-
公开(公告)号：CN109829495B
公开(公告)日：2023-04-07
申请号：CN201910084351.8
申请日：2019-01-29
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于LSTM和DCGAN的时序性图像预测方法，将DCGAN出色的特征捕捉能力与LSTM进行结合，可使得预测的图像数据可视化，便于直接观察；经过改进后的LSTM网络内部具有卷积特性，能直接学习到图像数据的二维空间特征；为减少其内部学习复杂度，将传统的输入图像改为输入特征；特征来源于DCGAN的提取，相对于原始图像在维度方面有了很大的简化，使得整体网络可控。本发明通过DCGAN很好的降低了特征维度，解决了高维不可计算的问题；改进后的LSTM能够更好地学习到时序性特征，从而实现更精确的预测；整体网络结构在连接方法上遵从栈式级联策略，为控制网络深度提供保障。本发明提出的时序性图像预测模型架构理论上适用于所有的时序性图像。
-
公开(公告)号：CN111428676A
公开(公告)日：2020-07-17
申请号：CN202010253414.0
申请日：2020-04-01
Applicant: 南京信息工程大学
IPC: G06K9/00 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q10/04 , G06Q50/26 , G06T7/10 , G06T7/246
Abstract: 本发明涉及一种基于稀疏对应和深度神经网络的短临降水预测方法，具体包括以下步骤：(1)图像可视化；(2)Fast特征检测；(3)SIFT匹配；(4)计算全局矢量；(5)预测雷达回波图像、统计云团特征和时空方向特征；(6)Inception v3回归。本发明得到的MAE和RMSE均比其它基于深度学习的方法都要低，且拟合度是最高的，克服了由数据集数量过少带来的问题，且本发明对比了利用传统堆叠方式的CNN，构建Inception v3模型的结果更加精确，能够使降水预测结果更加精确和有效。
-
公开(公告)号：CN109815920A
公开(公告)日：2019-05-28
申请号：CN201910084356.0
申请日：2019-01-29
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于卷积神经网络和对抗卷积神经网络的手势识别方法，对于某些特定类型的手势，首先通过使用对抗卷积神经网络来生成训练样本，可以解决训练模型时的过拟合问题；此外，使用卷积神经网络来进行手势识别，可以有效提高识别的准确率及效率，可以达到实时的手势识别。本发明将卷积神经网络和对抗卷积神经网络结合应用于手势识别，相对于传统的识别方法，神经网络的优点是能够直接与图像像素进行卷积，从图像像素中提取图像特征，这种处理方式更加接近人类大脑视觉系统的处理方式。
-
公开(公告)号：CN108665005A
公开(公告)日：2018-10-16
申请号：CN201810467893.9
申请日：2018-05-16
Applicant: 南京信息工程大学
CPC classification number: G06K9/6256 , G06K9/0063 , G06K9/6267
Abstract: 本发明公开了一种利用DCGAN提高基于CNN图像识别性能的方法，该方法将DCGAN出色的数据生成能力与基于CNN图像识别框架进行了二度结合，并且DCGAN是在GAN的基础上经过改进后的新型对抗生成网络，所述方法将CNN应用到了原始结构中，使得GAN具有了深度卷积的特性，并在数据生成方面拥有更好的特征表示形式。本发明很好的解决了图像识别过程中训练样本数据难以收集、样本相似度过大等问题，冲破了样本数量与质量在分类模型优化问题上的限制，进一步强化分类模型，提高图像识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN111428676B
公开(公告)日：2023-04-07
申请号：CN202010253414.0
申请日：2020-04-01
Applicant: 南京信息工程大学
IPC: G06V20/00 , G06V10/46 , G06V10/75 , G06N3/045 , G06N3/08 , G06Q10/04 , G06Q50/26 , G06T7/10 , G06T7/246
