用基分类模型对数据质量进行初步控制，得到一级标识结果；采用Stacking算法构建融合决策，构建多模型组合的海洋数据质量控制模型，得到最终的数据质量控制结果；利用训练数据集训练所述多模型组合的质控模型，利用测试数据集对训练好的质控模型进行测试。本发明可提高异常数据的检测能力。
-
公开(公告)号：CN110781353B
公开(公告)日：2023-04-18
申请号：CN201911007095.9
申请日：2019-10-22
Applicant: 上海海洋大学
IPC: G06F16/901 , G06F16/903 , G06N3/006 , G06Q50/26
Abstract: 本发明公开了一种基于竞争图的珊瑚礁鱼类竞争压力查询和资源分配方法，包括如下步骤：1)根据目标珊瑚礁的鱼类种群和珊瑚礁之间的距离值，并根据距离值分析得到一个固定值作为目标珊瑚礁的鱼类种群的依赖标准；2)选取目标珊瑚礁的鱼类种群和珊瑚礁，构建竞争图；3)对竞争图做改进的LSH，估算出每个珊瑚礁鱼类点和其他珊瑚礁鱼类点的邻域重叠度；4)定义资源竞争度和竞争值；5)根据竞争值获取一个固定值作为压力标准，竞争值超过压力标准的鱼类种群被视为过压鱼群；6)定义总体竞争压力，以对目标海域的珊瑚礁鱼类总体竞争压力进行评估；7)制定资源分配策略，对总体竞争压力过高的鱼类种群周边的依赖标准以内的范围进行筛选，获得人工礁放置位置。
-
公开(公告)号：CN110309827B
公开(公告)日：2022-10-14
申请号：CN201910371329.1
申请日：2019-05-06
Applicant: 上海海洋大学
IPC: G06V10/762 , G06V10/25 , G06T7/11 , G06T7/13
Abstract: 本发明公开了一种基于OCT图像的水肿区域分割算法，包括如下步骤：1)图像预处理，采用高斯滤波对待分割的OCT图像进行预处理；2)水肿区域粗分割，基于K‑means算法对OCT图像进行粗分割，得到OCT图像的感兴趣区域；3)水肿区域细分割，将OCT图像的感兴趣区域的作为初始边界，基于改进的水平集算法对OCT图像进行细分割。本发明减少了边界线检测计算迭代次数，提高了分割效率；时间效率提高了约23％，迭代次数减少了约30％。本发明在分割精度方面：利用SPF函数替代边缘停止函数改进了现有的水平集模型，得出的模型可收敛到ROI内部的水肿区域，从而实现OCT图像水肿区域的分割。
-
公开(公告)号：CN114821322A
公开(公告)日：2022-07-29
申请号：CN202210452243.3
申请日：2022-04-27
Applicant: 上海海洋大学
IPC: G06V20/10 , G06V10/77 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于注意力机制的小样本遥感影像分类方法，包括：获取元任务中支持集的高维空间特征和查询集的查询特征；对支持集的高维空间特征进行处理获得类原型特征；对查询特征和不同的类原型特征之间的距离进行度量，完成分类。除此之外，还提出了一种基于注意力机制的小样本遥感影像分类系统。上述基于注意力机制的小样本遥感影像分类方法和系统，在实际应用中，使得遥感影像分类性能更优，泛化能力强，对未参与训练的数据集识别效果好，分类精度高，同时不需要研究工作者进行复杂和冗余的数据处理工作，能够大大降低人工成本，提高各领域对遥感影像分类的效率以及准确率，提高工作效率。
-
公开(公告)号：CN109190491B
公开(公告)日：2021-08-31
申请号：CN201810897727.2
申请日：2018-08-08
Applicant: 上海海洋大学
Abstract: 本发明提供一种残差卷积神经网络SAR影像海冰分类方法，包括步骤：获取SAR影像数据；处理SAR影像数据获得训练数据集和测试数据集；设计残差卷积神经网络模型并利用训练数据集训练残差神经网络模型，获得基本的海冰分类模型；将训练数据集同时输入多个已训练好的海冰分类模型，利用集成学习思想组合单个模型的分类结果得到最终海冰分类的优化模型，并通过改变模型的个数，确定集成策略中最佳的模型数量；利用优化残差卷积神经网络模型对待分类SAR影像数据分类。本发明的一种残差卷积神经网络SAR影像海冰分类方法，可快速得到详细的具有海冰分布信息的海冰解译图，给海上作业人员提供参考。
-
Patent Agency Ranking
公开(公告)号：CN112766194A
公开(公告)日：2021-05-07
申请号：CN202110101082.9
申请日：2021-01-26
Applicant: 上海海洋大学
