-
公开(公告)号：CN117576471A
公开(公告)日：2024-02-20
申请号：CN202311578391.0
申请日：2023-11-23
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种引入局部特征对齐和原型修正机制的少样本图像分类方法及装置，该方法包括：1)划分少样本训练数据集，并使用特征提取网络提取图像的局部特征和全局特征；2)通过类内差异性修正和类间差异性修正来实现局部特征对齐，并得到查询图像局部特征和支持类的相似性；3)使用最大均值差异计算全局特征的权重从而对类原型进行修正，并通过距离函数得到查询图像全局特征和支持类原型的全局相似性；4)将全局特征和局部特征结合进行概率输出，并构建损失函数进行模型优化，获得最终的应用于图像分类任务的少样本图像分类模型。本发明提出了少样本图像分类方法，通过结合局部特征和全局特征的方式，实现了更好的图像分类性能。
-
公开(公告)号：CN110851782B
公开(公告)日：2023-06-23
申请号：CN201911099165.8
申请日：2019-11-12
Applicant: 南京邮电大学
IPC: G06F17/16 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于轻量级时空深度学习模型的网络流量预测方法，首先，根据网络状态，基于预先设定的时间间隙采样若干历史时刻的网络流量数据，并对所采样的数据做归一化处理；其次，构建基于卷积神经网络和循环神经网络的神经网络模型，提取网络流量中的时空特征；然后，使用数据集对建立的神经网络模型进行训练，获得轻量级时空深度学习网络流量预测模型；最后，根据已获得的历史流量矩阵，通过该网络预测模型，预测未来时刻的流量值。本发明解决了深度学习参数复杂以及循环神经网络梯度爆炸的问题，同时还提高了预测模型的准确率。
-
公开(公告)号：CN110851782A
公开(公告)日：2020-02-28
申请号：CN201911099165.8
申请日：2019-11-12
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于轻量级时空深度学习模型的网络流量预测方法，首先，根据网络状态，基于预先设定的时间间隙采样若干历史时刻的网络流量数据，并对所采样的数据做归一化处理；其次，构建基于卷积神经网络和循环神经网络的神经网络模型，提取网络流量中的时空特征；然后，使用数据集对建立的神经网络模型进行训练，获得轻量级时空深度学习网络流量预测模型；最后，根据已获得的历史流量矩阵，通过该网络预测模型，预测未来时刻的流量值。本发明解决了深度学习参数复杂以及循环神经网络梯度爆炸的问题，同时还提高了预测模型的准确率。
-
公开(公告)号：CN119741534A
公开(公告)日：2025-04-01
申请号：CN202411778425.5
申请日：2024-12-05
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于图像分类技术领域，具体公开了一种少样本图像分类方法和系统，包括：获取带类别标签的少样本图像数据集，将数据集划分为多个支持集和查询集，并通过特征提取网络获得支持集和查询集图像的局部特征；基于支持集图像的局部特征生成每个支持类的原型，并计算支持集每张图像的权重；对支持集图像的局部特征进行修正；对查询集图像的局部特征进行修正；基于两种修正后的局部特征和支持集每张图像的权重，计算查询集图像与每个支持类的相似度，并将相似度进行概率输出，以生成图像分类结果。本发明降低了离群样本对模型的负面影响，同时使模型聚焦于与任务相关的判别性特征，提高了模型的分类性能。
-
公开(公告)号：CN118674927B
公开(公告)日：2025-03-25
申请号：CN202410771852.4
申请日：2024-06-15
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06V10/774
Abstract: 本发明公开了一种基于证据学习的不确定性感知半监督胰腺分割方法。首先，引入可变形卷积，构建具有可自适应不同尺度和形变大小感受野的可变形U‑Net，以更好的提取胰腺多变的几何特征；其次，基于MT框架，引入证据深度学习对模型的预测不确定性进行建模，将模型的输出视为证据，并形式化为狄利克雷分布，通过主观逻辑计算预测类别概率以及不确定性，根据不确定性信息生成未标记数据上可靠的伪标签指导模型学习；最后，引入对目标边界分割质量更敏感的边界损失，使模型更关注目标边界的分割效果。本发明克服了现有半监督学习方法难以保证伪标签质量、平衡估计精度及计算成本的问题，并针对胰腺分割任务提供了更具有针对性的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN118674927A
公开(公告)日：2024-09-20
申请号：CN202410771852.4
申请日：2024-06-15
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0895 , G06V10/774
