-
公开(公告)号：CN118213011A
公开(公告)日：2024-06-18
申请号：CN202410635661.5
申请日：2024-05-22
Applicant: 之江实验室
Abstract: 本申请涉及一种星云光谱分子证认方法、电子装置和存储介质，包括：获取星云光谱的光谱数据；基于光谱分子权重拟合生成对应于每条光谱数据的第一向量表征；基于预设的随机游走规则生成随机游走路径并训练词向量模型，学习得到每个光谱数据的第二向量表征；根据历史星云光谱的第一向量表征迭代更新待检测星云光谱的第二向量表征，得到待检测星云光谱的第三向量表征；根据第三向量表征拟合待检测星云光谱的光谱曲线，在待检测星云光谱的光谱曲线中确定出与实际测量所得光谱曲线中的分子权重最相近的目标星云光谱，以此确定待检测星云光谱的分子组成；解决了光谱中分子证认效率低的问题，提升了光谱分子的证认效率。
-
公开(公告)号：CN117876263B
公开(公告)日：2024-05-17
申请号：CN202410287648.5
申请日：2024-03-13
Applicant: 之江实验室
IPC: G06T5/73 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本说明书公开了一种天文图像处理方法及装置，该方法利用天文望远镜等天文观测设备所获取的观测图像作为训练样本。并基于天文观测设备的先验物理信息构建深度学习网络。通过使用训练样本和深度学习网络，对天文图像处理模型进行训练。该方法将待处理图像输入到天文图像处理模型中，以获取相应的去卷积图像。通过上述方案，天文观测设备的先验物理信息被引入到天文图像处理模型的训练过程中。这样一来，针对天文观测设备中波束效应或点扩散函数的去卷积任务的困难得到了显著减轻，并且天文图像处理的效率也得到了提高。
-
公开(公告)号：CN117786417A
公开(公告)日：2024-03-29
申请号：CN202410223117.X
申请日：2024-02-28
Applicant: 之江实验室
IPC: G06F18/214 , G06F18/2415 , G06F18/2431 , G06F18/25 , G06N5/04 , G06F123/02
Abstract: 本说明书公开了一种模型训练方法、瞬变源的识别方法、装置及电子设备。在此方法中，针对每个历史时序数据，通过对该历史时序数据进行预处理，得到处理后时序数据，并将该历史时序数据对应的处理后时序数据与其他历史时序数据对应的处理后时序数据进行拼接，得到拼接后数据，然后，对拼接后数据中的部分数据进行遮盖后，使用遮盖后数据输入到待训练的分类模型中，以使待训练的分类模型可以根据遮盖后数据提取出的特征数据，预测出遮盖后数据中被遮盖的数据以及判别结果，而后，以最小化预测出的遮盖后数据中被遮盖的数据与遮盖后数据中被遮盖的实际数据之间的偏差，以及最小化判别结果与实际判别结果之间的偏差为优化目标，对分类模型进行训练。
-
公开(公告)号：CN118152762B
公开(公告)日：2024-08-20
申请号：CN202410580492.X
申请日：2024-05-11
Applicant: 之江实验室
IPC: G06F18/20 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及一种基于深度学习的中性氢源识别与分割方法、装置和介质，其中，基于深度学习的中性氢源识别与分割方法包括：对射电望远镜的天体观测数据进行数据处理，获得由多个三维光谱数据组成的数据集；对各所述三维光谱数据的中性氢源进行识别并进行标注，获得样本数据集；将所述样本数据集输入至3D‑Unet网络模型中，对所述3D‑Unet网络模型进行训练，得到中性氢源检测模型；将待识别的三维光谱数据输入至所述中性氢源检测模型中，获得中性氢源检测结果。解决了相关技术中对中性氢源识别效率低且精度有限的问题，实现了对中性氢源快速高效且精确的识别与分割。
-
Patent Agency Ranking
公开(公告)号：CN117786417B
公开(公告)日：2024-05-10
申请号：CN202410223117.X
申请日：2024-02-28
Applicant: 之江实验室
IPC: G06F18/214 , G06F18/2415 , G06F18/2431 , G06F18/25 , G06N5/04 , G06F123/02
