-
Patent Agency Ranking
公开(公告)号：CN111695529A
公开(公告)日：2020-09-22
申请号：CN202010544700.2
申请日：2020-06-15
Applicant: 北京师范大学
Abstract: 本发明公开了一种基于人体骨骼关键点检测算法的X射线源检测方法，属于天体源的发现、识别技术领域，包括以下步骤：S10、基于卷积神经网络构建X射线源检测网络；X射线源检测网络包括依次设置的定位网络、局部极大值提取算法、关键点区域特征提取算法和强度预测网络；S20、使用宽视场巡天望远镜观测图像训练样本对X射线源检测网络进行训练；S30、将待识别的宽视场巡天望远镜观测图像输入训练完成的X射线源检测网络，得到待识别的宽视场巡天望远镜观测图像的流量强度预测值。本发明能够从观测图像中排除噪声提取出源的数据信息，支持延展源，具有对距离相近的源分辨能力；同时，在测试数据上定位准确率和召回率均能达到99％以上。
-
公开(公告)号：CN111695636B
公开(公告)日：2023-07-14
申请号：CN202010543653.X
申请日：2020-06-15
Applicant: 北京师范大学
IPC: G06V10/764 , G06V10/82 , G06V10/58 , G06V10/26 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的高光谱图像分类方法，包括：S1：获取待处理区域的高光谱图像数据，对所述高光谱图像数据进行预处理；S2：对经过预处理的所述高光谱图像数据进行超像素分割，得到分割的超像素；S3：将所述超像素构建图数据，相邻超像素构建边；S4：利用图神经网络模型对所述图数据进行训练，得到分类结果；本发明提高最终分类结果的精度和效果。
-
公开(公告)号：CN111242201A
公开(公告)日：2020-06-05
申请号：CN202010014622.5
申请日：2020-01-07
Applicant: 北京师范大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于对抗生成网络的半监督恒星光谱分类方法：该方法是基于已知训练样本较少情况下的分类方法。由于已知特定天体的光谱数量非常少，想要对特定天体的光谱进行分类，然而使用传统的基于机器学习和统计的分类方法需要大量已知的数据来训练分类模型。因此，本方法与监督方法不同，所提出的方法可以充分利用大量未标记的样本，其包含两部分：捕获数据分布的生成器和确定样本是否由实际数据组成的判别器。然后利用少量带标签的数据对训练好的判别器再进行训练，即可得到较好的分类模型。利用真实世界光谱数据，并且是光谱数据数量有限的情况下，评估模型的性能，实验结果表明该模型在分类精度方面优于其他方法。
-
公开(公告)号：CN111695529B
公开(公告)日：2023-04-25
申请号：CN202010544700.2
申请日：2020-06-15
Applicant: 北京师范大学
IPC: G06V20/00 , G06V10/82 , G06V10/44 , G06V10/46 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于人体骨骼关键点检测算法的X射线源检测方法，属于天体源的发现、识别技术领域，包括以下步骤：S10、基于卷积神经网络构建X射线源检测网络；X射线源检测网络包括依次设置的定位网络、局部极大值提取算法、关键点区域特征提取算法和强度预测网络；S20、使用宽视场巡天望远镜观测图像训练样本对X射线源检测网络进行训练；S30、将待识别的宽视场巡天望远镜观测图像输入训练完成的X射线源检测网络，得到待识别的宽视场巡天望远镜观测图像的流量强度预测值。本发明能够从观测图像中排除噪声提取出源的数据信息，支持延展源，具有对距离相近的源分辨能力；同时，在测试数据上定位准确率和召回率均能达到99％以上。
-
公开(公告)号：CN111695636A
公开(公告)日：2020-09-22
申请号：CN202010543653.X
申请日：2020-06-15
Applicant: 北京师范大学
Abstract: 本发明公开了一种基于图神经网络的高光谱图像分类方法，包括：S1：获取待处理区域的高光谱图像数据，对所述高光谱图像数据进行预处理；S2：对经过预处理的所述高光谱图像数据进行超像素分割，得到分割的超像素；S3：将所述超像素构建图数据，相邻超像素构建边；S4：利用图神经网络模型对所述图数据进行训练，得到分类结果；本发明提高最终分类结果的精度和效果。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
