-
公开(公告)号：CN108537192B
公开(公告)日：2021-11-30
申请号：CN201810342795.2
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U‑NetBN，建立遥感影像地表覆盖分类模型；步骤S3：通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。该方法综合考虑了FCN和U‑Net两种不同结构的全卷积网络的特点，有利于提高遥感影像地表覆盖分类的性能。
-
公开(公告)号：CN108510485A
公开(公告)日：2018-09-07
申请号：CN201810261969.2
申请日：2018-03-27
Applicant: 福州大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于卷积神经网络的无参照图像质量评估方法，包括以下步骤：步骤S1：对训练图像集合中的训练图像进行局部归一化处理；步骤S2：将所述训练图像有重叠的划分成不同尺度的图块；步骤S3：使用卷积神经网络学习不同尺度图块的特征，并将多个不同尺度上生成的特征输入到三个全连接层来学习图块的质量评估分数；步骤S4：利用训练好的卷积神经网络预测待预测图像的所有图块的质量评估分数，计算待预测图像所有图块的平均质量评估分数作为图像最终的质量评估分数。该算法综合考虑了图像在不同尺度上的特征，能显著提高基于卷积神经网络的无参照图像质量评估性能。
-
Patent Agency Ranking
公开(公告)号：CN108510485B
公开(公告)日：2022-04-05
申请号：CN201810261969.2
申请日：2018-03-27
Applicant: 福州大学
IPC: G06T7/00
Abstract: 本发明涉及一种基于卷积神经网络的无参照图像质量评估方法，包括以下步骤：步骤S1：对训练图像集合中的训练图像进行局部归一化处理；步骤S2：将所述训练图像有重叠的划分成不同尺度的图块；步骤S3：使用卷积神经网络学习不同尺度图块的特征，并将多个不同尺度上生成的特征输入到三个全连接层来学习图块的质量评估分数；步骤S4：利用训练好的卷积神经网络预测待预测图像的所有图块的质量评估分数，计算待预测图像所有图块的平均质量评估分数作为图像最终的质量评估分数。该算法综合考虑了图像在不同尺度上的特征，能显著提高基于卷积神经网络的无参照图像质量评估性能。
-
公开(公告)号：CN107220732A
公开(公告)日：2017-09-29
申请号：CN201710399158.4
申请日：2017-05-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于梯度提升树的停电投诉风险预测方法，包括以下步骤：步骤A：建立用户用电信息表；步骤B：对用户用电信息表中的用户用电信息数据集进行预处理；步骤C：采用Canopy算法、KMeans算法对用户用电信息数据集进行聚类，通过客户画像分析对用户用电信息数据集进行敏感类别标记，然后通过基于SPARK的SMOTE过采样算法对不平衡分布的用户用电信息数据集进行数据处理；步骤D：对用户用电信息数据集进行梯度提升树的训练，得到停电投诉风险模型；步骤E：利用停电投诉风险模型，预测用户的停电敏感类别。该方法有利于准确判别不同用户对停电的敏感程度，以采取不同的安抚和引导策略，减少用户的停电投诉量。
-
公开(公告)号：CN107220732B
公开(公告)日：2021-01-29
申请号：CN201710399158.4
申请日：2017-05-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于梯度提升树的停电投诉风险预测方法，包括以下步骤：步骤A：建立用户用电信息表；步骤B：对用户用电信息表中的用户用电信息数据集进行预处理；步骤C：采用Canopy算法、KMeans算法对用户用电信息数据集进行聚类，通过客户画像分析对用户用电信息数据集进行敏感类别标记，然后通过基于SPARK的SMOTE过采样算法对不平衡分布的用户用电信息数据集进行数据处理；步骤D：对用户用电信息数据集进行梯度提升树的训练，得到停电投诉风险模型；步骤E：利用停电投诉风险模型，预测用户的停电敏感类别。该方法有利于准确判别不同用户对停电的敏感程度，以采取不同的安抚和引导策略，减少用户的停电投诉量。
-
公开(公告)号：CN108537192A
公开(公告)日：2018-09-14
申请号：CN201810342795.2
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型；步骤S3：通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。该方法综合考虑了FCN和U-Net两种不同结构的全卷积网络的特点，有利于提高遥感影像地表覆盖分类的性能。
-
公开(公告)号：CN109215028A
公开(公告)日：2019-01-15
申请号：CN201811314639.1
申请日：2018-11-06
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络的多目标优化图像质量评估方法，首先将待训练的图像有重叠地划分为图块，并进行数据增强；然后设计多任务卷积神经网络的结构，同时学习图像的质量评估分数和失真类型；接着训练基于多任务卷积神经网络的图像质量评估模型；最后利用训练好的图像质量评估模型预测待预测图像的所有图块的质量评估分数和失真类别，分别通过多数表决方法和选择性加权计算方法计算图像最终的失真类型和质量评估分数。本发明有利于提高无参照图像质量评估性能。
-
-
-
-
-
-
Search Results
7
records
(took 0.071 seconds)
