-
公开(公告)号：CN119515680A
公开(公告)日：2025-02-25
申请号：CN202411364293.1
申请日：2024-09-27
Applicant: 南京工业大学
IPC: G06T3/4053 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/084
Abstract: 一种基于深度展开和生成式去噪器的遥感图像超分辨率方法，包括以下步骤：S1、构造数据集；S2、构建优化求解算法；S3、构造深度展开网络；S4、训练步骤S3中构建的深度展开网络；S5、使用训练好的深度展开网络进行图像超分辨率；本发明在保持深度展开网络良好的可解释性的同时，结合了生成式去噪器，并拓展了其通用性，可以求解具有不同模糊核、比例因子和噪声等级的遥感图像超分辨率问题。大量的实验证明了本发明在灵活性和有效性方面具有优越性。
-
公开(公告)号：CN115601591A
公开(公告)日：2023-01-13
申请号：CN202211256342.0
申请日：2022-10-13
Applicant: 南京工业大学(CN)
IPC: G06V10/764 , G06V10/77 , G06V10/774
Abstract: 本发明公开了基于自适应局部序数保持解析字典学习的图像分类方法，属于计算机视觉技术领域，该方法包括：对数据集中的图像进行特征提取，将其划分为训练集和测试集，并基于训练集采用支持自适应局部序数保持的解析字典学习模型同时学习解析字典和分类器，然后基于学习所得的解析字典计算测试集的编码系数，最后通过分类器与测试集的编码系数取得测试集的类别标签。本发明方法在判别式卷积解析字典学习模型基础上引入一个自适应序数局部保持项，通过在学习过程中同时保持字典原子之间的邻域相关性和邻域内原子的距离排序信息，优化解析字典学习模型，以增强字典的判别性，提升模型在人脸识别、物体识别和场景识别等一般场景下的图像分类准确率。
-
公开(公告)号：CN119205510A
公开(公告)日：2024-12-27
申请号：CN202411387999.X
申请日：2024-09-30
Applicant: 南京工业大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于多重可学习先验深度展开网络的图像超分辨率方法，属于计算机视觉技术领域，该方法包括：从数据集中选取高分辨率图像，生成低分辨率图像，然后将高分辨率图像与相应的低分辨率图像组成样本对，并将这些样本对划分为训练集和测试集；基于退化模型和多重先验将超分辨率问题建模为一个优化问题，并使用优化算法，得到求解该优化问题需要迭代求解的两个子问题；将子问题中的多重先验推广为多重可学习先验，并基于此构建深度展开网络；使用训练集训练展开网络，获得训练好的模型，并利用测试集测试模型超分辨率性能。本发明方法在深度展开超分辨率模型上引入一种新的多重可学习先验，基于卷积层及常用图像操作算子实现变换算子和先验函数的同时学习，进一步提高了超分辨率重建性能，有着广泛的应用场景。
-
公开(公告)号：CN118654675A
公开(公告)日：2024-09-17
申请号：CN202410718415.6
申请日：2024-06-04
Applicant: 南京工业大学
IPC: G01C21/20 , G06Q10/047 , G01C21/34
Abstract: 本发明公开了基于改进A星和人工势场的路径规划方法，属于路径规划技术领域，该方法包括：首先使用栅格法构建地图，每个网格单元代表环境中的一个可行走区域或节点，并标记障碍物所在的网格单元；其次在建模环境中设定起点和终点，确保它们在可行区域内且不位于障碍物区域；然后基于改进A星算法进行全局路径搜索，引入加权因子λ，计算新的代价函数f(n)，剔除角度差值最大的三个方向实现A星算法的五方向搜索方式，接着进行冗余节点消除操作得到全局最优路径；在全局路径基础上，采用改进人工势场法进行局部路径规划，通过引入虚拟目标点法避免陷入局部最优，设定多个子目标点，计算无人机所受的合成势场和力，避开障碍物并到达目标点。该方法通过改进A星算法提高全局路径规划的效率和精度，结合改进人工势场法解决局部最优问题，最终实现了高效的路径规划和障碍物避让。
-
公开(公告)号：CN114330535B
公开(公告)日：2024-09-06
申请号：CN202111603440.2
申请日：2021-12-24
Applicant: 南京工业大学
IPC: G06V10/764 , G06V10/772 , G06V10/774 , G06V10/77
Abstract: 本发明公开了一种基于支持向量正则化字典对学习的模式分类方法，属于计算机视觉技术领域。该方法包括：将训练图像和测试图像映射到低维空间，得到训练集和测试集；基于训练集采用支持向量正则化的字典对学习模型学习综合‑解析字典对和支持向量机分类器；利用训练好的字典对生成测试集编码系数；将测试集编码系数输入到支持向量机分类器中，得到测试集的类别标签，以类别标签作为分类结果。本发明基于字典对学习模型，提出融合支持向量的判别性分类模型并进行优化求解，适用于一般情况下的模式识别和图像分类问题，在人脸识别和场景识别上能达到较高的分类准确度。
-
Patent Agency Ranking
公开(公告)号：CN118537569A
公开(公告)日：2024-08-23
申请号：CN202410564221.5
申请日：2024-07-11
Applicant: 南京工业大学
