-
公开(公告)号：CN105787516B
公开(公告)日：2019-07-16
申请号：CN201610134494.1
申请日：2016-03-09
Applicant: 南京信息工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于空谱局部性低秩超图学习的高光谱图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：输入高光谱数据集，组成光谱特征矩阵X；设置相关参数，融入空谱局部性约束，构建空谱局部性约束的低秩表示模型；设置相关参数，使用交替方向乘子算法开始迭代求解；根据低秩表示模型中系数矩阵Z构建空谱局部性低秩超图；设置相关参数，建立半监督超图学习模型；设置相关参数，迭代求解半监督超图模型，输出光谱特征数据集X的分类结果矩阵F*。本发明设计了半监督超图学习算法应用于最后的高光谱图像分类。相对于其他较为先进的方法，本发明的分类效果更好，并且对噪声和图像退化的鲁棒性更高。
-
公开(公告)号：CN109492691A
公开(公告)日：2019-03-19
申请号：CN201811318538.1
申请日：2018-11-07
Applicant: 南京信息工程大学
CPC classification number: G06K9/6259 , G06K9/6267 , G06N3/0454 , G06N3/08
Abstract: 本发明提供一种超图卷积网络模型及其半监督分类方法包括如下步骤：包括如下步骤：步骤1：对非欧式结构的样本数据特征进行稀疏编码，形成样本表示系数矩阵；步骤2：依据样本的相似性构建超边，计算超边权重，构建超图模型；步骤3：借助于超图谱理论，定义超图上的卷积运算，构建超图卷积网络模型；步骤4：定义超图卷积网络上的半监督学习方法，设计损失函数，旨在利用少量标定样本的类别信息，预测所有样本的类别标签；步骤5：分别制作训练、验证和测试的半给定标签矩阵，设置网络超参数，训练网络模型，依据随机梯度下降算法学习网络的卷积核以及正则性因子参数；步骤6：对于给定数据，用训练好的模型预测未知的样本类别，实现半监督分类。
-
公开(公告)号：CN109064497A
公开(公告)日：2018-12-21
申请号：CN201810778141.4
申请日：2018-07-16
Applicant: 南京信息工程大学
CPC classification number: G06T7/277 , G06K9/6218 , G06K9/6268 , G06T7/90 , G06T2207/30232
Abstract: 本发明公开一种基于颜色聚类补充学习的视频跟踪方法，属于图像处理技术领域。包括输入上一帧状态及分类参数、对目标区域颜色聚类、根据聚类中心统计出直方图、计算颜色响应、计算相关滤波响应、颜色响应和相关滤波响应融合、更新分类器参数、输出当前帧状态及分类器参数八个步骤。通过对传统的颜色直方图补充学习跟踪方法进行分析和改进，有效地利用颜色分布的信息，采用聚类和统计颜色直方图手段，学到更有效的颜色聚类补充学习器并与传统的相关滤波学习器相融合，能够有效区分目标和背景，在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下依然可以准确地跟踪目标。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN108960122A
公开(公告)日：2018-12-07
申请号：CN201810691249.X
申请日：2018-06-28
Applicant: 南京信息工程大学
CPC classification number: G06K9/00288 , G06K9/00302 , G06K9/6256 , G06N3/0454
Abstract: 本发明公开了一种基于时空卷积特征的表情分类方法，该表情分类方法通过改进的卷积神经网络inception‑w进行人脸深度特征提取，然后将提取的特征送到基于深度残差的长短期记忆网络Deep‑Res‑Bi‑LSTM中进行分类，形成端到端的训练网络。本发明提出的方法不仅考虑了时间和空间上的联系，同时在提取空间信息时加深了网络层数并减少参数，在提取时间信息网络的时间（使用双向连接）和空间（深度堆叠残差连接）维度上都有所提升。
-
公开(公告)号：CN108319900A
公开(公告)日：2018-07-24
申请号：CN201810038407.1
申请日：2018-01-16
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基本表情分类方法，包括以下步骤：基于多目标级联卷积神经网络(Multi-task Cascaded Convolutional Networks，MTCNN)的人脸检测；数据预处理；改进的三维卷积网络(3-dimensional Convolutional Networks,C3D)；多维度空间金字塔池化(Multi-dimensional Spatial Pyramid Pooling Normalization,MSPP-norm)融合卷积特征；嵌套长短期记忆网络(Nested stacked LSTM)。本发明提出了一种基于表情识别的时空嵌套长短期记忆网络(Spatial-Temporal Convolutional features with Nested-LSTM，STC-NLSTM)模型，将序列图像送入到带有多维空间金字塔池化的三维卷积神经网络来提取深度特征，将所有卷积层中提取的深度特征融合后送到Nested stacked LSTM中得到分类结果，从而形成一个端到端训练的网络结构。在目前公开的三个著名表情库上，本发明方法均取得了目前最好的结果。
