-
公开(公告)号：CN119027317A
公开(公告)日：2024-11-26
申请号：CN202411513371.X
申请日：2024-10-28
Applicant: 安徽大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4038 , G06T3/4046 , G06T5/70 , G06T5/60 , G06N3/084
Abstract: 本发明涉及一种基于全局引导条件扩散模型的高光谱影像超分方法，与现有基于扩散模型的技术相比，该方法解决了全局与局部信息建模不平衡以及空间细节恢复不足的问题，特别是在处理高频特征时，使得重建的图像在细节上不够清晰。本发明包括以下步骤：低分辨率高光谱图像的获取及预处理、构建基于全局引导条件扩散模型的高光谱影像超分模型、训练基于全局引导条件扩散模型的高光谱影像超分模型、高光谱超分辨率结果获取。本发明利用Diffusion Transformer扩散模型，通过动态调整注意力分布，增强模型处理复杂多样噪声模式的能力，确保在不同噪声水平下都能恢复出高质量图像，更好地保持细节和光谱一致性，同时实现更少的计算开销。
-
公开(公告)号：CN118101034A
公开(公告)日：2024-05-28
申请号：CN202410218265.2
申请日：2024-02-28
Applicant: 安徽大学
IPC: H04B7/185 , G06V20/17 , G06V10/24 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/084 , H04W84/06 , H04W4/029 , H04L41/16
Abstract: 本发明涉及一种基于用户位置动态预测的无人机辅助通信系统优化方法，包括：建立无人机机载电源电池组的数学模型；建立无人机与用户之间的关联性指标；建立无人机感受野数据库；得到无人机感受野内未来时刻用户的位置情况；得到优化后的双深度Q网络；对无人机飞行方向和飞行距离进行优化；利用长短期记忆网络对未来用户分布变化进行预测，求出最大化无人机系统吞吐量和最小化能耗的飞行轨迹，最终得到最优策略π*(s)。本发明采用深度强化学习框架，并通过添加卷积网络和双深度Q网络来提取场景特征，能够更好地应对复杂的环境；采用无人机变速方案，进一步缩短了任务完成时间；能够适应不同的复杂环境，并具有较高的智能化水平。
-
公开(公告)号：CN117576467B
公开(公告)日：2024-04-26
申请号：CN202311560242.1
申请日：2023-11-22
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/20 , G06V10/82 , G06V10/44 , G06V10/56 , G06V10/77 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06V10/80 , G06N3/08 , G06N3/045
Abstract: 本发明涉及一种融合频率域和空间域信息的农作物病害图像识别方法，与现有技术相比解决了难以在复杂环境下实现农作物病害检测的缺陷。本发明包括以下步骤：农作物病害图像的获取及预处理；双分支病害图像识别模型的构建；双分支病害图像识别模型的训练；待识别农作物病害图像的获取；农作物病害图像识别结果的获得。本发明结合图像频率域信息与空间域信息提出了双分支的深度神经网络用于农作物病害识别，频率分支接受频域信息作为输入用于提取丰富的农作物病害频率分量特征，可变形注意力Transformer分支擅长于表征全局特征并且有选择的关注农作物病害局部区域特征，融合方法MSAF更好的融合农作物病害频率特征和空间特征。
-
公开(公告)号：CN109656977B
公开(公告)日：2024-02-09
申请号：CN201811544518.6
申请日：2018-12-17
Applicant: 安徽大学
IPC: G06F16/2458 , G06F16/215 , G01F23/00 , G01N1/14 , G01N21/31 , G01N21/64 , G01N27/26 , G01P5/00 , G06Q50/02
Abstract: 本发明公开了一种农业面源污染监测大数据管理系统，涉及环境监测工程技术领域，包括依次通信连接的采样分析站、监测站、子监控中心和总监控中心，采样分析站抽取监测点的水样后确定污染物浓度，同时检测监测点的水位和流速，监测站根据采样分析站发送的数据确定各个监测点的实时污染物总量，由子监控中心对监测站发送的实时污染物总量数据过滤处理后，发送到总监控中心。本发明的管理系统能够对全国范围内各个监测点的情况进行实时监测，并且经过层层传递后最终汇总到总监控中心，给省市范围的面源污染治理提供准确及时的数据参考，同时
-
公开(公告)号：CN117495841A
公开(公告)日：2024-02-02
申请号：CN202311633609.8
申请日：2023-12-01
Applicant: 安徽大学
IPC: G06T7/00 , G06N3/0464 , G06T7/13
Abstract: 本发明涉及光场图像质量评价领域，本发明公开了一种基于光场解耦的无参考光场图像质量评价方法及系统，包括:利用特殊设计的图像块选择策略，对原始光场图像进行信息筛选和重构，获得质量较高的训练样本；对所述的训练样本利用光场解耦机制，将高纬度的光场图像数据转化为面向神经网络的低纬度输入数据；设计多流卷积神经网络对输入数据进行特征提取，学习光场图像中的空间质量信息、角度质量信息以及空间角度一致性信息；基于融合后的特征信息获得质量预测值；本发明利用解耦思想结合多流卷积神经网络提取光场图像的质量相关特征，对光场图像的质量评价更贴近人眼主观评价，相比其他评价方法，在多个公开数据集上准确度更高。
