-
公开(公告)号：CN110070485A
公开(公告)日：2019-07-30
申请号：CN201910268594.7
申请日：2019-04-04
Applicant: 南京信息工程大学
IPC: G06T3/00
Abstract: 本发明公开了一种高光谱图像降维方法，包括以下步骤：首先，使用过分割方法将原始的高光谱图像分成不相重叠的超像素；紧接着，由于一个超像素内的像素点通常属于同一类物体，本发明使用类内图来描述这种空间信息；最后，将基于超像素级的类内图作为正则项引入到LGDE模型中。此外，为了有效地捕捉高光谱图像的非线性特征，本发明将线性LGDE扩展成核版本。和原始像素点分类方法(RAW)、主成分分析(PCA)、线性判别分析(LDA)方法、谱空线性判别分析(SSLDA)方法、局部保留投影(LPP)方法、基于协同图的判别分析(CGDE)方法、基于稀疏图的判别分析(SGDE)方法、基于局部图的判别分析(LGDE)方法相比，在相同的实验条件下，本发明方法的分类结果更加准确。
-
公开(公告)号：CN109409303A
公开(公告)日：2019-03-01
申请号：CN201811287109.2
申请日：2018-10-31
Applicant: 南京信息工程大学
CPC classification number: G06K9/00228 , G06K9/00268 , G06K9/00288 , G06T7/344 , G06T2207/20081 , G06T2207/20084 , G06T2207/30201
Abstract: 本发明提供了一种基于深度的级联多任务人脸检测与配准方法，包括如下步骤：步骤1：调整图像尺寸形成图像金字塔；步骤2：将步骤1得到的不同尺寸的图像分别送入P-Net网络，预测得到原图像人脸候选框；步骤3：将步骤2得到的所有人脸框内的图像尺寸设定为n×n后输入R-Net网络，进行人脸或非人脸的判断，并对人脸框进行bounding box回归；步骤4：将步骤3得到的所有人脸框内的图像尺寸设定为m×m后输入O-Net网络，进行人脸或非人脸的判断，并对人脸框进行bounding box回归，同时输出左右眼睛中心以及鼻尖、左右嘴角位置的坐标；步骤5：将步骤4得到的所有人脸框内的图像尺寸设定为k×k后输入L-Net网络，最后得到原图像头部姿态的三维角度大小和若干个特征点的位置。
-
公开(公告)号：CN105224935B
公开(公告)日：2018-08-24
申请号：CN201510713055.1
申请日：2015-10-28
Applicant: 南京信息工程大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于Android平台的实时人脸关键点定位方法，属于计算机视觉技术领域。本发明方法包括以下步骤：收集人脸训练图片集，并标定关键点；随机选取训练集中的n个样本作为每一个训练样本的初始形状；计算每一个训练样本标准化目标；提取每一个关键点的形状索引特征；采用相关性分析方法选择适量的特征；采用两层增强回归结构(外部层和内部层)；计算每一个阶段的回归器；使用人脸检测的方法估计人脸窗口，根据训练好的回归模型预测人脸关键点位置。目前已有的方法计算复杂度较高，在移动平台上运行过慢；而且对噪声敏感，定位的精度低。本发明以样本的线性组合来约束形状，应用基于回归的方法提高了人脸关键点定位的精度和效率。
-
公开(公告)号：CN108268890A
公开(公告)日：2018-07-10
申请号：CN201711462907.X
申请日：2017-12-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于空谱长短时记忆网络的高光谱图像分类方法，包括以下步骤：首先，针对每一个像素点，将该像素点不同通道的光谱值依次输入到光谱长短时记忆网络中，来提取像素点的光谱特征并得到基于光谱域的分类结果；与此同时，利用主成分分析将高光谱图像的第一个主成分提取出来，然后，将主成分中以上述像素点为中心的局部图像块按行拆成一组行向量依次输入到空间长短时记忆网络中，来学习像素点的空间特征并得到基于空间域的分类结果；最后，对像素点基于空间特征和光谱特征的两种分类结果使用决策融合得到联合的空谱分类结果。
-
公开(公告)号：CN106043617B
公开(公告)日：2018-03-13
申请号：CN201610551394.9
申请日：2016-07-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种避让障碍且防倾覆的无人船及其避让和防倾覆的方法，船体上设有防倾覆装置和避让装置；防倾覆装置包括被动式防倾覆结构和主动式防倾覆结构。与现有技术相比，本发明的有益效果是：船体上设有防倾覆装置和避让装置；防倾覆装置包括被动式防倾覆结构和主动式防倾覆结构，被动防倾覆方案是在船体上安装船翼，被动增加将要侧倾时的阻力，减小侧倾可能性，船身周围还会贴上缓冲垫以减小未知冲击力，该设计可以提高船体的稳定性，避让装置可以防止无人船碰撞障碍物而造成船体的损失，并帮助无人船顺利避让障碍。
-
Patent Agency Ranking
公开(公告)号：CN106292744A
