-
公开(公告)号：CN116630960A
公开(公告)日：2023-08-22
申请号：CN202310463051.7
申请日：2023-04-26
Applicant: 华中农业大学
IPC: G06V20/68 , G06V10/54 , G06V10/56 , G06V10/46 , G06V10/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于纹理‑颜色多尺度残差收缩网络的玉米病害识别方法，包括以下步骤：采集实验环境和大田环境中的混合玉米叶片病害图像，并进行图像增强；通过纹理特征提取模块对训练图像进行提取得到局部二值模式特征图；将训练图像的RGB特征和纹理特征以一定比例输入纹理‑颜色二分支浅层特征提取模块，将两个分支的输出调整权重比例后连接起来；将软阈值函数、注意力机制与多尺度卷积相结合，建立多尺度残差收缩模块，将输出依次通过两个相互串联的多尺度残差收缩模块；根据输出的图像语义信息和玉米叶片病害图像对应的类别，调整网络模型参数，得到训练好的网络模型。本发明在玉米叶片病害识别方面具有优异的性能，识别精度高。
-
公开(公告)号：CN115393788B
公开(公告)日：2023-04-18
申请号：CN202210927259.5
申请日：2022-08-03
Applicant: 华中农业大学
IPC: G06V20/52 , G06V40/10 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于增强全局信息注意力的多尺度监控行人重识别方法，包括以下步骤：构建行人监控的数据集，划分为训练集和测试集；构建基于增强全局信息注意力的多尺度行人重识别网络模型，该模型以多分支深度网络模型为基础架构提取局部特征，引入增强全局信息注意力机制，通过多尺度网络提取局部特征并使用注意力为局部特征赋予全局信息；输入训练集对模型进行训练，通过多次的目标函数计算，反向传播后调整参数，直到目标函数完成收敛；通过测试集进行测试；输入待识别的查询集，通过多尺度行人重识别网络模型进行识别，得到行人重识别的结果。本发明能够有效应用于安防场景下的行人重识别，解决安防监控下行人数据所带来的问题。
-
公开(公告)号：CN115205903B
公开(公告)日：2023-05-23
申请号：CN202210890765.1
申请日：2022-07-27
Applicant: 华中农业大学
IPC: G06V40/10 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/40 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了一种基于身份迁移生成对抗网络的行人重识别方法，包括以下步骤：获取行人图像数据集，通过人体语义解析模型生成行人图像对应的语义图；构建行人重识别的整体模型，包括生成器、判别器和行人重识别网络；生成器与判别器形成基于语义图身份迁移的生成对抗网络，生成器与判别器之间采用对抗学习的方式进行训练；构造基于局部质量注意力机制的梯度增强方法，对生成对抗网络进行改进；建立生成对抗网络与行人重识别网络的联合训练模式；输入待识别的行人图像，通过训练好的行人重识别网络，输出行人重识别结果。本发明提升了行人重识别数据集的多样性，能有效提高生成图像的质量，提高行人重识别模型的识别精度。
-
公开(公告)号：CN118533184B
公开(公告)日：2024-10-18
申请号：CN202411009033.2
申请日：2024-07-26
Applicant: 华中农业大学 , 武汉烽火技术服务有限公司 , 湖北华中电力科技开发有限责任公司
Abstract: 本发明公开了一种基于不变性数据增强的多任务关联3D室内无线电定位方法，包括：收集指纹数据；利用基于环境结构不变性的指纹离线补全方法EIOC对指纹数据进行补全，包括：对指纹数据进行数据编码，将其转化为稀疏矩阵；基于稀疏矩阵学习到环境结构不变特征；基于稀疏矩阵以及环境结构不变特征，结合条件变分推断方法CVAE完成稀疏矩阵补全，得到完全矩阵；对完全矩阵进行解码，得到完全指纹数据；构建室内定位的多任务模型，利用完全指纹数据训练模型并进行室内定位。本发明设计基于环境结构不变性的指纹离线补全方法EIOC，不仅提高了数据补全的准确性，也为室内定位提供了更可靠的数据基础；此外，本发明还构建了基于位置信息相关性的在线定位方法PROL。
-
公开(公告)号：CN118397446A
公开(公告)日：2024-07-26
申请号：CN202410421535.X
申请日：2024-04-09
Applicant: 华中农业大学
IPC: G06V20/10 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/22 , G06N3/0464 , G06N3/0495 , G06N3/082
Abstract: 本发明公开了一种复杂背景下基于敏感度的轻量级水稻病害识别方法及系统，该方法包括：获取包含真实大田复杂背景图像的数据集并对其进行预处理；构建面向类间相似和复杂背景的轻量级网络模型，使用自适应全局平均池化替换全连接层，在每轮训练结束后对训练集进行划分和推理，根据卷积核对不同类别病害敏感度的评价算法计算本轮模型中敏感卷积核和非敏感卷积核；给所有非敏感卷积核后面输出的特征通道进行惩罚，在特征层后对敏感卷积核输出特征添加空间注意力；基于卷积核敏感度的通道惩罚的结构化剪枝，构造中间教师模型进行辅助微调训练；测试后输出训练好的模型。本发明能对水稻病害进行识别，在保证模型精度的同时降低了模型的复杂度。
