-
公开(公告)号：CN101458766A
公开(公告)日：2009-06-17
申请号：CN200810243867.4
申请日：2008-12-16
Applicant: 南京大学
Abstract: 本发明公开了一种计算机处理天文观测灰度图像信息以进行运动目标追踪的方法：将天文观测灰度图像数据存储在计算机存储设备内；对图像进行预处理；图像目标识别；图像目标追踪。本发明的方法能自动对大量的天文观测灰度图像进行计算机智能化处理，自动识别出每幅图像中的空间运动目标以及背景恒星等空间目标，并定量计算其灰度质心(表示空间目标的位置)、面积、长、宽和偏心度等空间特征；然后，根据空间运动目标移动较快的特点，在观测图像序列中结合基于Snake模型的主动轮廓追踪和特征相似性比较方法，对其中出现的空间运动目标进行自动、准确的识别和追踪。
-
公开(公告)号：CN119831839A
公开(公告)日：2025-04-15
申请号：CN202411867727.X
申请日：2024-12-18
Applicant: 南京大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种无原始域单一样本领域自适应图像超分辨率重建方法和系统，其中重建方法包括：1、利用目标域低分辨率图像和原始网络调整目标域网络中每个网络层的学习率；2、采用目标域低分辨率图像和原始域网络对目标域网络和教师网络进行初始化；3、利用目标域低分辨率图像和教师网络调整目标域网络中每个网络层的学习率；4、利用教师网络对目标域网络进行领域自适应训练；5、利用训练好的目标域网络得到重建超分辨率图像。该方法能够在不访问原始域图像并且仅有单一目标域低分辨率图像的情况下对目标域网络进行领域自适应，减少了域间隙的消极影响，有效提升了超分辨率网络在目标域的性能。
-
公开(公告)号：CN112149722B
公开(公告)日：2024-01-16
申请号：CN202010953059.8
申请日：2020-09-11
Applicant: 南京大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/774 , G06T7/11 , G06N3/088
Abstract: 本发明提供了一种基于无监督域适应的图像自动标注方法，包括：源域图像及标注的采集，目标域图像的采集；搭建检测框架，构造域分类器抽取全局特征及局部特征；使用Pytorch深度学习框架应用算法对已有数据训练，得到训练好的域适应检测模型；用已有的最新模型对测试数据集(目标域未标注图片)进行检测，得到初步检测结果；利用初步检测结果文件进行二次处理提取生成PASCAL VOC格式的xml标注文件。本发明基于域适应方法，在大量目标域数据未标注的情况下，只需要拥有与其相似的源域图片及标注数据，就可以投入训练进行数据的自动标注。相较于原来的技术，本方法灵活性好、分类精度较高、模型简单且实用性高。(56)对比文件江彪等.基于主动迁移学习的图像目标自动标注《.指挥信息系统与技术》.2021,第12卷(第5期),61-69.王鹏淇等.ObjectGAN：自动驾驶评估数据集构建《.测控技术》.2020,第39卷(第8期),112-117.Jong-Chyi Su等.Active AdversarialDomain Adaptation《.arXiv》.2020,1-12.Kuniaki Saito等.Strong-WeakDistribution Alignment for AdaptiveObject Detection《.Proceedings of theIEEE/CVF Conference on Computer Visionand Pattern Recognition (CVPR)》.2019,6956-6965.姚明海等.基于主动学习的半监督领域自适应方法研究《.高技术通讯》.2020,第30卷(第8期),783-789.Claudio Persello等.Active Learningfor Domain Adaptation in the SupervisedClassification of Remote Sensing Images.《IEEE TRANSACTIONS ON GEOSCIENCE ANDREMOTE SENSING》.2012,第50卷(第11期),4468-4483.