IPC: G06V10/30 , G06V10/772 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于卷积字典和深度展开的图像去噪方法，属于计算机视觉技术领域，该方法包括：以清晰图像为基础构造噪声图像，并将其与对应清晰图像组成的样本对，然后划分样本对为训练集和测试集；设计具有隐式先验的字典学习模型，并使用相应的优化算法以求解这个模型；结合深度学习相关理论，将字典推广为卷积层，并构建相应的深度展开网络；使用训练集训练展开网络，获得训练好的模型，并利用测试集测试模型去噪性能。本发明方法将通用字典学习模型与深度展开结合，通过迭代求解三个子问题，借助深度学习技术，以可解释性的方式增强展开网络的去噪的效率，提升模型在彩色图片和灰度图片等场景下的图像去噪性能。
-
公开(公告)号：CN118262218A
公开(公告)日：2024-06-28
申请号：CN202410516293.2
申请日：2024-04-26
Applicant: 南京工业大学
IPC: G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/0455 , G06N3/044 , G06V20/13
Abstract: 本发明公开了一种基于改进SimVP的卫星云图序列预测方法。涉及深度学习领域。具体步骤：(1)、预处理卫星云图序列数据并划分训练集和测试集；(2)、基于已有的SimVP架构，在编码器和解码器中添加多头注意机制模块和局部残差连接，用Poolformer网络作为翻译器，并在网络末端添加SRGAN网络的生成器；(3)、联合运动感知损失函数和L2损失函数来监督模型进行训练；(4)、预测卫星云图序列图像。本发明在多层卷积神经网络中引入多头注意力机制，可以很好的提取卫星云图序列数据的高维特征，使模型在学习时序相关性的同时保持序列的空间信息；并且引入生成器来提高预测云图的分辨率，解决了因预测图像模糊导致的特征丢失等问题；同时将运动感知损失函数与传统的L2损失函数相结合来监督模型训练，可以进一步获取卫星云图序列相邻帧之间的运动信息。本发明不仅适用于所有的卫星云图序列图像，也可应用于其他一些复杂场景下的序列图像预测。
-
公开(公告)号：CN117953285A
公开(公告)日：2024-04-30
申请号：CN202410095256.9
申请日：2024-01-23
Applicant: 南京工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0442 , G06N3/084 , G01W1/10
Abstract: 本发明公开了一种基于注意力LSTM网络的天气预测方法，属于机器学习领域。该方法包括：获取天气数据集，对数据集进行预处理，将其划分为训练集和测试集，得到用于训练和测试预测网络的序列数据；在PredRNN++网络预测单元Causal LSTM的基础上，本发明提出时序LSTM预测单元(Temporal Attention LSTM，TA‑LSTM)，通过引入时序注意力模块(Temporal Attention Module，TAM)，拓宽了预测网络的时间感受野，增强了网络的时间信息建模能力，同时，通过引入局部注意力机制(Local Attention，LA)，增强了网络的空间信息建模能力；堆叠多层TA‑LSTM单元，构建天气预测网络；利用训练集对网络进行训练，优化网络参数；将测试集输入到训练好的预测网络，获得预测的天气序列，并使用评价指标对预测结果进行评估。与现有的预测方法相比，使用TA‑LSTM预测网络能得到更准确的预测结果。
-
公开(公告)号：CN116822703A
公开(公告)日：2023-09-29
申请号：CN202310511846.0
申请日：2023-05-08
Applicant: 南京工业大学
IPC: G06Q10/04 , G06N3/049 , G06N3/0464 , G06N3/084 , G06V10/74 , G06V10/774
Abstract: 本发明公开了一种基于改进ConvGRU的时空序列预测方法，属于机器学习领域。该方法包括：获取用于训练的图像序列数据，将获得的数据划分为训练集与测试集并对数据进行预处理；对ConvGRU进行改进，引入时空记忆，构建时空序列预测单元ST‑GRU；将ST‑GRU进行堆叠构建预测网络；利用训练集对网络进行训练，确定网络参数；将测试集输入训练好的网络模型中得到预测结果。本发明可弥补ConvGRU难以对长期时空依赖性进行建模的不足，相较于ConvGRU，带有时空记忆的ST‑GRU可以显著增强捕获时空序列时间以及空间相关性的能力。
-
公开(公告)号：CN114330535A
公开(公告)日：2022-04-12
申请号：CN202111603440.2
申请日：2021-12-24
Applicant: 南京工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于支持向量正则化字典对学习的模式分类方法，属于计算机视觉技术领域。该方法包括：将训练图像和测试图像映射到低维空间，得到训练集和测试集；基于训练集采用支持向量正则化的字典对学习模型学习综合‑解析字典对和支持向量机分类器；利用训练好的字典对生成测试集编码系数；将测试集编码系数输入到支持向量机分类器中，得到测试集的类别标签，以类别标签作为分类结果。本发明基于字典对学习模型，提出融合支持向量的判别性分类模型并进行优化求解，适用于一般情况下的模式识别和图像分类问题，在人脸识别和场景识别上能达到较高的分类准确度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
