-
公开(公告)号：CN116506615A
公开(公告)日：2023-07-28
申请号：CN202310528077.5
申请日：2023-05-10
Applicant: 河南大学
IPC: H04N19/124 , H04N19/182 , H04L9/00 , H04N19/63
Abstract: 本发明提供一种基于压缩感知和拉丁立方的彩色图像加密和解密方法。该加密方法主要包括以下步骤：基于给定的外部密钥和初始值，对Logistic‑Sine‑Cosine混沌系统进行迭代生成四个混沌序列X1、X2、X3、X4，对Henon混沌系统进行迭代生成混沌序列Y1和Y2；使用小波稀疏基对明文图像进行稀疏处理，然后采用混沌序列X1、X2、X3对稀疏矩阵进行重新排序，根据X4得到符合要求的测量矩阵并对三个稀疏矩阵进行压缩感知测量。在置乱扩散过程中，使用混沌序列Y1生成三维拉丁立方体和二维0‑1方阵，对压缩加密后的图像进行特定规则的置乱和扩散加密，进而获得最终的压缩密文图像。
-
公开(公告)号：CN116797922B
公开(公告)日：2025-03-07
申请号：CN202310352316.6
申请日：2023-04-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于特征融合的遥感图像目标检测方法，其方案如下：(1)对遥感图像目标检测数据集进行预处理，并划分出训练集、验证集和测试集；(2)构建金字塔特征细化单元，以三条不同大小感受野的路径对特征进行多尺度学习；(3)构建金字塔特征细化模块，并以此替换路径聚合网络中的C3模块，使得网络可以进行更充分有效的特征融合；(4)构建轻量级的解耦检测头，并以此替换YOLOv5原有的检测头，在引入少量模型参数的情况下，有效缓解了分类任务和回归任务之间的冲突问题，提高了检测精度；(5)对改进后的网络进行训练和测试。本发明可在遥感图像数据集上取得良好的检测效果，为遥感智能解译提供支持。
-
公开(公告)号：CN116486278A
公开(公告)日：2023-07-25
申请号：CN202310447628.5
申请日：2023-04-24
Applicant: 河南大学
IPC: G06V20/13 , G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G01N33/00
Abstract: 本发明涉及大气环境技术领域，具体涉及一种基于时空信息镶嵌的小时级臭氧估算方法，该方法包括：获取环境检测数据构成臭氧浓度监测数据集，将环境检测数据进行图像转化得到环境监测数据图像；利用三次差值的方法对环境监测数据图像进行分辨率重采样处理得到优选环境图像；对优选环境图像进行分割得到环境数据子图像，将环境数据子图像的每行数据转化为环境行向量，每列数量转化为环境列向量，进而获得空间信息矩阵；将臭氧浓度监测数据集中所有环境检测数据对应的环境监测数据图像和对应的空间信息矩阵构成臭氧估算数据集；将臭氧估算数据集输入预先构建的臭氧估算模型得到臭氧估算结果数据。本发明能够获得较为准确的臭氧估算结果。
-
-
公开(公告)号：CN116821687A
公开(公告)日：2023-09-29
申请号：CN202310827033.2
申请日：2023-07-06
Applicant: 河南大学
IPC: G06F18/214 , G06F18/20 , G06N3/0442 , G06Q50/06 , H02J3/00 , G06F21/62
Abstract: 本发明涉及风电功率预测技术领域，具体涉及基于数据隐私保护的联邦深度学习风力发电预测方法，该方法包括：获取预设数量个不同风电场的风电功率数据集，对风电功率数据集进行预处理，将预处理后的风电功率数据集划分为训练数据集和测试数据集；建立Fed‑BILSTM联邦深度学习模型；根据训练数据集，对建立的Fed‑BILSTM联邦深度学习模型进行训练，得到训练后的Fed‑BILSTM联邦深度学习模型；根据测试数据集，对训练后的Fed‑BILSTM联邦深度学习模型进行验证；通过训练后的Fed‑BILSTM联邦深度学习模型，进行风电功率预测。本发明可以提高数据的安全性和预测的准确度。
-
Patent Agency Ranking
公开(公告)号：CN116797922A
公开(公告)日：2023-09-22
申请号：CN202310352316.6
申请日：2023-04-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于特征融合的遥感图像目标检测方法，其方案如下：(1)对遥感图像目标检测数据集进行预处理，并划分出训练集、验证集和测试集；(2)构建金字塔特征细化单元，以三条不同大小感受野的路径对特征进行多尺度学习；(3)构建金字塔特征细化模块，并以此替换路径聚合网络中的C3模块，使得网络可以进行更充分有效的特征融合；(4)构建轻量级的解耦检测头，并以此替换YOLOv5原有的检测头，在引入少量模型参数的情况下，有效缓解了分类任务和回归任务之间的冲突问题，提高了检测精度；(5)对改进后的网络进行训练和测试。本发明可在遥感图像数据集上取得良好的检测效果，为遥感智能解译提供支持。
