公开(公告)号：CN114943862A

公开(公告)日：2022-08-26

申请号：CN202210637417.3

申请日：2022-06-07

Applicant: 南京工业大学

Inventor： 董静 ,  杨柳 ,  梅雪 ,  成巍 ,  罗晓清

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/46

Abstract: 本发明公开了一种基于结构性解析字典学习的两阶段图像分类方法，该方法属于计算机视觉技术领域。该方法包括：(1)特征提取：对原始图像数据进行特征提取，构建训练集和测试集；(2)阶段1：基于训练集采用结构性解析字典学习模型训练解析字典及投影矩阵；(3)阶段2：基于训练样本的结构化稀疏表示系数，训练支持向量机(SVM)分类器；(4)分类测试：在测试集上利用训练好的解析字典和支持向量机，使用多元支持向量机分类算法实现分类功能，得到分类结果。本发明简化了结构性解析字典学习(SADL)模型，并将分类器学习过程和字典学习过程分离，使用支持向量机代替原本的线性分类器，从而提出了基于结构性解析字典学习两阶段图像分类方法。本发明方法适用于一般情况下的图像分类问题，在人脸识别、场景识别、物体识别上的分类准确率均能超过原算法。

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

Inventor： 董静 ,  谢奔 ,  刘厂 ,  成巍

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

Inventor： 董静 ,  张峻茁 ,  刘厂 ,  成巍

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

Inventor： 董静 ,  张峻茁 ,  刘厂 ,  成巍

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

Inventor： 董静 ,  杨柳 ,  成巍 ,  刘厂 ,  罗晓清

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。

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

Inventor： 董静 ,  杨柳 ,  成巍 ,  刘厂 ,  罗晓清

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。

公开(公告)号：CN114943862B

公开(公告)日：2024-09-17

申请号：CN202210637417.3

申请日：2022-06-07

Applicant: 南京工业大学

Inventor： 董静 ,  杨柳 ,  梅雪 ,  成巍 ,  罗晓清

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/46

Abstract: 本发明公开了一种基于结构性解析字典学习的两阶段图像分类方法，该方法属于计算机视觉技术领域。该方法包括：(1)特征提取：对原始图像数据进行特征提取，构建训练集和测试集；(2)阶段1：基于训练集采用结构性解析字典学习模型训练解析字典及投影矩阵；(3)阶段2：基于训练样本的结构化稀疏表示系数，训练支持向量机(SVM)分类器；(4)分类测试：在测试集上利用训练好的解析字典和支持向量机，使用多元支持向量机分类算法实现分类功能，得到分类结果。本发明简化了结构性解析字典学习(SADL)模型，并将分类器学习过程和字典学习过程分离，使用支持向量机代替原本的线性分类器，从而提出了基于结构性解析字典学习两阶段图像分类方法。本发明方法适用于一般情况下的图像分类问题，在人脸识别、场景识别、物体识别上的分类准确率均能超过原算法。