Abstract: 本发明涉及一种基于稀疏对应和深度神经网络的短临降水预测方法，具体包括以下步骤：(1)图像可视化；(2)Fast特征检测；(3)SIFT匹配；(4)计算全局矢量；(5)预测雷达回波图像、统计云团特征和时空方向特征；(6)Inception v3回归。本发明得到的MAE和RMSE均比其它基于深度学习的方法都要低，且拟合度是最高的，克服了由数据集数量过少带来的问题，且本发明对比了利用传统堆叠方式的CNN，构建Inception v3模型的结果更加精确，能够使降水预测结果更加精确和有效。
-
公开(公告)号：CN108665005B
公开(公告)日：2021-12-07
申请号：CN201810467893.9
申请日：2018-05-16
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种利用DCGAN提高基于CNN图像识别性能的方法，该方法将DCGAN出色的数据生成能力与基于CNN图像识别框架进行了二度结合，并且DCGAN是在GAN的基础上经过改进后的新型对抗生成网络，所述方法将CNN应用到了原始结构中，使得GAN具有了深度卷积的特性，并在数据生成方面拥有更好的特征表示形式。本发明很好的解决了图像识别过程中训练样本数据难以收集、样本相似度过大等问题，冲破了样本数量与质量在分类模型优化问题上的限制，进一步强化分类模型，提高图像识别的准确性。
-
公开(公告)号：CN108765449B
公开(公告)日：2022-04-26
申请号：CN201810468345.8
申请日：2018-05-16
Applicant: 南京信息工程大学
IPC: G06T7/194
Abstract: 本发明公开了一种基于卷积神经网络的图像背景分割和识别方法，该方法利用卷积神经网络学习样本图像，训练得到背景分割模型和识别分类模型，然后依据该模型进行图像的背景分割和识别分类。本发明将卷积神经网络应用于图像识别分类时结合图像背景对识别分类所产生的影响，并且背景分割模型中将卷积神经网络中全连接层替转化为卷积层。本发明提高了图像优化分割效果，并且使得图像背景分割模型有广泛的适用性，最后通过使用卷积神经网络模型来实现图像背景分割后，将图像再用于图像识别分类，以提升识别分类的准确率。
-
公开(公告)号：CN109829495A
公开(公告)日：2019-05-31
申请号：CN201910084351.8
申请日：2019-01-29
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于LSTM和DCGAN的时序性图像预测方法，将DCGAN出色的特征捕捉能力与LSTM进行结合，可使得预测的图像数据可视化，便于直接观察；经过改进后的LSTM网络内部具有卷积特性，能直接学习到图像数据的二维空间特征；为减少其内部学习复杂度，将传统的输入图像改为输入特征；特征来源于DCGAN的提取，相对于原始图像在维度方面有了很大的简化，使得整体网络可控。本发明通过DCGAN很好的降低了特征维度，解决了高维不可计算的问题；改进后的LSTM能够更好地学习到时序性特征，从而实现更精确的预测；整体网络结构在连接方法上遵从栈式级联策略，为控制网络深度提供保障。本发明提出的时序性图像预测模型架构理论上适用于所有的时序性图像。
-
公开(公告)号：CN108765449A
公开(公告)日：2018-11-06
申请号：CN201810468345.8
申请日：2018-05-16
Applicant: 南京信息工程大学
IPC: G06T7/194
CPC classification number: G06T7/194 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明公开了一种基于卷积神经网络的图像背景分割和识别方法，该方法利用卷积神经网络学习样本图像，训练得到背景分割模型和识别分类模型，然后依据该模型进行图像的背景分割和识别分类。本发明将卷积神经网络应用于图像识别分类时结合图像背景对识别分类所产生的影响，并且背景分割模型中将卷积神经网络中全连接层替转化为卷积层。本发明提高了图像优化分割效果，并且使得图像背景分割模型有广泛的适用性，最后通过使用卷积神经网络模型来实现图像背景分割后，将图像再用于图像识别分类，以提升识别分类的准确率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.023 seconds)