-
Patent Agency Ranking
公开(公告)号：CN107945146A
公开(公告)日：2018-04-20
申请号：CN201711180763.9
申请日：2017-11-23
Applicant: 南京信息工程大学
CPC classification number: G06T5/50 , G06N3/0454 , G06T3/4053 , G06T2207/20221
Abstract: 本发明提供了一种基于深度卷积神经网络的时空卫星图像融合方法。所述基于深度卷积神经网络的时空卫星图像融合方法包括如下步骤：训练阶段：选取对应的Landsat图像和MODIS图像形成Landsat-MODIS图像对，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像，根据Landsat图像、MODIS图像和LSR Landsat图像的组合进行训练，并分别得到非线性映射CNN网络和超分辨率重建CNN网络；预测阶段：分别选取日期t1和t3的Landsat-MODIS图像对，基于训练阶段得到的非线性映射CNN网络和超分辨率重建CNN网络，预测位于日期t1和t3之间的日期t2的Landsat预测图像。
-
公开(公告)号：CN107288808A
公开(公告)日：2017-10-24
申请号：CN201710640566.4
申请日：2017-07-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种波浪能和太阳能互补的漂流浮标自供电装置，装置中的漂流浮标主体包括太阳能电池板发电部分、波浪能发电部分以及控制器部分，每个部分之间用导线进行连接。太阳能电池板发电部分位于漂流浮标主体的顶部，此部分露出海面，便于将太阳能转换为电能；波浪能发电部分主要由波浪能捕获机构和圆筒型永磁直线发电机构成，位于漂流浮标的中部，此部分与海面相交，便于波浪能捕获机构捕获波浪能；控制器部分位于漂流浮标的底部，此部分主要包括CPU、AC/DC转换模块、电源管理模块以及蓄电池，主要用于将太阳能电池板输出的电压和圆筒型永磁直线发电机输出的电压经过处理后存储至电池中，以供漂流浮标数据采集系统以及通讯系统等使用。
-
公开(公告)号：CN107038684A
公开(公告)日：2017-08-11
申请号：CN201710227615.1
申请日：2017-04-10
Applicant: 南京信息工程大学
IPC: G06T3/40
Abstract: 本发明公开了一种提升微波成像仪空间分辨率的方法，包括以下步骤：第一步通过学习一个光谱字典对来把光学和微波图像在光谱上联合起来，然后把光学图像的空间信息通过稀疏编码把它转化到微波图像，得到一个空间分辨率提高的微波图像；第二步使用一个引导滤波器来对空间分辨率增强图像的光谱信息进行提升。为了形成一个统一的不论有无云污染的光学图像的融合框架，本发明还提出了一个基于学习的在有云污染情况下的超分辨率的方法。相较于目前那些不借助于光学信息的方法，本发明的方法能得到更好的实验结果，给人更好的视觉效果。
-
公开(公告)号：CN106991382A
公开(公告)日：2017-07-28
申请号：CN201710147637.7
申请日：2017-03-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种遥感场景分类方法，包括以下步骤：生成多尺度图像；提取多尺度深度特征；融合卷积特征；集结多尺度分类结果。本发明提出了一种自适应深度金字塔匹配(ADPM)模型，将多尺度图像送入到带有空间金字塔池化的卷积神经网络来提取深度特征，将所有卷积层中提取的深度特征融合后送入到SVM分类器得到分类结果，集结多尺度结果提供更多信息，以便于遥感场景分类。和空间关系金字塔(PSR)、局部探测器(Partlets)方法、半监督投影(SSEP)方法相比，在相同的实验条件下，本发明方法的遥感场景分类性能提高，分类结果更加准确。
-
公开(公告)号：CN106845538A
公开(公告)日：2017-06-13
申请号：CN201710012813.6
申请日：2017-01-09
Applicant: 南京信息工程大学
IPC: G06K9/62
CPC classification number: G06K9/6221 , G06K9/6249
Abstract: 本发明公开了一种基于选择性坐标下降优化的稀疏子空间聚类方法，包括以下步骤：1，建立稀疏子空间聚类模型，带入Lasso公式中并转化为二次规划问题，求相似度矩阵；2，开始求解相似度矩阵，第一次迭代使用坐标下降法遍历所有特征，计算得到的解作为初始值；3，从第二次迭代开始，遍历每个特征，若当前求解项为非零，则用坐标下降更新该坐标位置的特征；否则，跳过该坐标位置特征的更新；重复此过程直到目标函数收敛；4、得到相似度矩阵后，进行谱聚类过程得到分类编号。本发明利用一种无穷范数规则，快速判断当前求解项是零还是非零，避免了零项结果不必要的计算过程，节省了优化求解的时间；在大规模稀疏问题上效果极为明显。
-
-
-
-
-
-
-
-
-
Search Results
159
records
(took 0.031 seconds)
