-
Patent Agency Ranking
公开(公告)号：CN119537900A
公开(公告)日：2025-02-28
申请号：CN202411619422.7
申请日：2024-11-13
Applicant: 安徽大学
IPC: G06F18/2111 , G01N21/25 , G06F18/214 , G06F18/21 , G06N3/092
Abstract: 本申请实施例公开了一种基于深度强化学习的协同进化多组分光谱特征选择方法，包括对样本中的光谱信号和组分浓度值进行收集采集，对现场光谱数据库SDate中的个体进行编码并进行归一化处理，计算现场光谱数据库SDate中所有个体的特征选择比率，建立DQN训练模型，并初始化一个深度神经网络Net和空的经验池M，在所述训练集进行迭代的过程中，统计种群内各个区间的变量占总变量的比率，将初始主种群和多个辅助种群进行交配并训练和更新DQN，以输出最终种群，最终种群构建水分、脂肪、蛋白质混合多组分光谱定量分析模型，通过进化早期阶段训练的深度强化学习模型推荐辅助种群与主种群协同进化，以期快速获取最优光谱特征子集。
-
公开(公告)号：CN118941810A
公开(公告)日：2024-11-12
申请号：CN202411089327.0
申请日：2024-08-09
Applicant: 安徽大学
Abstract: 本发明公开了一种基于大规模稀疏优化算法的端元提取方法，包括：1.导入高光谱遥感图像数据，初始化种群与全局记录；2.通过全局记录筛选出优秀端元组成解，缩小端元搜索空间，并在迭代过程中不断更新全局记录；3.采用多种子种群产生方式，增加种群多样性，全面搜索端元；4.将新产生的子种群与原种群合并，并通过非支配排序与拥挤距离获得Pareto解集，经过多次迭代进化，获得一组高光谱端元提取结果。本发明能从多角度衡量端元的质量，解决了端元搜索重复、不彻底和搜索空间过大的问题，使端元提取的结果更加精确、多样化。
-
公开(公告)号：CN116883751A
公开(公告)日：2023-10-13
申请号：CN202310880867.X
申请日：2023-07-18
Applicant: 安徽大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于原型网络对比学习的无监督领域自适应图像识别方法，其步骤包括：1、定义具有c个类别的领域自适应图像数据集；2、构建基于原型网络的对比学习领域自适应网络模型；3、使用领域偏置原型建模策略和原型级别对比学习策略训练构建的网络模型；4、构建整体损失函数优化模型权重参数，得到最优的目标域图像分类模型。本发明通过探索领域间图像特征的语义结构来构建领域偏置原型，然后自适应的对齐原型以减少领域间差异，从而能实现目标域图像类别的精准识别。
-
公开(公告)号：CN113011324B
公开(公告)日：2023-03-24
申请号：CN202110290895.7
申请日：2021-03-18
Applicant: 安徽大学
IPC: G06V20/40 , G06V10/75 , G06V10/764 , G06T7/10
Abstract: 本发明公开了基于特征图匹配和超像素图排序的目标跟踪方法及装置，所述方法包括：提取连续两帧的图像对的特征并进行特征点匹配；对前一帧图像进行超像素以及对当前帧图像进行超像素分割；确定超像素图排序的指示向量，使用半监督的图排序技术得到当前帧图像的排序结果，进而获得当前帧图像的二进制分割掩码；根据当前帧图像的二进制分割掩码对目标进行定位和跟踪；本发明的优点在于：目标跟踪过程中将分割和跟踪一体化，实现更便捷的分割与跟踪功能。
-
公开(公告)号：CN113011324A
公开(公告)日：2021-06-22
申请号：CN202110290895.7
申请日：2021-03-18
Applicant: 安徽大学
Abstract: 本发明公开了基于特征图匹配和超像素图排序的目标跟踪方法及装置，所述方法包括：提取连续两帧的图像对的特征并进行特征点匹配；对前一帧图像进行超像素以及对当前帧图像进行超像素分割；确定超像素图排序的指示向量，使用半监督的图排序技术得到当前帧图像的排序结果，进而获得当前帧图像的二进制分割掩码；根据当前帧图像的二进制分割掩码对目标进行定位和跟踪；本发明的优点在于：目标跟踪过程中将分割和跟踪一体化，实现更便捷的分割与跟踪功能。
-
-
-
-
Search Results
5
records
(took 0.027 seconds)
