-
公开(公告)号：CN108647736A
公开(公告)日：2018-10-12
申请号：CN201810468906.4
申请日：2018-05-16
Applicant: 南京大学
Abstract: 本发明公开了一种基于感知损失和匹配注意力机制的图像分类方法，包括：步骤1，针对目标数据集和源数据集分别设计一个基于卷积核的特征提取网络；步骤2，在特征提取网络中间层之间增加匹配注意力机制。步骤3，设计一个针对提取出的特征的分类网络。步骤4利用带类标的源数据集训练步骤1～步骤3构建的整个网络,利用训练出的参数作为网络下一阶段训练的初始化。步骤5，利用训练好的分类器构造一个感知损失函数，感知函数用于衡量特征提取网络提取出特征分布的距离。步骤6，再设计判别器网络用于区分特征提取网络提取出特征分布的不同。步骤7，优化步骤1～步骤3构建的网络；步骤8，得到图像的分类结果。
-
公开(公告)号：CN108564166A
公开(公告)日：2018-09-21
申请号：CN201810238288.4
申请日：2018-03-22
Applicant: 南京大学
Abstract: 本发明公开了基于带对称跨层连接的卷积神经网络半监督特征学习方法，包含如下步骤：生成无类标受损图像数据集；构建跨层连接卷积神经网络；预训练图像恢复神经网络；提取网络参数构建分类网络；训练分类网络。本发明利用对无类标图像数据的恢复任务，预训练神经网络，从而提高对有类标图像的分类效果，实现半监督特征学习。此外，通过在传统卷积神经网络自动编码器中加入对称跨层连接，使得网络更易优化，并增强网络中层特征抽象能力，使得无监督图像恢复任务得到的网络权重更易迁移于有监督学习任务。本发明实现了高效、准确的基于卷积神经网络的半监督学习方法，因此具有较高的实用价值。
-
公开(公告)号：CN108564085A
公开(公告)日：2018-09-21
申请号：CN201810203368.6
申请日：2018-03-13
Applicant: 南京大学
Abstract: 本发明公开了一种自动读取指针式仪表读数的方法，包括：图像采集，利用拍照设备拍摄含有仪表正面的图像作为训练样本；样本制作，将采集的图像通过人为标定制作出仪表部分的图像作为正样本，并随机生成背景部分的图像作为负样本；图像特征提取，从正负样本中提取出数字特征作为训练集；训练分类器，基于训练集得到训练后的分类器，对于新输入的图像，利用分类器SVM预测仪表最可能的位置并提取出仪表图像；图像预处理，将提取到的仪表图像通过图像处理的方法去除掉阴影等干扰；识别仪表的指针和表盘，获取指针的角度和位置信息；利用指针的信息获取读数值。
-
公开(公告)号：CN104166733B
公开(公告)日：2017-07-18
申请号：CN201410447326.9
申请日：2014-09-03
Applicant: 南京大学
Abstract: 本文公开了一种基于依赖图模型的Web服务组合结果修复方法，包含如下步骤：步骤1，去除不可调用的Web服务以及相应后继服务集中不可调用的Web服务；步骤2，检验Web服务组合结果的可修复性；步骤3，根据可修复的不同情况对Web服务组合结果进行修复。本发明能够在Web服务组合结果出现问题时，通过对Web服务组合结果进行修复的方式来组合新的Web服务组合结果，相对现有技术重新组合的方式效率要高很多。
-
公开(公告)号：CN103995882B
公开(公告)日：2017-07-07
申请号：CN201410231646.0
申请日：2014-05-28
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于MapReduce的概率频繁项集挖掘方法，包含以下步骤：1)读入不确定数据集T1；2)在Map端依次处理不确定数据集T1中的每一个事务，将事务中每一项及其概率值映射成 键值对；3)在Reduce端接收Map端的输出,利用正态近似方法生成概率频繁1项集；4)，将3)中所输出的概率频繁1项集，生成列表F_list；5)，读入存储在分布式文件系统HDFS上的不确定数据集T1，按照列表F_list进行处理，生成不确定数据集T2；6)，运行基于MapReduce的UApriori方法不断处理5)中得到的不确定数据集T2生成候选项集，然后利用正态近似的方法从候选项集中生成概率频繁项集，直到生成所有的概率频繁项集为止。
-
Patent Agency Ranking
公开(公告)号：CN104318271B