-
Patent Agency Ranking
公开(公告)号：CN117220826B
公开(公告)日：2024-04-19
申请号：CN202310828015.6
申请日：2023-07-06
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于语义通信的农业物联网感知数据预测方法，该方法包括以下步骤：收集各类农业生产过程中所必须的环境数据，即IoA数据；发送端中，将IoA数据D送入语义编码器，从密集向量E中提取语义特征S，将语义特征S输入语义压缩器得到压缩后的语义信息Z；信道层中，将语义信息Z作为神经元的输入并加入偏置来模拟AWGN信道中信号所受到的干扰，得到信号Y；接收端中，收到的信号Y被输入进语义解码器，通过语义还原器进行数据语义恢复并输出向量#imgabs0#预测层根据向量#imgabs1#输出预测结果#imgabs2#并计算损失函数的值，通过适应性矩估计反向传播至发送端，完成SC‑ICCM网络模型的训练与更新。本发明能降低信道传输的数据量，克服噪音干扰，并有效执行预测任务。
-
公开(公告)号：CN116630960B
公开(公告)日：2024-02-20
申请号：CN202310463051.7
申请日：2023-04-26
Applicant: 华中农业大学
IPC: G06V20/68 , G06V10/54 , G06V10/56 , G06V10/46 , G06V10/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于纹理‑颜色多尺度残差收缩网络的玉米病害识别方法，包括以下步骤：采集实验环境和大田环境中的混合玉米叶片病害图像，并进行图像增强；通过纹理特征提取模块对训练图像进行提取得到局部二值模式特征图，将训练图像的RGB特征和纹理特征以一定比例输入纹理‑颜色二分支浅层特征提取模块，将两个分支的输出调整权重比例后连接起来；将软阈值函数、注意力机制与多尺度卷积相结合，建立多尺度残差收缩模块，将输出依次通过两个相互串联的多尺度残差收缩模块；根据输出的图像语义信息和玉米叶片病害图像对应的类别，调整网络模型参数，得到训练好的网络模型。本发明在玉米叶片病害识别方面具有优异的性能，识别精度高。
-
公开(公告)号：CN118378730A
公开(公告)日：2024-07-23
申请号：CN202410289833.8
申请日：2024-03-14
Applicant: 华中农业大学
IPC: G06N20/20 , G06F18/214 , G06F18/23 , G06F18/243 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于邻近交互的自适应聚类联邦学习方法及系统，该方法包括：构建N个边缘客户端，将包含所有边缘客户端的底层物理网络抽象为图；进行本地网络模型训练；采用自适应分簇算法ACAS，通过KL散度计算模型相似性，基于最小生成森林算法实现自动分簇，减少固定设置簇数量带来的偏差，并基于度最大影响理论来选簇头；采用基于选民模型的FedVM算法，FedVM利用选民模型的邻居交互思想进行簇内聚合；重复训练直到达到终止条件，计算最终的参数及模型的精确度和最优损失函数，得到训练好的DCFL模型，实时输出给移动设备对应的服务。本发明能通过边缘设备信息交互来更新模型可以最大化聚合中的并行性，节省通信成本和减少延迟，加快训练收敛速度。
-
公开(公告)号：CN117220826A
公开(公告)日：2023-12-12
申请号：CN202310828015.6
申请日：2023-07-06
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于语义通信的农业物联网感知数据预测方法，该方法包括以下步骤：收集各类农业生产过程中所必须的环境数据，即IoA数据；发送端中，将IoA数据D送入语义编码器，从密集向量E中提取语义特征S，将语义特征S输入语义压缩器得到压缩后的语义信息Z；信道层中，将语义信息Z作为神经元的输入并加入偏置来模拟AWGN信道中信号所受到的干扰，得到信号Y；接收端中，收到的信号Y被输入进语义解码器，通过语义还原器进行数据语义恢复并输出向量预测层根据向量输出预测结果并计算损失函数的值，通过适应性矩估计反向传播至发送端，完成SC‑ICCM网络模型的训练与更新。本发明能降低信道传输的数据量，克服噪音干扰，并有效执行预测任务。
-
公开(公告)号：CN115919315B
公开(公告)日：2023-08-29
申请号：CN202211484556.3
申请日：2022-11-24
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于EEG通道多尺度并行卷积的跨主体疲劳检测深度学习方法，包括：通过多个电极采样得到待处理的EEG信号；构建深度可分离卷积模块，包括逐点卷积和逐深度卷积；将EEG信号送入深度可分离卷积模块进行特征提取，获取EEG空间与通道维度的特征信息；构建通道切分的多尺度并行卷积模块，包括通道切分模块和多尺度并行分组卷积模块；通过通道切分模块对特征信息按通道维度进行切片分组；通过多尺度并行分组卷积模块子特征分别用不同尺寸卷积核进行多频率提取并对进行多频率融合；构建分类模块，包括全连接层和softmax层，将经过提取融合后的特征信息送入分类模块，得到疲劳状态的分类检测结果。本发明在跨主体疲劳检测任务中具有优秀的性能表现。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.019 seconds)
