-
公开(公告)号：CN119295756B
公开(公告)日：2025-04-08
申请号：CN202411812830.4
申请日：2024-12-10
Applicant: 安徽大学
IPC: G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明涉及一种抗非对齐的SAR‑光学影像耦合对比融合建筑物分割方法。本发明包括以下步骤：构建建筑物遥感影像分割多模态数据集；构建抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；训练抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型；抗非对齐的SAR‑光学影像耦合对比融合建筑物分割模型结果获取。与现有技术相比，解决了现有方法在处理多模态图像对弱对齐问题时，注重严格的模态对齐从而忽略了模态间的差距。本发明通过偏移引导自适应特征对齐模块捕获最佳的对齐位置，从而实现模态间的自适应对齐。进一步通过多模态图像融合的耦合对比学习框架提取模态间的互补特征，从而减少融合结果的冗余信息，保证分割结果的精度和鲁棒性。
-
公开(公告)号：CN119719953A
公开(公告)日：2025-03-28
申请号：CN202411818909.8
申请日：2024-12-11
Applicant: 安徽大学
IPC: G06F18/2415 , G01M13/04 , G06F18/213
Abstract: 本发明公开了一种融合邻域关系保持与流形嵌入分布对齐的轴承故障诊断方法，包括四个步骤：(1)信号处理与时频统计特征提取；(2)域适应特征选取，基于朴素贝叶斯分类精度与域差异的域适应特征评价方法；(3)基于邻域关系保持与流形嵌入分布对齐的域适应，将源域和目标域特征数据映射到Grassmann流形后，执行自适应动态分布对齐的过程中考虑类别标签信息和邻域关系保持，在降低训练数据与未知数据间分布差异的同时提高特征数据的可分性；(4)轴承跨域故障诊断模型训练与测试。本发明方法构建的模型跨域故障诊断性能明显优于其他模型，结合朴素贝叶斯分类精度与域差异的域适应特征评价方法，能够明显提高跨域故障诊断准确率。
-
公开(公告)号：CN119417743A
公开(公告)日：2025-02-11
申请号：CN202510013130.7
申请日：2025-01-06
Applicant: 安徽大学
Abstract: 本发明涉及一种多尺度表征光学影像低频定位误差自适应补偿方法，与现有技术相比实现了从时间、组成等维度考虑对低频误差解耦表征，适应构建低频误差补偿模型。本发明包括以下步骤：多尺度表征光学影像低频定位误差自适应补偿准备工作；对光学影像低频定位误差进行多时间尺度表征；考虑动态、静态误差解耦的光学影像低频定位误差模型自适应构建；利用非共线控制点对补偿模型进行偏最小二乘求解与补偿参数应用。本发明采用变分模态分解方法将低频误差表征成周期项、趋势项以及噪声项，根据其组份间量级大小关系，自适应构建低频误差补偿模型。
-
公开(公告)号：CN119129832A
公开(公告)日：2024-12-13
申请号：CN202411266597.4
申请日：2024-09-11
Applicant: 安徽大学
Abstract: 本发明涉及一种基于LSTM网络模型的碳排放预测方法，包括：将原始碳排放序列分解为一系列具有有限带宽的VMF模态分量和残差；引入白噪声加权和多次重构，得到IMF分量；将Luong注意力机制加入LSTM长短时记忆网络模型中；将VMF模态分量、IMF分量输入改进的LSTM长短时记忆网络模型，对各个预测结果进行叠加重构，得到注意力输出向量。本发明先通过变分模态分解VMD降低原始时间序列的复杂度，再通过集合经验模态分解EEMD对变分模态分解VMD的残差进行重新分解，利用结合Luong注意力机制的LSTM模型对分解后所提取的特征进行预测，最终完成对地区的二氧化碳排放量预测；解决了变分模态分解残差项中有较高的复杂度以及信息量提取不到的问题，以提高预测模型的准确性和稳定性。
-
公开(公告)号：CN115984850A
公开(公告)日：2023-04-18
申请号：CN202310116702.5
申请日：2023-02-15
Applicant: 安徽大学
IPC: G06V20/70 , G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774
Abstract: 本发明涉及一种基于改进Deeplabv3+的轻量级遥感影像语义分割方法，包括：通过遥感卫星获取不同情景下的图像，得到数据集；在数据集中选定分割对象，对分割对象进行语义标注和分割，进行图像增强，在图像增强后将整个数据集划分为训练集、测试集和验证集；构建改进的DeepLabv3+网络模型，采用训练集训练改进的DeepLabv3+网络模型；将测试集中的测试图像输入训练后的改进的DeepLabv3+网络模型，选定分割对象为田地、建筑群或水域，并保存语义分割的结果图像。本发明基于改进的DeepLabv3+网络模型，训练参数量较小、精度较高、边缘分割更细腻、有效改善孔洞问题；本发明系统针对田地、建筑群、水域多种分割对象，便于不同场景使用，智能便捷。