公开(公告)日：2017-04-26
申请号：CN201410677128.1
申请日：2014-11-21
Applicant: 南京大学
Abstract: 本发明公开了一种基于适应性编码和几何平滑汇合的图像分类方法，包含如下步骤：图像底层局部特征提取；码书学习；特征编码；特征汇合；训练数据分割；建立模型；图像分类。本发明应用在图像分类领域，在图像表示上，本发明能够保持码书以及特征编码的结构化信息，能够大大降低码书生成的时间复杂度，以及生成具有结构化特性的图像特征表示，充分利用了图像特征丰富的空间位置信息，在图像分类上有着显著的效果，因此本发明具有较高的使用价值。
-
公开(公告)号：CN103984948B
公开(公告)日：2017-04-05
申请号：CN201410242917.2
申请日：2014-06-03
Applicant: 南京大学
Abstract: 本发明公开了一种基于人脸图像融合特征的软双层年龄估计方法，包括：一、获得待估计人脸图像；二、对图像进行预处理；三、提取融合特征x；四、判断软双层年龄估计方法是否已存在：若是到第六步；若否则转第五步；五、学习软双层年龄估计方法：对训练图像提取融合特征，将训练图像划分为两个阶段，学习得到二元分类器F(x)，在年龄边界设置重叠区域，扩大每个阶段的年龄范围，分别学习得到回归模型Y(x)和A)x)；六、将融合特征x输入软双层年龄估计方法：首先运用二元分类器F(x)，然后根据分类结果选择应用回归模型Y(x)或者A(x)，得到估计年龄值y；七、对估计年龄值进行修正处理。
-
公开(公告)号：CN106203510A
公开(公告)日：2016-12-07
申请号：CN201610544083.X
申请日：2016-07-11
Applicant: 南京大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6269
Abstract: 本发明公开了一种基于形态学特征和字典学习的高光谱图像分类方法，包含如下步骤：高光谱图像形态学特征提取；字典学习过程；特征编码；图像分类。本发明应用在高光谱图像分类领域，本发明充分考虑了高光谱图像中的空间信息结构关系，并且基于空间关系信息构建高层语义映射，获得能够较好保持特征空间结构信息的高层语义编码用以高光谱图像分类任务，消除了高光谱图像高层语义与底层特征之间的“语义鸿沟”问题，在高光谱图像分类上有着显著的效果，因此本发明具有较高的使用价值。
-
公开(公告)号：CN104112018A
公开(公告)日：2014-10-22
申请号：CN201410348791.7
申请日：2014-07-21
Applicant: 南京大学
IPC: G06F17/30
CPC classification number: G06F17/30256 , G06K9/6217
Abstract: 本发明公开了一种大规模图像检索方法，包含如下步骤：图像特征提取；哈希函数投影向量学习；哈希函数偏移量学习；图像特征降维；图像特征编码；图像检索。本发明能够对大规模图像进行快速检索。首先，通过学习判别式的哈希函数，提高了编码之间的判别性，从而更好地区分不同类别的图像特征；其次，利用哈希函数对图像特征进行降维和编码，减少图像特征的存储需求和检索过程的计算开销。本发明实现了高效、准确的大规模图像检索，因此具有较高的使用价值。
-
公开(公告)号：CN102509353A
公开(公告)日：2012-06-20
申请号：CN201110375102.8
申请日：2011-11-22
Applicant: 江阴广明信息技术有限公司 , 南京大学
IPC: G06T17/00
Abstract: 本发明公开了一种基于二维X射线图像序列滤波反投影的分块三维重建方法，包含如下步骤：步骤一，根据初始分块数目，建立立方体分块；步骤二，对各个立方体分块进行局部重建获得分块重建结果；步骤三，组合各个分块的重建结果；步骤四，根据分块的重建结果计算所有分块数目集合，根据步骤一至步骤三进行重建并反馈其时间复杂度，直至分块数目集合中各元素均计算完毕，获得反馈的时间复杂度集合；从反馈的时间复杂度集合中选取具有最小时间复杂度的分块数目，将其作为最优分块数目，重新执行步骤一至步骤三，获得最优分块重建结果，完成三维重建。本发明能够使多线程编程技术在三维重建领域得到充分的运用，从而极大提高了重建速度。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.029 seconds)