Abstract: 本说明书公开了一种模型训练方法、瞬变源的识别方法、装置及电子设备。在此方法中，针对每个历史时序数据，通过对该历史时序数据进行预处理，得到处理后时序数据，并将该历史时序数据对应的处理后时序数据与其他历史时序数据对应的处理后时序数据进行拼接，得到拼接后数据，然后，对拼接后数据中的部分数据进行遮盖后，使用遮盖后数据输入到待训练的分类模型中，以使待训练的分类模型可以根据遮盖后数据提取出的特征数据，预测出遮盖后数据中被遮盖的数据以及判别结果，而后，以最小化预测出的遮盖后数据中被遮盖的数据与遮盖后数据中被遮盖的实际数据之间的偏差，以及最小化判别结果与实际判别结果之间的偏差为优化目标，对分类模型进行训练。
-
公开(公告)号：CN118152762A
公开(公告)日：2024-06-07
申请号：CN202410580492.X
申请日：2024-05-11
Applicant: 之江实验室
IPC: G06F18/20 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本申请涉及一种基于深度学习的中性氢源识别与分割方法、装置和介质，其中，基于深度学习的中性氢源识别与分割方法包括：对射电望远镜的天体观测数据进行数据处理，获得由多个三维光谱数据组成的数据集；对各所述三维光谱数据的中性氢源进行识别并进行标注，获得样本数据集；将所述样本数据集输入至3D‑Unet网络模型中，对所述3D‑Unet网络模型进行训练，得到中性氢源检测模型；将待识别的三维光谱数据输入至所述中性氢源检测模型中，获得中性氢源检测结果。解决了相关技术中对中性氢源识别效率低且精度有限的问题，实现了对中性氢源快速高效且精确的识别与分割。
-
公开(公告)号：CN117876263A
公开(公告)日：2024-04-12
申请号：CN202410287648.5
申请日：2024-03-13
Applicant: 之江实验室
IPC: G06T5/73 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本说明书公开了一种天文图像处理方法及装置，该方法利用天文望远镜等天文观测设备所获取的观测图像作为训练样本。并基于天文观测设备的先验物理信息构建深度学习网络。通过使用训练样本和深度学习网络，对天文图像处理模型进行训练。该方法将待处理图像输入到天文图像处理模型中，以获取相应的去卷积图像。通过上述方案，天文观测设备的先验物理信息被引入到天文图像处理模型的训练过程中。这样一来，针对天文观测设备中波束效应或点扩散函数的去卷积任务的困难得到了显著减轻，并且天文图像处理的效率也得到了提高。
-
公开(公告)号：CN118644697A
公开(公告)日：2024-09-13
申请号：CN202410563863.3
申请日：2024-05-08
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/42
Abstract: 本说明书提供了模型训练的方法、图像识别的方法、装置及电子设备，通过将获取到的样本图像输入到图像识别模型中，可以通过图像识别模型，随机生成针对特征提取层的各特征提取窗口，以通过各特征提取窗口，对样本图像进行特征提取，并将每个特征提取窗口提取出的子特征图按照不重叠的方式进行组合，得到与样本图像尺寸相同的特征图，将该特征图输入到图像识别模型中的识别层中，得到识别结果，并以最小化该识别结果与样本图像对应的标签结果之间的偏差为优化目标，对图像识别模型进行训练。
-
公开(公告)号：CN118213011B
公开(公告)日：2024-08-13
申请号：CN202410635661.5
申请日：2024-05-22
Applicant: 之江实验室
Abstract: 本申请涉及一种星云光谱分子证认方法、电子装置和存储介质，包括：获取星云光谱的光谱数据；基于光谱分子权重拟合生成对应于每条光谱数据的第一向量表征；基于预设的随机游走规则生成随机游走路径并训练词向量模型，学习得到每个光谱数据的第二向量表征；根据历史星云光谱的第一向量表征迭代更新待检测星云光谱的第二向量表征，得到待检测星云光谱的第三向量表征；根据第三向量表征拟合待检测星云光谱的光谱曲线，在待检测星云光谱的光谱曲线中确定出与实际测量所得光谱曲线中的分子权重最相近的目标星云光谱，以此确定待检测星云光谱的分子组成；解决了光谱中分子证认效率低的问题，提升了光谱分子的证认效率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