-
Patent Agency Ranking
公开(公告)号：CN117474801A
公开(公告)日：2024-01-30
申请号：CN202311425998.5
申请日：2023-10-30
Applicant: 安徽大学
IPC: G06T5/73 , G06T5/60 , G06V10/42 , G06V10/44 , G06V10/56 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种融合时空频信息的非均匀遥感视频影像去雾方法，所述方法包括以下步骤：获取合成有雾遥感视频影像数据集；构建融合时域、空域和频域信息的非均匀遥感视频影像去雾模型；非均匀遥感视频影像去雾模型训练；待去雾真实遥感视频影像数据获取；待去雾真实遥感视频影像去雾结果的获取。与现有技术相比，通过构建帧间三维卷积时空特征聚合模块，能够有效利用遥感视频影像数据连续帧间的相似信息，挖掘时空特征，提高图像恢复的质量，同时本发明结合频域分析的方法进行帧内去雾，充分考虑影像低频信息和高频信息的差异，均衡影像全局亮度、对比度、颜色信息和恢复局部细节纹理。
-
公开(公告)号：CN117218429A
公开(公告)日：2023-12-12
申请号：CN202311178205.4
申请日：2023-09-13
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/77
Abstract: 本发明涉及一种基于双分支网络的光谱‑空间注意力机制的高光谱图像分类方法，包括：输入高光谱图像数据立方体；使用主成分分析将高光谱图像的光谱维数降维，对于要分类的像素，将其封装成相邻区域块作为光谱子网络的输入；在每个特定像素周围创建一个相邻区域来收集空间信息，并作为空间子网络的输入；得到一维光谱特征；得到一维空间特征；通过融合层对一维光谱特征和一维空间特征进行融合和平衡，使用softmax回归层来预测每一类地物的概率分布。本发明通过对高光谱图像作为研究对象，在有限样本的前提下提高高光谱图像的有效特征表示，既保证了分类精度，又减少了网络模型的参数个数和计算量；充分利用了光谱信息和空间信息，以取得更好的分类结果。
-
公开(公告)号：CN117036958A
公开(公告)日：2023-11-10
申请号：CN202311157101.5
申请日：2023-09-08
Applicant: 安徽大学
IPC: G06V20/10 , G06V10/20 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种小麦幼苗期分蘖数的检测方法，包括：获取小麦幼苗根茎部图像并进行预处理；构建小麦幼苗分蘖数检测识别模型；将卷积注意力模块加入小麦幼苗分蘖数检测识别模型中；将训练集输入改进的小麦幼苗分蘖数检测识别模型进行训练，得到训练后的小麦幼苗分蘖数检测识别模型；将待识别的小麦幼苗根茎部图像输入训练后的小麦幼苗分蘖数检测识别模型中，得到小麦幼苗分蘖数图像检测识别分类结果。本发明的训练结果较好，对小麦幼苗分蘖数检测识别模型性能的提高更加显著，对小麦幼苗的分蘖数检测精确度明显提高，可以有效解决小麦幼苗图像中存在的遮挡重叠问题，实现分蘖期小麦幼苗分蘖部位的准确检测和分蘖数的准确识别。
-
公开(公告)号：CN116452936B
公开(公告)日：2023-09-29
申请号：CN202310446031.9
申请日：2023-04-22
Applicant: 安徽大学
IPC: G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/048
Abstract: 本发明涉及融合光学和SAR影像多模态信息的旋转目标检测方法，该方法相较于现有技术能够有效地解决由于遥感图像采集和传输过程中受到各种干扰导致目标无法精确识别的问题，同时该方法也能够应对不同类别目标具有不同的形状、大小、颜色等特征，或是存在重叠、遮挡等问题。本发明包括以下步骤：SAR影像数据集和光学影像数据集的特征提取；跨模态多尺度特征融合；两阶段旋转预测头定位和分类不同角度的目标。本发明可以有效解决因天气、光照、物体颜色等单一模态目标无法精确检测目标的问题，以及旋转框定位目标精度不高等问题，从而提高目标检测的准确率和效率。
-
公开(公告)号：CN116452936A
公开(公告)日：2023-07-18
申请号：CN202310446031.9
申请日：2023-04-22
Applicant: 安徽大学
IPC: G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084 , G06N3/048
Abstract: 本发明涉及融合光学和SAR影像多模态信息的旋转目标检测方法，该方法相较于现有技术能够有效地解决由于遥感图像采集和传输过程中受到各种干扰导致目标无法精确识别的问题，同时该方法也能够应对不同类别目标具有不同的形状、大小、颜色等特征，或是存在重叠、遮挡等问题。本发明包括以下步骤：SAR影像数据集和光学影像数据集的特征提取；跨模态多尺度特征融合；两阶段旋转预测头定位和分类不同角度的目标。本发明可以有效解决因天气、光照、物体颜色等单一模态目标无法精确检测目标的问题，以及旋转框定位目标精度不高等问题，从而提高目标检测的准确率和效率。
-
-
-
-
-
-
-
-
-
Search Results
300
records
(took 0.032 seconds)
