-
公开(公告)号：CN117011718A
公开(公告)日：2023-11-07
申请号：CN202311288015.8
申请日：2023-10-08
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V20/10 , G06V10/764 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 一种基于多元损失融合的植物叶片细粒度识别方法和系统，首先将植物叶片图像以九宫格的方式进行随机掩码完成图像增强，并与原图成对地输入到特征提取网络模型中，得到特征向量；将特征向量输入分类网络层中，并进行品种识别；将特征向量输入到对抗网络层中，进行二分类识别；将掩码图的特征向量输入到自编码网络模块中，进行图像复原的自监督学习；三项任务的损失函数共同监督并指导网络的训练；在自监督任务中掩码图像通过学习复原本身位置使特征提取网络关注到叶片局部特征，而原图在品种识别任务中使特征提取网络关注叶片原有形状信息和全局特征；采用对抗损失函数进行原图与增强图的辨别，预防分类模型过拟合到增强数据中。
-
公开(公告)号：CN116805393A
公开(公告)日：2023-09-26
申请号：CN202310577483.0
申请日：2023-05-22
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V20/10 , G06V10/58 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/26 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 一种基于3DUnet光谱‑空间信息融合的高光谱图像分类方法，包括：步骤一，获取高光谱摄像机对地面场景拍摄的三维图像数据以及对应像素级别的类别标注并做预处理；步骤二，对所述预处理后的Signal‑HSI信号进行样本分割；步骤三，对步骤二处理后的Patch利用3DUnet网络进行光谱特征提取及空间特征提取；步骤四，选对步骤三中的网络模型进行训练并保存训练后的参数；步骤五，利用训练好的网络模型，输入高光谱图像，预测出对应的像素类别。本发明还包括一种基于3DUnet光谱‑空间信息融合的高光谱图像分类系统。本发明通过不同层级的特征提取以及注意力机制，提高解码效率，实现高光谱图像像素级别的分类。
-
公开(公告)号：CN116797904A
公开(公告)日：2023-09-22
申请号：CN202310444502.2
申请日：2023-04-24
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/82 , G06V10/774 , G06N3/08 , G06N3/0464 , G06V10/74 , G06V10/764 , G06N5/02
Abstract: 本发明公开一种图像识别不确定性知识蒸馏方法与系统，收集有标签训练图像样本；选定第一神经网络模型，使用训练图像样本进行训练，得到训练好的第一神经网络模型，输入训练样本图像得到第一神经网络模型中间层样本特征表达及输出的软标签信息；选定第二神经网络模型，对训练图像样本进行处理，得到中间层样本特征表达，与第一神经网络模型的中间层样本特征表达进行不确定性建模，得到第一损失函数；使用第一神经网络模型输出的软标签信息及训练图像样本，联合第一损失函数，更新第二神经网络模型的参数，得到训练好的第二神经网络模型，同时利用本发明第二神经网络模型对待处理图像进行图像识别处理，提高图像识别的准确度。
-
公开(公告)号：CN117058492A
公开(公告)日：2023-11-14
申请号：CN202311322535.6
申请日：2023-10-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/70 , G06N3/09 , G06N5/04
Abstract: 一种基于学习解耦的两阶段训练病害识别方法和系统，其方法包括：步骤S1：采集待识别作物的图像样本，制作训练数据集；步骤S2：构造基于学习解耦的分类算法网络模型；步骤S3：对基于学习解耦的分类算法模型进行一阶段训练；步骤S4：固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；步骤S5：基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。本发明具有准确度高，标注成本极低，且可实现单模型对病害种类和病害等级进行细分类识别。
-
公开(公告)号：CN117011316A
公开(公告)日：2023-11-07
申请号：CN202311278665.4
申请日：2023-10-07
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
Abstract: 一种基于CT图像的大豆茎秆内部结构辨识方法和系统，该方法包括：步骤一，将大豆盆栽放入植物CT采集设备，利用micro‑CT设备对大豆植株进行从上而下的扫描，得到采集的大豆茎秆CT图像数据；步骤二，对采集的CT图像数据集进行数据增强，引入扩散模型对数据进行超分辨处理，获取更丰富的组织细节信息；步骤三，对CT图像进行分割，得到大豆茎秆内部的组织结构的分割图；步骤四，根据分割结果进行体积重建，获得网格化数据，获得分割区域的体积、表面积等参数。本发明利用CT技术对大豆全生命周期的茎秆内部组织进行捕获，避免了传统破坏式捕获大豆植株内部信息，能有效提升大豆植株茎秆内部结构辨识的细粒度，实现精准精细的表型识别。