-
-
公开(公告)号：CN116843012A
公开(公告)日：2023-10-03
申请号：CN202310622811.4
申请日：2023-05-30
Applicant: 南京大学
IPC: G06N3/088 , G06N3/0985 , G06N3/0464 , G06N3/098 , G06Q10/04 , G06F123/02
Abstract: 本发明公开了一种融合个性化上下文和时域动态特征的时序预测方法，包含如下步骤：步骤1，对数据集中的时间序列数据进行归一化以及无重叠的窗口化；步骤2，搭建一种多任务联合训练的神经网络模型，使其能够同时捕获个性化上下文和时域动态特征，利用训练数据完成对编码器的预训练；步骤3，基于预训练后的编码器提取数据表征，完成下游预测模块的训练；步骤4，利用最终得到的编码器和预测模块，对测试数据进行预测并评估模型。本发明提供的方法通过多任务联合训练来同时提取个性化上下文和时域动态特征，丰富了编码器所提取的表征信息，能够显著提升对时间序列数据的预测效果。
-
Patent Agency Ranking
公开(公告)号：CN116739900A
公开(公告)日：2023-09-12
申请号：CN202310718400.5
申请日：2023-06-16
Applicant: 南京大学
IPC: G06T3/40 , G06T5/50 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了基于对偶注意力网络的高效图像超分辨率重建方法，包括：步骤1，搭建浅层特征提取模块；步骤2，将高维特征均匀分成两部分，用于提取相邻像素信息和远距离像素信息；步骤3，搭建相邻像素信息捕捉模块；步骤4，搭建远距离像素信息捕捉模块；步骤5，搭建通道混合注意力模块；步骤6，堆叠对偶注意力模块并加上残差操作和上采样操作结构形成一个神经网络；步骤7，使用训练图像数据集，对神经网络进行训练；步骤8，将需要进行超分辨率的图像送入神经网络，网络的输出即为图像的超分辨率结果。本发明能够对任意分辨率的图像进行任意放大倍数的超分辨率操作，且超分辨结果能同时考虑到图像的邻近像素依赖关系和远距离像素依赖关系。
-
-
公开(公告)号：CN114861932A
公开(公告)日：2022-08-05
申请号：CN202210387353.6
申请日：2022-04-13
Applicant: 南京大学
Abstract: 本发明提供了一种使用注意力网络的值分解多智能体强化学习训练方法，包括使用探索策略的经验收集和联合动作值函数计算。在计算联合动作值函数时使用了两种方法以提升效果：使用注意力网络和分离式的值分解结构。注意力网络使用全局状态作为输入，使得网络可以注意到全局状态中重要的部分，更加精确的计算权重。分离式的值分解结构采用了两层加权网络，每层网络使用不同的全局状态编码，减小超网络学习的难度。每个智能体独立的动作值函数使用超网络融合，最终输出联合动作值函数。本发明使用的注意力网络和分离式值分解结构有效的提升了学习效率，加速了模型收敛，提高了多智能体协作策略的效果。
-
公开(公告)号：CN114691827A
公开(公告)日：2022-07-01
申请号：CN202210264639.5
申请日：2022-03-17
Applicant: 南京大学
IPC: G06F16/33 , G06F16/35 , G06F40/216 , G06N5/04
Abstract: 本发明公开了一种基于迭代式筛选和预训练增强的机器阅读理解方法，包括：构建迭代式筛选网络：用HotpotQA数据集的问题和文档对训练初始筛选网络；从包含干扰文档的原始数据中找出与当前最为相关的文档；迭代筛选过程，根据初始网络得到的文档以及原始的问题，从当前文档集中筛选出与初始筛选网络和文档最为相关的支撑文档，得到与问题相关的两步支撑文档。构建阅读器网络：用预训练模型对SQuAD数据就进行微调得到单步阅读理解模型；在多步阅读理解数据集上进行两次联合训练，得到关于问题和文档的答案和支撑事实。本发明无需构建复杂的图神经网络以及对多步问题进行分解，即可实现更好的多步机器阅读理解效果。
-
公开(公告)号：CN111444919A
公开(公告)日：2020-07-24
申请号：CN202010305563.7
申请日：2020-04-17
Applicant: 南京大学
Abstract: 本发明提供了一种自然场景中的任意形状文本检测方法，包括如下步骤：步骤1，对文本图片数据集中的训练图片进行预处理；步骤2，搭建分割网络，利用所述网络完成对训练图片的特征提取、分割预测，得到文本区域和文本中心区域的预测；步骤3，利用一种随着训练过程渐进衰减的权重来控制损失函数的计算，对网络进行监督训练得到检测器模型；步骤4，对待检测图片进行检测；步骤5，通过后处理算法得到文本中心核的预测图，过滤部分错误预测区域，然后直接扩张预测文本中心核得到最终检测结果。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.083 seconds)
