-
公开(公告)号：CN102945360B
公开(公告)日：2015-05-20
申请号：CN201210351076.X
申请日：2012-09-20
Applicant: 南京信息工程大学
Abstract: 本发明属图像分析和识别领域，具体涉及基于形态学和逻辑运算的多普勒雷达图像逆风区检测方法，该方法包括：对一幅多普勒雷达径向速度图像预处理的步骤，采用形态学和逻辑学运算的组合操作方法检测雷达图像中逆风区区域的步骤，以及逆风区尺度筛选并突出显示的步骤。本发明提供的方法，能够快速准确的检测并突出显示多普勒雷达图像中的逆风区区域，具有方法简单、速度快、准确率高、易于软硬件实现的特点。本方法可以很方便的应用到个人计算机或者移植到嵌入式系统中，为实现多普勒雷达图像逆风区迅速且准确地自动检测提供了基础技术支持。
-
公开(公告)号：CN111402137B
公开(公告)日：2023-04-18
申请号：CN202010205303.2
申请日：2020-03-20
Applicant: 南京信息工程大学
IPC: G06T3/40 , G06N3/0455 , G06N3/048 , G06N3/084 , G06N3/088
Abstract: 本发明提供了一种基于感知损失引导的深度注意力编解码单图像超分辨率算法，包括以下步骤：构建感知损失引导的深度注意力编解码网络模型；根据网络模型设计感知损失目标函数；预设网络模型超参，根据感知损失目标函数，采用反向传播算法训练网络模型；若网络模型收敛，则输出期望的高分辨率图像，否则返回执行上一步骤，直至网络模型收敛。本发明在网络中加入了残差空间注意力单元用于捕获并重建出更多的低频信息，使用平均绝对误差和结构相似度损失组成的感知损失作为损失函数来优化网络参数，使得网络可以更多地关注视觉敏感区域，以保存视觉信息结构，从而提高重建图像的质量，使得重建图像有着优秀的视觉效果，并且该网络的重建效率极高。
-
公开(公告)号：CN115861099A
公开(公告)日：2023-03-28
申请号：CN202211484673.X
申请日：2022-11-24
Applicant: 南京信息工程大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种引入物理成像先验知识约束的卫星云图图像复原方法，包括步骤：S1，搭建PKKernelGAN+ZSSR图像退化模糊核估计深度神经网络；S2，构建成像退化矩阵；S3，将成像退化矩阵写入损失函数，训练PKKernelGAN网络，获得云图图像退化模糊核估计网络PKKernel‑G；S4，构建“高质量‑低质量”成对云图图像数据集；S5，基于“高质量‑低质量”成对云图图像数据集，训练云图图像复原深度神经网络ZSSR；S6，将原始云图图像输入步骤S5训练好的云图图像复原深度神经网络ZSSR，得到最终输出的高质量复原云图图像。本发明能度量云图图像物理成像损失，提升图像复原效果。
-
公开(公告)号：CN108415954A
公开(公告)日：2018-08-17
申请号：CN201810116077.3
申请日：2018-02-06
Applicant: 南京信息工程大学
IPC: G06F17/30
Abstract: 本发明提供了一种不确定单色相互最近邻查询处理方法，并包括步骤：初始化最小堆Hrfn，令集合Sstemp、Ocand、Opru等为空；遍历R树，得到查询对象q的最近邻候选集nnq，并将此过程中被剪枝的结点和对象保存在最小堆Hrfn内；依次将nnq中的对象o插入Hrfn中，同时在集合Ocand上使用GP规则对对象o进行判断，如果o符合条件则将o插入集合Opru，否则将o插入集合Ocand；将Hrfn中的元素插入集合Sstemp；在集合Opru上使用GP规则，找出集合Ocand中一定不是q的反向最近邻的对象，并做标记；对Ocand中未做标记的每个对象o，遍历集合Sstemp查询得到o的最近邻候选集nno；求出nno与nnq的并集得到o的概率计算列表；计算Ocand中未做标记的每个对象的概率值；将概率值大于阈值的对象作为结果返回。
-
公开(公告)号：CN104268722B
公开(公告)日：2017-08-22
申请号：CN201410558669.2
申请日：2014-10-20
Applicant: 南京信息工程大学
IPC: G06Q10/06
Abstract: 本发明公开了一种基于多目标进化算法的动态柔性作业车间调度方法,主要解决现有方法对动态变化的环境自适应能力差且搜索效率低的问题。其实现步骤是：（1）初始化。读取作业和机器属性等信息，定义优化目标,设定约束条件；（2）在初始时刻，基于静态多目标进化算法，同时优化完工时间、拖期和最大机器负载；（3）在车间生产过程中，采用由紧急动态事件驱动的重调度方式，基于动态多目标进化算法在新环境中快速产生一个新的调度方案，以同时优化待调度工件的完工时间、拖期、最大机器负载和稳定性。与传统调度方法相比，本发明能够及时响应紧急动态事件的发生，根据动态环境自适应地调整搜索策略，生成的调度方案具有效率高、稳定性优的特点。
-
Patent Agency Ranking
公开(公告)号：CN117975295A
