-
公开(公告)号:CN119568470A
公开(公告)日:2025-03-07
申请号:CN202510135369.1
申请日:2025-02-07
Applicant: 北京林业大学
Abstract: 本发明涉及无人机技术领域,提供一种移动式无人机机巢平台、野外目标追踪方法、设备及介质,所述移动式无人机机巢平台包括中央机身和小型无人机存储仓。本发明提供的移动式无人机机巢平台,通过中央机身配置的遥感传感器实时采集大范围野外环境数据,以此来快速监测野生动物目标的大致方位,随后自动开启小型无人机存储仓,释放多架配置有不同类型近距探测传感器的小型无人机,这些无人机搭载不同类型的高精度传感器,从不同角度对野生动物目标进行感知采集,确保实现对野生动物目标的立体化追踪,减少监测盲区,能够满足大范围且高精度的野外目标追踪需求,避免了覆盖范围有限、成本高昂、人为干扰因素多等问题,极大方便了野生动物监测工作。
-
公开(公告)号:CN118397313A
公开(公告)日:2024-07-26
申请号:CN202410416473.3
申请日:2024-04-08
Applicant: 北京林业大学
Abstract: 本发明涉及古钟图像识别技术领域,具体公开了一种基于多模态知识图谱的古钟鉴别交互系统,包括收集大量的古钟图像数据,对图像进行标注和分类。构建古钟图像数据集;根据数据集提取古钟相关的属性、历史背景和文化知识,构建古钟知识图谱;基于计算机视觉技术提取古钟图像的特征,利用知识图谱中的实体和关系,将图像特征与对应的古钟属性、历史背景等进行关联,使用图像识别算法,将图像特征输入到图像识别模型中,进行古钟图像的自动识别和分类;开发古钟的三维建模算法,实现古钟的三维模型重建,提供交互式的古钟三维展示功能,能够全局观察古钟的外观、结构;古钟鉴别交互系统,具备古钟属性查询、图像识别、知识图谱、3D模型等功能。
-
公开(公告)号:CN119568470B
公开(公告)日:2025-04-29
申请号:CN202510135369.1
申请日:2025-02-07
Applicant: 北京林业大学
Abstract: 本发明涉及无人机技术领域,提供一种移动式无人机机巢平台、野外目标追踪方法、设备及介质,所述移动式无人机机巢平台包括中央机身和小型无人机存储仓。本发明提供的移动式无人机机巢平台,通过中央机身配置的遥感传感器实时采集大范围野外环境数据,以此来快速监测野生动物目标的大致方位,随后自动开启小型无人机存储仓,释放多架配置有不同类型近距探测传感器的小型无人机,这些无人机搭载不同类型的高精度传感器,从不同角度对野生动物目标进行感知采集,确保实现对野生动物目标的立体化追踪,减少监测盲区,能够满足大范围且高精度的野外目标追踪需求,避免了覆盖范围有限、成本高昂、人为干扰因素多等问题,极大方便了野生动物监测工作。
-
公开(公告)号:CN117315477A
公开(公告)日:2023-12-29
申请号:CN202311346086.9
申请日:2023-10-17
Applicant: 北京林业大学
IPC: G06V20/10 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/047 , G06N3/082 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的古建筑识别方法,属于机器学习技术领域。该方法通过改进InceptionV3卷积神经网络结构,并利用迁移学习提高训练速度,将图片输入模型后,对图片中的建筑进行特征提取,随后进行特征的权值运算得到建筑的所属类型。并将识别系统集成到软件平台,在提高识别准确率的同时,将古建筑识别系统应用到数字化建档中有助于降低建档难度,提高建档效率。采用本发明的方法,可以从客观辅助工作人员提高识别效率和准确率,从而有效针对不同的古建筑类型采取不同的保护措施。
-
公开(公告)号:CN115880529A
公开(公告)日:2023-03-31
申请号:CN202211534488.7
申请日:2022-12-02
Applicant: 北京林业大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/22 , G06N3/04
Abstract: 本发明公开了基于注意力和解耦知识蒸馏的鸟类细粒度分类方法及系统,属于计算机视觉技术领域,包括以下步骤:(1)获取鸟类数据集;(2)基于注意力引导实现数据增强,并训练教师模型;(3)基于解耦知识蒸馏压缩鸟类分类模型,实现教师模型和学生模型同时数据增强;(4)基于目标定位再识别的思想,预测阶段将目标图像输入最终的轻量级分类模型,获得最终鸟类细粒度分类结果。本发明应用于鸟类细粒度分类中,基于注意力引导实现数据增强,弥补了鸟类数据集不充足的问题;基于解耦知识蒸馏实现了鸟类分类模型的高效压缩,并在此基础上实现教师模型和学生模型同时数据增强的方法,再次提升学生模型的预测精度,获得高准确率的轻量级鸟类分类模型。
-
-
-
-