Abstract: 本发明公开了一种基于证据学习的不确定性感知半监督胰腺分割方法。首先，引入可变形卷积，构建具有可自适应不同尺度和形变大小感受野的可变形U‑Net，以更好的提取胰腺多变的几何特征；其次，基于MT框架，引入证据深度学习对模型的预测不确定性进行建模，将模型的输出视为证据，并形式化为狄利克雷分布，通过主观逻辑计算预测类别概率以及不确定性，根据不确定性信息生成未标记数据上可靠的伪标签指导模型学习；最后，引入对目标边界分割质量更敏感的边界损失，使模型更关注目标边界的分割效果。本发明克服了现有半监督学习方法难以保证伪标签质量、平衡估计精度及计算成本的问题，并针对胰腺分割任务提供了更具有针对性的解决方案。
-
公开(公告)号：CN117635904A
公开(公告)日：2024-03-01
申请号：CN202311711078.X
申请日：2023-12-13
Applicant: 南京邮电大学
IPC: G06V10/20 , G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/096 , G06V10/764 , G06V40/10
Abstract: 本发明属于目标检测技术领域，公开了一种动态自适应特征感知的可信低慢小无人机检测方法，所述方法包括：获取图像样本集，其包括鸟类和无人机两类目标，将样本分为训练集、验证集和测试集，并对图像样本进行预处理；改进YOLOv8s模型：在其backbone的P2层后引入极小目标检测模块，并在极小目标检测模块后引入动态自适应特征感知模块，最后将YOLOv8s模型的分类器改为可信分类器，得到无人机目标检测模型；构建GPU训练环境，设置训练参数，并加载数据配置文件和模型配置文件；经过训练得到训练好的无人机目标检测模型；取待识别图像输入到训练好的模型中进行检测，提高了复杂环境下小目标检测的精度。
-
公开(公告)号：CN115661539A
公开(公告)日：2023-01-31
申请号：CN202211371478.6
申请日：2022-11-03
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像识别技术领域，是一种嵌入不确定性信息的少样本图像识别方法，首先划分少样本训练数据集，并使用特征提取网络提取样本中的判别性特征；然后对所提特征进行基于MixUp的数据增强获得扩充样本；进而对扩充样本进行不确定性评估获得每个扩充样本的不确定性；根据原始样本与扩充样本及其不确定性分别构建分类任务与嵌入不确定性信息的辅助任务；随后根据分类任务与辅助任务的损失优化图像识别模型；最后使用优化得到的最优模型进行少样本图像识别。本发明能够有效地在数据稀少的情况下通过MixUp方法扩充样本集，从而取得比传统少样本图像识别方法更精确的识别结果，有效提高了分类模型的可靠性。
-
公开(公告)号：CN119919563A
公开(公告)日：2025-05-02
申请号：CN202510397116.1
申请日：2025-04-01
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于扭曲光线的NeRF多模型场景构建方法、设备及介质，包括以下步骤：获取训练数据集，对数据集进行预处理，并计算图像位姿；构建GPU环境，设置训练参数，并加载场景配置文件和带有相机位姿的二维图像；密度体素网格优化神经辐射场分层采样策略，高效训练球谐神经辐射场(NeRF‑SH)模型，并用hash表记录网络输出；利用扭曲光线的方法将多个神经辐射场模型组合渲染得到组合场景图像；增减模型并调整各项参数，再经过渲染实现场景构建。本发明优化了神经辐射场中的分层采样策略，并将神经辐射场烘焙入hash表，显著提升了神经辐射场的训练和渲染效率，通过扭曲光线并结合最大组合策略将多个模型组合起来，实现了场景的构建与编辑。
-
公开(公告)号：CN119399540A
公开(公告)日：2025-02-07
申请号：CN202411535619.2
申请日：2024-10-31
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06V10/20 , G06N3/048 , G06V10/74 , G06N3/084
Abstract: 本发明提出了一种基于卷积高斯过程的可信少样本图像分类方法，属于图像识别技术领域，包括：构建用于少样本图像分类的神经网络模型；构建模型训练过程中每次迭代使用的支持集和查询集；计算支持集图像和查询集图像的局部特征；将局部特征输入到注意力机制模块中，计算出各自的权重向量，将核函数与权重向量相结合，得到具有语义指导能力的核函数；将局部特征输入到使用语义指导核函数的卷积高斯过程模块中，计算出支持图像和查询图像的相似度以及预测结果的可信度；将卷积高斯过程的预测结果输入到具有不确定性感知能力的分类器中，得到可信的分类预测结果；本发明实现了能够充分考虑预测结果不确定性的高可信图像分类。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