-
公开(公告)号：CN116310761A
公开(公告)日：2023-06-23
申请号：CN202310415033.1
申请日：2023-04-18
Applicant: 河南大学
Abstract: 本发明涉及信息安全技术领域，具体涉及JPEG‑缩放‑JPEG图像初次量化步长估计方法。该方法选取一组候选缩放因子并对待测图像进行逆缩放操作，逆缩放操作后图像DC通道DCT系数的PSD直方图中具有最显著峰对应的缩放因子即为估计的缩放因子；利用估计的缩放因子对待测图像进行逆缩放操作得到重构的初次压缩图像；根据重构初次压缩图像DC通道DCT系数的PSD直方图中最显著峰的位置信息，采用几何拟合计算DC通道的初次量化步长；根据AC通道的DCT系数的分布特性，利用极大似然估计计算AC通道的初次量化步长。本发明在第一次压缩步长较小时也能获得较好的估计性能，有助于实现JPEG图像的精确、迅速的真伪鉴别。
-
公开(公告)号：CN119251723A
公开(公告)日：2025-01-03
申请号：CN202411222192.0
申请日：2024-09-02
Applicant: 河南大学
IPC: G06V20/40 , G06V20/52 , G06V40/20 , G06V10/44 , G06V10/62 , G06V10/77 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/088 , G06N3/096 , G06N3/0985
Abstract: 本发明公开一种融合关键帧和多任务混合模型的视频异常检测方法及系统，该方法首先使用分段聚类的帧间差分关键帧提取技术，将提取的关键帧作为模型输入，节省了存储空间，提升检测效率；然后，在人体骨骼特征提取的基础上，融合了基于重构的方法和基于预测的方法，构建一个混合模型；并且在多任务学习方面，基于构建的混合模型，综合利用历史帧重构和预测未来帧、利用未来帧重构和预测历史帧、利用历史帧和未来帧重构和预测当前帧；最后基于训练好的混合模型进行视频异常检测。本发明有效解决了重构方法和预测方法异常数据误判率较高和有易受环境噪声影响的问题，通过混合模型综合利用多源信息，结合两种方法的优势，提高模型的实用性、准确率。
-
公开(公告)号：CN118351465A
公开(公告)日：2024-07-16
申请号：CN202410540527.7
申请日：2024-04-30
Applicant: 河南大学
IPC: G06V20/17 , G06V10/25 , G06V10/82 , G06V10/80 , G06V10/766 , G06V10/44 , G06V10/52 , G06N3/0464
Abstract: 本发明属于无人机图像目标检测技术领域，公开一种基于多尺度特征信息提取和融合的无人机航拍图像多尺度目标检测方法及系统，该方法包括：构建无人机航拍图像多尺度目标检测模型；所述目标检测模型包括主干网络和全局聚合渐进特征融合网络，所述主干网络由小目标特征提取模块和CSPDarknet53组成，所述全局聚合渐进特征融合网络包括多个自适应特征融合模块；通过训练好的目标检测模型对无人机航拍图像进行多尺度目标检测。本发明可以对拍摄角度复杂多变的无人机图像进行精确的检测工作。
-
公开(公告)号：CN117593684A
公开(公告)日：2024-02-23
申请号：CN202311666154.X
申请日：2023-12-06
Applicant: 河南大学
IPC: G06V20/40 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/084 , G06N3/0499 , G06N3/082
Abstract: 本发明提供一种融合多尺度注意力的时空Transformer的视频异常检测方法。该方法包括：步骤1：将包含连续t帧的正常视频作为生成器的输入，生成第t+1帧预测帧，利用鉴别器区分第t+1帧预测帧和真实帧；步骤2：计算第t+1帧预测帧和真实帧之间的损失，根据损失采用梯度下降法动态调整生成器和鉴别器的参数，得到训练好的生成器和鉴别器；步骤3：将包含连续t帧的待检测视频输入至训练好的生成器中，生成第t+1帧预测帧，将该第t+1帧预测帧和真实帧输入至训练好的鉴别器中，得到异常行为检测结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.031 seconds)