Abstract: 本发明公开了一种海洋中尺度涡检测方法包括：采集包含所述中尺度涡的海平面异常数据；对采集的数据预处理，构建中尺度涡数据集；将中尺度涡数据集输入至ResNet主干网络中，初步提取中尺度涡特征；特征金字塔网络获取所述提取中尺度涡特征，并融合所述中尺度涡的低层和高层特征，获取中尺度涡的语义信息强的多尺度特征图；在语义信息强的多尺度特征图中的每个像素点生成由尺度、长宽比和角度控制的旋转锚，获取中尺度涡的带有旋转锚的多尺度特征图；将带有旋转锚的多尺度特征图输入分类子网络和回归子网络中，获取分类子网络输出的类别置信分数和回归子网络输出的位置信息，最后通过非极大值抑制获取所述中尺度涡的最终检测结果。
-
公开(公告)号：CN112232180A
公开(公告)日：2021-01-15
申请号：CN202011094743.1
申请日：2020-10-14
Applicant: 上海海洋大学
Abstract: 本发明公开了一种夜晚水下鱼类目标检测方法，所述目标检测方法包括：按一定时间间隔获取夜晚水下鱼类图像；使用MSRCP算法对所述夜晚水下鱼类图像进行图像增强处理，获取增强后夜晚水下鱼类图像；将所述增强后夜晚水下鱼类图像输入已训练的DetNASNet主干网络进行特征信息提取；将提取的所述特征信息输入经Soft‑NMS算法优化后的Cascade R‑CNN模型进行目标检测；获取所述夜晚水下鱼类目标检测结果。该方法避免了夜晚环境下光照对目标检测所造成的不良影响，提高了水下鱼类图像的色彩质量，可以有效去除重复的候选框，利用更加高效的目标检测主干网络，使得夜晚水下鱼类的目标检测更加精准、高效。
-
公开(公告)号：CN111627047A
公开(公告)日：2020-09-04
申请号：CN202010428204.0
申请日：2020-05-20
Applicant: 上海海洋大学
Abstract: 本发明提供一种水下鱼类动态视觉序列运动目标检测方法，包括步骤：S1：获取水下鱼类视频数据集；S2：对水下鱼类视频数据集进行预处理，获得预处理视频帧图像集；S3：利用GMG背景去除算法提取预处理视频帧图像集中各预处理视频帧图像的前景；S4：利用LBP算法提取获得前景图像集的纹理特征集，并对前景图像集进行灰度值特征提取获得灰度特征集；S5：分别利用纹理特征集和灰度特征集对PLS分类器进行训练；S6：利用最优PLS分类器对水下鱼视频序列进行目标检测。本发明的一种水下鱼类动态视觉序列运动目标检测方法，可实现对水下鱼类目标的快速检测，并可减少传统方法人工检测以及深度学习中的大量人工标记。
-
公开(公告)号：CN108235001B
公开(公告)日：2020-07-10
申请号：CN201810083621.9
申请日：2018-01-29
Applicant: 上海海洋大学
IPC: H04N17/00
Abstract: 本发明涉及一种基于时空特征的深海视频质量客观评价模型，所述的评价模型包括以下步骤：步骤S1、深海视频样本集进行时间域学习，提取基于时间域维度的特征向量；步骤S2、深海视频样本集进行空间域学习，提取基于空间域维度的特征向量；步骤S3、时间域和空间域的特征融合，构成最终的深海视频质量分类的数据集；步骤S4、半监督深海视频质量分类器分类；步骤S5、深海视频质量客观评价模型建立。其优点表现在：建立深海视频质量客观评估模型，提供面向公众的客观质量评价服务。将实现对各类水下图像/视频增强算法应用于深海视频质量的改善效果进行评估，提高基于深海视频研究的工作效率。
-
公开(公告)号：CN110781353A
公开(公告)日：2020-02-11
申请号：CN201911007095.9
申请日：2019-10-22
Applicant: 上海海洋大学
IPC: G06F16/901 , G06F16/903 , G06N3/00 , G06Q50/26
Abstract: 本发明公开了一种基于竞争图的珊瑚礁鱼类竞争压力查询和资源分配方法，包括如下步骤：1)根据目标珊瑚礁的鱼类种群和珊瑚礁之间的距离值，并根据距离值分析得到一个固定值作为目标珊瑚礁的鱼类种群的依赖标准；2)选取目标珊瑚礁的鱼类种群和珊瑚礁，构建竞争图；3)对竞争图做改进的LSH，估算出每个珊瑚礁鱼类点和其他珊瑚礁鱼类点的邻域重叠度；4)定义资源竞争度和竞争值；5)根据竞争值获取一个固定值作为压力标准，竞争值超过压力标准的鱼类种群被视为过压鱼群；6)定义总体竞争压力，以对目标海域的珊瑚礁鱼类总体竞争压力进行评估；7)制定资源分配策略，对总体竞争压力过高的鱼类种群周边的依赖标准以内的范围进行筛选，获得人工礁放置位置。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.024 seconds)
