-
公开(公告)号：CN120070788A
公开(公告)日：2025-05-30
申请号：CN202510145260.6
申请日：2025-02-10
Applicant: 海南大学
Abstract: 本发明涉及机器视觉与图像处理技术领域，尤其涉及一种用于室内低纹理环境的VSLAM方法及装置，通过获取原始彩色图像，转换为仅包含单通道信息的灰度图像，进行Shi‑Tomasi角点特征提取得到点特征，进行线特征提取，并对提取的线特征进行近线合并与短线剔除，基于提取的点特征和线特征，基于哈曼顿世界假设的相对旋转和平移优化过程，通过优化后的旋转矩阵和最优平移向量构造一个新的位姿矩阵，将得到的位姿矩阵用于点特征与线特征的重投影误差优化，实现在室内低纹理环境下的定位与建图，不仅在室内低纹理环境下能确保特征点与特征线的高质量提取和匹配，也能在室内人造规则环境下更高效地利用结构信息提高系统的精度和鲁棒性。
-
公开(公告)号：CN115209418B
公开(公告)日：2024-11-26
申请号：CN202210662006.X
申请日：2022-06-13
Applicant: 海南大学
IPC: H04W16/14 , G06F18/2135 , G06F18/10 , G06N3/0464 , G06F18/214 , G06N3/09
Abstract: 本发明提供了一种基于预训练基础模型的智能宽带频谱感知方法：步骤1、利用调制宽带转换器技术得到采样数据；步骤2、对采样数据进行预处理操作；步骤3、将步骤2得到的数据输入时频融合的可调节深度卷积神经网络(TFF_aDCNN)模型中得到支撑集感知结果，TFF_aDCNN分为主网络与辅助网络。利用本发明能够显著降低硬件成本，在低信噪比的复杂环境下提高频谱支撑集重建精度和重建能力；相较于传统深度学习方法，本发明可以快速得到迁移频谱感知模型，通过辅助网络使得模型更容易学习到频谱的分布规律，并通过与主网络的融合可以学习到更为复杂的电磁频谱特征，从而实现各种环境条件下的智能宽带频谱感知。
-
公开(公告)号：CN114742806B
公开(公告)日：2024-10-01
申请号：CN202210427524.3
申请日：2022-04-21
Applicant: 海南大学
IPC: G06T7/00 , G06T7/155 , G06T7/62 , G06N3/0464 , G06N3/084
Abstract: 本发明提供了一种基于关键点坐标回归的鱼体形态学特征测量方法：步骤1，利用采集装置得到鱼体图像；步骤2，将步骤1中待检测的鱼体图像输入由ResNet‑50(残差网络)，FPN(特征金字塔网络)和KPCRN(关键点坐标回归网络)组成的已训练好的全新深度学习模型中；步骤3，得到从步骤2模型中输出的8个关键点坐标#imgabs0#步骤4，计算关键点坐标间的距离得到鱼体的各个形态学长度参数。利用本发明方法测量鱼体形态学参数几乎不需要后处理，该方法能够简化数据集标注、易化模型的训练和测试、降低测量的时间成本和算力成本，对场景的变化，鱼体姿态的变化具有鲁棒性，从而极大提高鱼体形态学长度测量的精度。
-
公开(公告)号：CN114638336B
公开(公告)日：2023-09-22
申请号：CN202111606351.3
申请日：2021-12-26
Applicant: 海南大学
IPC: G06N3/0985 , G06F18/214 , G06N3/0464
Abstract: 聚焦于陌生样本的不平衡学习方法，可以用于基于深度神经网络的分类模型的不平衡学习和推理中。该方法将样本的网络logit输出值作为模型对于样本的熟悉程度的指标值，认为具有较低logit值的样本为模型的陌生样本。具体来说，在模型训练过程中，本发明中的损失函数为基于样本logit值的成本敏感损失函数：可分为实例级和类别级。本发明可以改善训练中类内样本的聚合特征，并减少注释错误对不平衡学习的负面影响。在模型的推理过程中，本发明采用一种偏移策略来实现模型的推理：先在验证集上基于logit的偏移性获得最佳分类器中的偏移参数，再根据该偏移参数在测试集上推理。采用该偏移策略可以纠正模型在推理过程中由于模型的偏移而引起的分类错误。
-
公开(公告)号：CN114638336A
公开(公告)日：2022-06-17
申请号：CN202111606351.3
申请日：2021-12-26
Applicant: 海南大学
Abstract: 聚焦于陌生样本的不平衡学习方法，可以用于基于深度神经网络的分类模型的不平衡学习和推理中。该方法将样本的网络logit输出值作为模型对于样本的熟悉程度的指标值，认为具有较低logit值的样本为模型的陌生样本。具体来说，在模型训练过程中，本发明中的损失函数为基于样本logit值的成本敏感损失函数：可分为实例级和类别级。本发明可以改善训练中类内样本的聚合特征，并减少注释错误对不平衡学习的负面影响。在模型的推理过程中，本发明采用一种偏移策略来实现模型的推理：先在验证集上基于logit的偏移性获得最佳分类器中的偏移参数，再根据该偏移参数在测试集上推理。采用该偏移策略可以纠正模型在推理过程中由于模型的偏移而引起的分类错误。
