-
公开(公告)号：CN106127725B
公开(公告)日：2019-01-22
申请号：CN201610323595.3
申请日：2016-05-16
Applicant: 北京工业大学
Abstract: 一种基于多分辨率CNN的毫米波雷达云图分割方法属于图像分割领域。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，其特征在于充分利用了云图上下文的信息，通过将三个不同分辨率的图像区域分别输入到三个相同参数配置的CNN网络中来学习云图的局部和全局特征，然后将学习到的特征通过神经网络的分类器可以实现“云”和“非云”的分类，进而实现云图的分割，最后综合三个网络的分割结果将云图的分割准确度达到了99.67％。
-
公开(公告)号：CN107016677A
公开(公告)日：2017-08-04
申请号：CN201710182281.0
申请日：2017-03-24
Applicant: 北京工业大学
Abstract: 一种基于FCN和CNN的云图分割方法属于计算机视觉的图像分割领域。其特征在于：首先通过超像素对云图中每个像素点的近邻域实现相应的聚类同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中，实现云图的预分割结果；FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域，FCN8s结果图中的白色区域一定是云图中的一部分“云”区域；剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定，需要选取超像素区域中的关键像素来代表超像素区域的特征，像素的特征通过CNN网络来判断是“云”或者是“非云”。本发明发现而精度与MR‑CNN、SP‑CNN相当，但是速度相比于MR‑CNN提高了880倍，相比于SP‑CNN提高了1.657倍。
-
公开(公告)号：CN106951836A
公开(公告)日：2017-07-14
申请号：CN201710125666.3
申请日：2017-03-05
Applicant: 北京工业大学
Abstract: 本发明应用于图像分割和农业气象观测领域，具体涉及图像特征提取与识别。研究基于深度学习的作物与背景的自动分割问题，提出基于RGB和HSI先验阈值优化卷积神经网络(RGB‑HSI‑CNN)的作物图像分割提取覆盖度方法，保留绿色植物的边缘并解决光照等影响，区分作物与杂草及土地，得到绿色作物的覆盖度。具体步骤：1、基于RGB、HSI阈值限定的图像预处理；2、训练样本集、验证样本集及测试样本集的制作；3、基于卷积神经网络的作物图像分割算法；4、分割评价。
-
公开(公告)号：CN105069003A
公开(公告)日：2015-11-18
申请号：CN201510331056.X
申请日：2015-06-15
Applicant: 北京工业大学
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 一种基于转发链相似度的用户关注对象推荐计算方法，涉及网络分析和推荐系统领域。本发明获取收藏条目到原始收藏条目的数据，以转发的收藏条目的创建用户来代表该转发链上的结点；引入最小操作代价函数作为相似度计算的初步输入；结合转发链长度以及转发链的信息流向根据最小操作代价值计算转发链间的相似度；根据转发链之间相同用户节点产生候选的推荐用户，利用目标用户转发链集合中转发链数据两两之间的相似度，结合转发链路径长度以及转发链上的候选用户密度对候选推荐用户目标计算推荐权重值；对候选用户权重值排序产生推荐结果。本发明利用用户的转发行为及转发对应的关系数据进行用户的潜在关注对象挖掘，实现用户关注推荐。
-
Patent Agency Ranking
公开(公告)号：CN106951836B
公开(公告)日：2019-12-13
申请号：CN201710125666.3
申请日：2017-03-05
Applicant: 北京工业大学
Abstract: 本发明应用于图像分割和农业气象观测领域，具体涉及图像特征提取与识别。研究基于深度学习的作物与背景的自动分割问题，提出基于RGB和HSI先验阈值优化卷积神经网络(RGB‑HSI‑CNN)的作物图像分割提取覆盖度方法，保留绿色植物的边缘并解决光照等影响，区分作物与杂草及土地，得到绿色作物的覆盖度。具体步骤：1、基于RGB、HSI阈值限定的图像预处理；2、训练样本集、验证样本集及测试样本集的制作；3、基于卷积神经网络的作物图像分割算法；4、分割评价。
-
公开(公告)号：CN106127725A
公开(公告)日：2016-11-16
申请号：CN201610323595.3
申请日：2016-05-16
Applicant: 北京工业大学
CPC classification number: G06N3/08 , G06T2207/10044
Abstract: 一种基于多分辨率CNN的毫米波雷达云图分割方法属于图像分割领域。利用毫米波云雷达获取高时空分辨率的水平垂直结构的云演变图，其特征在于充分利用了云图上下文的信息，通过将三个不同分辨率的图像区域分别输入到三个相同参数配置的CNN网络中来学习云图的局部和全局特征，然后将学习到的特征通过神经网络的分类器可以实现“云”和“非云”的分类，进而实现云图的分割，最后综合三个网络的分割结果将云图的分割准确度达到了99.67％。
-
公开(公告)号：CN107016677B
公开(公告)日：2020-01-17
申请号：CN201710182281.0
申请日：2017-03-24
Applicant: 北京工业大学
Abstract: 一种基于FCN和CNN的云图分割方法属于计算机视觉的图像分割领域。其特征在于：首先通过超像素对云图中每个像素点的近邻域实现相应的聚类同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中，实现云图的预分割结果；FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域，FCN8s结果图中的白色区域一定是云图中的一部分“云”区域；剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定，需要选取超像素区域中的关键像素来代表超像素区域的特征，像素的特征通过CNN网络来判断是“云”或者是“非云”。本发明发现而精度与MR‑CNN、SP‑CNN相当，但是速度相比于MR‑CNN提高了880倍，相比于SP‑CNN提高了1.657倍。
-
公开(公告)号：CN105069003B
公开(公告)日：2018-06-29
申请号：CN201510331056.X
申请日：2015-06-15
Applicant: 北京工业大学
Abstract: 一种基于转发链相似度的用户关注对象推荐计算方法，涉及网络分析和推荐系统领域。本发明获取收藏条目到原始收藏条目的数据，以转发的收藏条目的创建用户来代表该转发链上的结点；引入最小操作代价函数作为相似度计算的初步输入；结合转发链长度以及转发链的信息流向根据最小操作代价值计算转发链间的相似度；根据转发链之间相同用户节点产生候选的推荐用户，利用目标用户转发链集合中转发链数据两两之间的相似度，结合转发链路径长度以及转发链上的候选用户密度对候选推荐用户目标计算推荐权重值；对候选用户权重值排序产生推荐结果。本发明利用用户的转发行为及转发对应的关系数据进行用户的潜在关注对象挖掘，实现用户关注推荐。
-
公开(公告)号：CN106651886A
公开(公告)日：2017-05-10
申请号：CN201710000627.0
申请日：2017-01-03
Applicant: 北京工业大学
CPC classification number: G06K9/6223 , G06N3/084 , G06T2207/30192
Abstract: 本发明提供一种基于超像素聚类优化CNN的云图分割方法。该方法首先利用均值漂移算法把一幅原本是像素级的图，划分成一个又一个区域级的超像素组成的图，而这些超像素中提取出有效的信息是相同的。再将这些足以代表该区域总体特征的核心点为中心的区域的图像输入到我们已经通过CNN训练好的网络中，得到该核心点的标签，进而表征该超像素对应的标签，最后将不同的区域的结果进行组合，就可以得到最优的分割结果。本发明引入超像素，保证了像素的一致性，将云图的分割准确度达到了99.55％，在保证分割精度的前提下极大地提升了分割的速度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