公开(公告)日：2017-01-04
申请号：CN201610848156.4
申请日：2016-09-23
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于投影法的海气高光谱辐射自动观测系统，包含高光谱仪、太阳自动跟踪转盘，所述太阳自动跟踪转盘包括时钟模块、输入模块、电机驱动模块、转盘、控制器模块和供电模块；所述高光谱仪包含一光电跟踪模块，所述时钟模块、输入模块和供电模块分别和控制器模块连接，所述控制器模块依次通过电机驱动模块、转盘连接光电跟踪模块；与传统的人工观测相比，本自动化观测系统提高了观测的效率，降低了观测的劳动强度。通过太阳轨道跟踪方法和投影法相结合实现观测平面与太阳直射平面始终保持观测角度，提高了观测的精度，同时避免了太阳轨道跟踪方法的累积误差，以及单纯投影法存在的阴天无法使用的情况。
-
公开(公告)号：CN105910851A
公开(公告)日：2016-08-31
申请号：CN201610443264.3
申请日：2016-06-20
Applicant: 南京信息工程大学
CPC classification number: G01N1/14 , G01N1/16 , G01N2001/1418
Abstract: 本发明涉及一种水样采集系统，包括电源、开关、若干个水下集水系统、支撑架、拉杆，若干个水下集水系统设置在支撑架上，支撑架上端连接拉杆，所述水下集水系统包括集水瓶、电磁阀、过滤网、真空泵、污水瓶，集水瓶下端依次连接电磁阀、过滤网，集水瓶上端连接真空泵，集水瓶一侧通过导管连接污水瓶，所述电源与开关连接，开关分别与若干个水下集水系统上的电磁阀连接，本发明解决了采集水样时效性、可靠性、灵活性差和对于大型湖泊或海洋等大区域水域采集水样困难的问题。
-
公开(公告)号：CN105224935A
公开(公告)日：2016-01-06
申请号：CN201510713055.1
申请日：2015-10-28
Applicant: 南京信息工程大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于Android平台的实时人脸关键点定位方法，属于计算机视觉技术领域。本发明方法包括以下步骤：收集人脸训练图片集，并标定关键点；随机选取训练集中的n个样本作为每一个训练样本的初始形状；计算每一个训练样本标准化目标；提取每一个关键点的形状索引特征；采用相关性分析方法选择适量的特征；采用两层增强回归结构(外部层和内部层)；计算每一个阶段的回归器；使用人脸检测的方法估计人脸窗口，根据训练好的回归模型预测人脸关键点位置。目前已有的方法计算复杂度较高，在移动平台上运行过慢；而且对噪声敏感，定位的精度低。本发明以样本的线性组合来约束形状，应用基于回归的方法提高了人脸关键点定位的精度和效率。
-
公开(公告)号：CN105117739A
公开(公告)日：2015-12-02
申请号：CN201510457010.2
申请日：2015-07-29
Applicant: 南京信息工程大学
IPC: G06K9/66
CPC classification number: G06K9/66
Abstract: 本发明公开了一种基于卷积神经网络的服装分类方法，包括以下步骤：获取服装图像样本，并分为训练样本和测试样本；对训练样本和测试样本进行预处理；构建卷积神经网络模型；利用预处理后的训练样本对卷积神经网络模型进行前向传播和后向传播两个阶段的训练，当后向传播训练计算出的误差达到期望值时，训练结束，并得到卷积神经网络模型的参数；利用训练结束的卷积神经网络模型对预处理后的测试样本进行测试，并输出最终服装分类结果。本发明设计的卷积神经网络框架可以把服装图像直接作为网络的输入，隐式地对图像的特征进行提取，建立全局的特征表达，相比于人工设计的特征提取更加方便和精确，解决了现有算法对衣服分类准确率低的问题。
-
公开(公告)号：CN104504389A
公开(公告)日：2015-04-08
申请号：CN201410798632.7
申请日：2014-12-18
Applicant: 南京信息工程大学
CPC classification number: G06K9/6268 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的为卫星云量计算方法，先建立包含6000~8000训练样本的卫星云图训练样本，手动在卫星云图中标注出各2000~3000样本的厚云，薄云和晴空云图块，以此作为卷积神经网络的训练样本；再将训练样本和卫星云图进行预处理作为卷积神经网络的数据输入，然后进行卷积神经网络检测，以此检测云图中各厚云，薄云和晴空区域所在位置；最后根据云图中厚云、薄云和晴空的位置，分别计算其灰度值，根据其灰度值来进行卫星云图的云量计算。本发明可以把卫星云图图像直接作为CNN的输入，而且将特征提取功能融入神经网络，隐式的对图像的特征进行提取，比现有技术更加方便和精确，具有重要的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
159
records
(took 0.035 seconds)