-
Patent Agency Ranking
公开(公告)号：CN111292347B
公开(公告)日：2022-03-01
申请号：CN202010069704.X
申请日：2020-01-21
Applicant: 海南大学
Abstract: 本发明提供了一种基于图像处理技术的显微图像炭疽孢子密度计算方法，包括：步骤1，标注一幅炭疽孢子图像，构建混合高斯模型；步骤2，采用基于高斯分离度的自适应Otsu阈值分割炭疽孢子图像；步骤3，对分割后的图像进行开滤波、闭滤波、形状滤波和面积滤波；步骤4，提取目标边缘轮廓；步骤5，计算图像中各像素与混合高斯模型的相似度；步骤6，计算基于符号对数相似度的边缘停止函数；步骤7，对步骤4中得到的边缘轮廓进行轮廓演化，得到炭疽孢子的精确轮廓；步骤8，对结果图像统计连通域的面积和连通域的个数，得到炭疽孢子的个数。利用本发明方法获得的密度统计信息可以为作物的病情估计，或者炭疽孢子的活性、耐药性分析提供依据。
-
公开(公告)号：CN107462221A
公开(公告)日：2017-12-12
申请号：CN201710582932.5
申请日：2017-07-17
Applicant: 海南大学
Abstract: 本发明涉及一种鱼眼特征自动测量方法，所述方法包括：采集鱼例图像并去除背景；提取去除背景的鱼例图像中的鱼眼图像；根据鱼眼图像确定鱼眼像素尺寸，并将所述鱼眼像素尺寸转换为实际尺寸；采集鱼例图像需要构建采集鱼例图像装置；所述采集鱼例图像装置包括：标准平台、机械手臂和采集相机；所述采集相机与标准平台通过机械手臂连接；标准平台用于盛放待测鱼体；机械手臂用于调节采集相机与标准平台的距离和位置；采集相机用于拍摄鱼例图像。本发明提供的方法，利用计算机视觉技术和图像处理技术实现无接触式自动测量，大大提高测量效率的同时保证了测量数据的精确性和稳定性。
-
公开(公告)号：CN119882790A
公开(公告)日：2025-04-25
申请号：CN202510007917.2
申请日：2025-01-03
Applicant: 海南大学
IPC: G05D1/485 , G05D101/10
Abstract: 本发明涉及海洋智能系统技术领域，尤其涉及一种无人潜器的自适应航迹控制方法，该方法通过实时采集无人潜器在复杂海洋环境中的运行参数，基于DUAE算法自适应地提取参数的关键特征，并将其作为IDDPG算法的状态空间。通过在IDDPG算法中引入连续的高斯噪声，有效提高控制策略的探索性，从而避免陷入局部最优解。采用小批次随机采样的方式从重播缓冲区中采集样本，降低样本间的相关性，并通过软更新方法防止目标网络发生过拟合。基于IDDPG算法实时生成自适应航迹控制策略，确保无人潜器高精度地完成航迹跟踪任务。与现有技术相比，本发明具有提高了无人潜器的航迹跟踪精度和任务执行效率等优点。
-
公开(公告)号：CN118053000B
公开(公告)日：2025-02-25
申请号：CN202410067705.9
申请日：2024-01-17
Applicant: 海南大学
Abstract: 本发明实施例公开了一种面向纹理的均匀FAST特征提取方法，所述方法包括：构建面向纹理的均匀特征提取器；对待提取特征的图片通过面向纹理的均匀FAST特征提取器获得待提取特征图片的纹理直方图；确定所述待提取特征图片的纹理直方图待提取特征图片的对比度和信息熵；根据所述对比度和信息熵预设基础阈值；根据所述基础阈值、对比度权重和信息熵权重确定优化阈值；通过所述优化阈值提取待提取特征的图片的特征点并且确定特征点密度分布图；根据密度和特征点的数量动态地调整四叉树的划分并且优化特征点的分布结构。
-
公开(公告)号：CN114638983B
公开(公告)日：2024-09-10
申请号：CN202111556763.0
申请日：2021-12-18
Applicant: 海南大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明从动态平衡的角度来看待不平衡学习的问题，提供了一种不平衡学习动态恢复大类重要性(Dynamically Restoring the Importance ofMajority Class,DRMC)的损失函数计算方法。DRMC首先抑制大类的重要性，然后逐渐恢复大类的重要性。其损失函数中的成本函数包括初始函数、恢复函数、渐进函数和激活函数。渐进函数为一递增函数，激活函数采用类Relu函数，初始函数和恢复函数采用已有的静态的类别成本函数。DRMC方法动态地计算类别成本，结合标准交叉熵函数，有效地解决了已有方法中的静态平衡策略与训练过程中类别表示程度的动态变化不相匹配的问题。与相应的静态的成本函数相比，DRMC方法可以显著提高了模型的分类性能，不仅显示了良好的泛化能力，而且方法对超参数不敏感，易化了超参数调试过程。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.02 seconds)