-
Patent Agency Ranking
公开(公告)号：CN115861731A
公开(公告)日：2023-03-28
申请号：CN202211473750.1
申请日：2022-11-22
Applicant: 安徽大学
IPC: G06V10/774 , G06V20/13 , G06V20/70 , G06T3/40 , G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于坐标注意力和双时间语义推理的自然保护地遥感图像语义变化检测方法，包括：获取遥感图像数据；进行数据预处理与数据增强；构建残差坐标注意力模块，构建双时间语义推理模块，构建CAB‑SRNet网络模型；基于联合损失函数，采用训练集对CAB‑SRNet网络模型进行训练，训练完成后用测试集评估CAB‑SRNet网络模型的识别精度和提取效果；进行语义变化识别：将待提取的自然保护地遥感图像进行数据预处理后，输入训练完成的CAB‑SRNet网络模型，CAB‑SRNet网络模型输出预测图像，得到自然保护地土地利用语义变化识别结果。本发明能有效识别变化区域的位置信息和边界信息，提高变化识别精度；能够在关键区域更好地区分土地利用类型，获取好的语义变化识别效果。
-
公开(公告)号：CN115265476A
公开(公告)日：2022-11-01
申请号：CN202211020216.5
申请日：2022-08-24
Applicant: 安徽大学
Abstract: 一种铁轨隧道拱顶沉降动态监测装置，包括至少一个监测标签，所述监测标签设置于隧道拱顶的监测点处；智能巡检车，其包括巡检车本体，所述巡检车本体沿铁轨巡检，所述巡检车本体上设置有能感知监测标签、定位监测点、完成测距、根据测距结果计算当前监测点沉降情况的沉降监测终端。本发明的监测装置能够降低监测成本，提升监测效率和精度；智能巡检车沿铁轨巡检，可实现动态监测，其速度快，可提升监测效率，其振动小，可保证测距精度。
-
公开(公告)号：CN115130777A
公开(公告)日：2022-09-30
申请号：CN202210839835.0
申请日：2022-07-15
Applicant: 安徽大学
Abstract: 本发明提供了一种基于实时电价激励的微电网能源系统优化方法，属于电子信息技术领域。包括建立微电网能源系统及系统数据的获取；确定状态集合、动作集合、奖励函数和实时电价激励机制；利用实时电价激励机制和Dueling Double DQN算法进行离线学习得到最优策略，系统在任一状态下均能实现经济效益最大化。本发明优化方法利用实时买卖电价对策略进行激励探索、在线评价网络获取当前状态下最优动作价值对应的动作、目标评价网络计算该动作的动作价值得到目标估计值，有效避免了算法的“过估计”问题，提高了算法估计精度，从而实现了微电网能源系统经济效益最大化。
-
公开(公告)号：CN119444875B
公开(公告)日：2025-04-08
申请号：CN202510027732.8
申请日：2025-01-08
Applicant: 安徽大学
IPC: G06T7/80 , G01S13/90 , G06V20/13 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明涉及一种提示学习和SAR数据辅助光学影像外参数自主标定方法，与现有技术相比实现了摆脱地面控制点依赖和融合多源信息，构建光学影像外参数补偿模型。本发明包括以下步骤：提示学习和SAR辅助的光学影像外参数自主标定方法准备工作；SAR卫星影像转换伪光学影像；基于提示学习的光学影像外参数自主标定模型构建；基于提示学习的光学影像外参数自主标定模型训练；光学影像外参数自主标定模型的应用。本发明通过引入SAR影像和提示学习技术，在传统标定方法无法覆盖的区域，如极地、沙漠和山林区域中外参数定标性能表现尤为突出。
-
公开(公告)号：CN119399218B
公开(公告)日：2025-04-08
申请号：CN202510016832.0
申请日：2025-01-06
Applicant: 安徽大学
IPC: G06T7/10 , G06T5/80 , G06V10/40 , G06V10/764 , G06V20/10
Abstract: 本发明涉及一种基于风格转换的跨场景高光谱图像分割方法。本发明包括以下步骤；构建跨场景高光谱图像分割数据集；构建多视角信息融合分割网络；构建基于风格转换的跨场景高光谱图像分割网络；训练并测试基于风格转换的跨场景高光谱图像分割网络。与现有技术相比，本发明通过跨场景高光谱图像分割网络，解决了现有高光谱分类任务中，由于不同卫星高光谱图像之间存在风格差异，导致难以将源域训练模型迁移至目标域数据集的问题。此外，本发明采用多视角信息融合分割网络以聚合高光谱图像的空谱信息，从而实现了将源域卫星数据上训练的模型有效迁移至目标域卫星数据的创新方法。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.025 seconds)
