-
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。
-
Patent Agency Ranking
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。
-
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
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：CN118365525A
公开(公告)日：2024-07-19
申请号：CN202410564218.3
申请日：2024-05-08
Applicant: 南京工业大学
IPC: G06T3/4053 , G06T5/70 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于深度展开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：由数据集中的高分辨率图像生成低分辨率图像，并将高分辨率图像和相对应的低分辨率图像组成的样本对划分为训练集和测试集；基于退化模型的双域先验将超分辨率问题建模为一个优化问题；使用优化算法求解这个优化问题得到展开框架，将其转换为深度展开网络；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双域先验，基于优化求解算法构建展开网络，学习图像域和梯度域的先验，提升模型在自然图片和遥感图片等场景下的图像超分辨率性能。
-
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。
-
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
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。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