公开(公告)日：2024-05-03
申请号：CN202410382650.0
申请日：2024-04-01
Applicant: 南京信息工程大学
IPC: G06V20/13 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06V10/80
Abstract: 本发明公开了一种基于多尺度特征感知神经网络的积雪深度预测方法，包括：获取积雪观测气象站附近的卫星图像，并对卫星图像进行预处理；搭建基于多尺度特征感知能力的深度神经网络模型，利用训练集对深度神经网络模型进行训练；将测试集数据输入至训练之后的深度神经网络模型，实现积雪深度的预测。本发明构建了多尺度特征提取单元MFSE、多尺度特征聚合单元MSFAA、多尺度特征融合单元HLF，以及各单元内部和单元之间网络连接网络，不仅可以捕获多尺度图像特征，还可以实现多尺度图像特征有效融合；将本方法用于积雪深度估算，可以提高积雪深度估算的准确性。
-
公开(公告)号：CN108734661B
公开(公告)日：2020-12-29
申请号：CN201810517138.7
申请日：2018-05-25
Applicant: 南京信息工程大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于图像纹理信息构建损失函数的高分辨率图像预测方法。首先随机初始化SRCNN卷积神经网络的连接权重与偏置，并设置网络参数；将训练数据预处理后获得高、低分辨率图像对训练集；接着将低分辨率图像输入网络框架，得到网络输出的高分辨率图像；然后，采用考虑图像纹理信息的损失函数进行误差计算，如果未达到迭代次数则进行权值修正，最终得到训练好的网络；在测试阶段，输入低分辨率图像至训练好的网络，得到预测的高分辨率图像。本发明构建的损失函数不仅可以度量像素损失，而且还可以度量图像纹理信息损失，克服了SRCNN卷积神经网络超分辨算法的不足，有效实现了SRCNN算法性能的进一步提升。
-
公开(公告)号：CN108764472A
公开(公告)日：2018-11-06
申请号：CN201810490436.1
申请日：2018-05-18
Applicant: 南京信息工程大学
CPC classification number: G06N3/084 , G06N3/0454
Abstract: 本发明卷积神经网络分数阶误差反向传播方法,包括如下步骤：步骤1）选择卷积神经网络模型；步骤2）利用分数阶误差反向传播方法更新网络权值；步骤3）根据所述的网络权值，获取卷积神经网络参数。有益效果：将误差反向传播过程中激活函数的整数阶导数变为分数阶导数，发挥了分数阶求导模型比整数阶求导模型更加准确的优势，有效缓解了误差反向传播过程中的“梯度消失”问题，提高了卷积神经网络的训练效率，使卷积神经网络对于训练数据实现更好的拟合，提高了网络的泛化能力。
-
公开(公告)号：CN108734661A
公开(公告)日：2018-11-02
申请号：CN201810517138.7
申请日：2018-05-25
Applicant: 南京信息工程大学
IPC: G06T3/40
CPC classification number: G06T3/4053 , G06T3/4046
Abstract: 本发明公开了一种基于图像纹理信息构建损失函数的高分辨率图像预测方法。首先随机初始化SRCNN卷积神经网络的连接权重与偏置，并设置网络参数；将训练数据预处理后获得高、低分辨率图像对训练集；接着将低分辨率图像输入网络框架，得到网络输出的高分辨率图像；然后，采用考虑图像纹理信息的损失函数进行误差计算，如果未达到迭代次数则进行权值修正，最终得到训练好的网络；在测试阶段，输入低分辨率图像至训练好的网络，得到预测的高分辨率图像。本发明构建的损失函数不仅可以度量像素损失，而且还可以度量图像纹理信息损失，克服了SRCNN卷积神经网络超分辨算法的不足，有效实现了SRCNN算法性能的进一步提升。
-
公开(公告)号：CN105929690B
公开(公告)日：2018-07-24
申请号：CN201610281979.3
申请日：2016-04-29
Applicant: 南京信息工程大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于分解多目标进化算法的柔性车间鲁棒调度方法,(1)读取柔性作业车间的作业和机器属性等输入信息；定义优化目标，设定约束条件；(2)初始化算法的参数；(3)确定每个子问题的邻域，产生初始父代群体，从初始群体中确定出所有的Pareto非支配解构成外部存储器；(4)生成子代群体。进行交配选择，采用自适应变异算子和基于修复的交叉算子繁殖子代个体，并更新外部存储器；(5)利用生成的子代群体对各子问题的当前最优个体进行更新，构成新的父代群体；(6)判断个体目标评价次数若达到最大，则输出外部存储器，即一组Pareto非支配的柔性作业车间调度解；未达到则跳转至(4)。本发明快速高效地实现柔性作业车间中的调度任务。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.032 seconds)