-
Patent Agency Ranking
公开(公告)号：CN116884481A
公开(公告)日：2023-10-13
申请号：CN202310697601.1
申请日：2023-06-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G16B20/30 , G06N3/0464 , G06N3/0895 , G16B20/00
Abstract: 一种基于图卷积神经网络与自监督重构学习的基因到表型预测方法和系统，该方法基于图卷积神经网络的方法，将每个品种的大豆作为图节点，大豆的基因序列为节点的特征，利用每个品种大豆之间的亲缘关系作为图的边，将构建的图输入图卷积神经网络与自监督重构网络中，更新节点特征，实现大豆基因到表型的预测。本发明创新性的利用图卷积神经网络实现基因到表型的预测，利用自监督学习降低基因维度，并将品种之间的亲缘关系作为先验关联不同品种指导基因到表型挖掘，提高表型预测的效果。
-
公开(公告)号：CN116721412A
公开(公告)日：2023-09-08
申请号：CN202310406872.7
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V20/68 , G06V10/82 , G06V10/774 , G06V10/776 , G06V10/40 , G06N3/0464 , G06N3/09
Abstract: 一种自下而上的基于结构性先验的豆荚关键点检测方法，自定义不同类型豆荚中豆粒的关键点含义，构建了包含主干网络、豆粒位置置信度热力图子网络、部位亲和域子网络、结构先验子网络四部分的自下而上的豆粒关键点检测网络，可实现先利用位置置信度检测得到所有的豆粒位置，然后结合部位亲和域积分计算，利用匈牙利算法得到豆粒之间的最优匹配连接关系，从而提取到豆荚的数量和豆荚的类型。特别的，在训练阶段通过添加结构先验子网络，提升模型的准确率。还包括一种自下而上的基于结构性先验的豆荚关键点检测系统。本发明从豆荚形态上确定豆荚类型，可快速同时检测多个豆荚，并定位得到豆荚中每个豆粒的位置。
-
公开(公告)号：CN116597894A
公开(公告)日：2023-08-15
申请号：CN202310359159.1
申请日：2023-03-31
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
Abstract: 基于XGBoost特征选择与深度学习结合的大豆基因到表型预测方法，首先基于XGBoost方法进行特征选择挑选基因位点，根据XGBoost获得每个基因位点的重要性量度，根据重要性量度排序将重要的基因位点挑选出来，然后将挑选的基因位点进行自监督重构训练得到重构网络参数，最后对挑选的基因位点onehot编码，并利用重要性量度值对编码加权重，将加权重后的编码输入到修改后的重构网络中实现大豆基因到表型的预测。本发明利用XGBoost进行重要基因位点筛选，过滤掉大量冗余的基因位点，并利用生成网络学习基因位点的分布，对基因位点重构，重构网络的参数作为预训练参数指导基因预测表型的训练，提高表型预测的效率和效果。
-
公开(公告)号：CN117252930B
公开(公告)日：2024-05-28
申请号：CN202311222096.1
申请日：2023-09-21
Applicant: 之江实验室
IPC: G06T7/80
Abstract: 本发明公开了一种大型展厅多相机监控系统内外参标定方法和系统，包括以下步骤：获取多相机视频数据作为标定数据；对标定数据进行预处理；进行单目相机标定得到相机内参初值；使用链式法进行相机外参初步估计得到每个相机相对于世界坐标系的位姿作为相机外参初值；进行标定板位姿初步估计得到每个特定姿态下的标定板位姿初值；构造总重投影误差作为目标函数并引入基于畸变参数的正则项；使用相机内参初值、相机外参初值和标定位板位姿初值，最小化带有正则项的目标函数以求解全局优化问题，得到最优相机内外参数。本发明能够减小人工成本和风险，提高相机内外参标定的准确性，适用于高空悬挂或处于开阔空间中的多相机系统内外参标定应用场景。
-
公开(公告)号：CN114022727B
公开(公告)日：2024-04-26
申请号：CN202111221950.3
申请日：2021-10-20
Applicant: 之江实验室
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了本发明公开一种基于图像知识回顾的深度卷积神经网络自蒸馏方法，该方法首先针对目标网络设置辅助网络，在目标网络的下采样层引出分支，采用知识回顾的思路依次融合和连接各个分支，在训练过程中，通过监督学习以及采用目标网络的下采样层向引出分支层进行学习的方式，达到自蒸馏的目的。本发明在深度卷积神经网络自蒸馏领域引入知识回顾的思路，提高了深度卷积神经网络的训练精度；采用辅助网络的形式进行自蒸馏，相对使用数据增强来拉进类内距离的自蒸馏方法，在实际应用中更加简洁方便。
-
-
-
-
-
-
-
-
-
Search Results
181
records
(took 0.061 seconds)
