-
公开(公告)号：CN113989538B
公开(公告)日：2024-11-19
申请号：CN202111062601.1
申请日：2021-09-10
Applicant: 华南农业大学
IPC: G06V10/764 , G06V10/774 , G06V10/26 , G06V10/82
Abstract: 本发明公开了一种基于深度图像的鸡群均匀度估测方法、装置、系统及介质，所述方法包括：获取肉鸡深度图像库；根据肉鸡深度图像库，构造目标分割数据集以及体重分类数据集；搭建目标分割网络和体重分类网络；利用目标分割数据集对目标分割网络进行训练，生成目标掩模图像数据集和矩形裁剪图像数据集；利用目标掩模图像数据集、矩形裁剪图像数据集和体重分类数据集对体重分类网络进行训练；利用训练好的体重分类网络对待测图像进行估测，得到体重类别以及对应的体重区间，并根据鸡群数据以及标准的肉鸡日龄体重计算出鸡群均匀度。本发明利用深度学习网络来自动提取图像特征，并进行体重分类，增加分类数以达到误差(50g)以内的体重估测，最终结合体重计算出鸡群均匀度。
-
公开(公告)号：CN112651979B
公开(公告)日：2023-10-10
申请号：CN202110028364.0
申请日：2021-01-11
Applicant: 华南农业大学
IPC: G06T7/11 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种肺部X光图像分割方法、系统、计算机设备及存储介质，所述方法包括：获取肺部X光图像数据集；对肺部X光图像数据集进行预处理，得到训练集；将训练集输入RIAMU‑Net模型进行训练，得到训练后的RIAMU‑Net模型，所述RIAMU‑Net模型以U‑Net模型为基础，编码器的每一层均包括Res‑inception模块，解码器的每一层均包括注意力机制模块和Res‑inception模块；利用训练后的RIAMU‑Net模型对待分割肺部X光图像数据进行分割，得到分割图像。本发明基于U‑Net模型，改进模型结构，使之能更好地提取X光图像的特征，可以更加精确的分割肺部图像，对肺部边缘分割的效果上有所提高。
-
公开(公告)号：CN112651979A
公开(公告)日：2021-04-13
申请号：CN202110028364.0
申请日：2021-01-11
Applicant: 华南农业大学
Abstract: 本发明公开了一种肺部X光图像分割方法、系统、计算机设备及存储介质，所述方法包括：获取肺部X光图像数据集；对肺部X光图像数据集进行预处理，得到训练集；将训练集输入RIAMU‑Net模型进行训练，得到训练后的RIAMU‑Net模型，所述RIAMU‑Net模型以U‑Net模型为基础，编码器的每一层均包括Res‑inception模块，解码器的每一层均包括注意力机制模块和Res‑inception模块；利用训练后的RIAMU‑Net模型对待分割肺部X光图像数据进行分割，得到分割图像。本发明基于U‑Net模型，改进模型结构，使之能更好地提取X光图像的特征，可以更加精确的分割肺部图像，对肺部边缘分割的效果上有所提高。
-
公开(公告)号：CN113781284B
公开(公告)日：2024-11-19
申请号：CN202110734868.4
申请日：2021-06-30
Applicant: 华南农业大学
IPC: G06T1/00 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度注意自编码器的零水印构造方法，包括水印构造和水印提取；水印构造：构造零水印M，将零水印M在知识产权信息数据库进行注册，使水印信息得到保存；水印提取包括：获得待测图像特征:将待检测载体图片将待检测载体图片作为自编码器输入，编码器输出待检测载体图片的特征矩阵B′；获取二值矩阵:利用矩阵B′的每个元素的值B′x,y与矩阵B′的均值T′的大小关系构造二值矩阵C′；恢复水印：将矩阵C′与零水印M进行异或运算得到恢复的水印图像W′。本发明利用卷积自编码器和注意力机制来提取图像的特征，提取的特征更稳定和具有代表性，本发明采用了对抗训练，这保证了模型的鲁棒性，使得该发明的水印算法能够抵抗大部分攻击。
-
公开(公告)号：CN116010696A
公开(公告)日：2023-04-25
申请号：CN202310005366.7
申请日：2023-01-04
Applicant: 华南农业大学
IPC: G06F16/9535 , G06F16/958 , G06F16/36 , G06F40/30 , G06N5/02
Abstract: 本发明公开了一种融合知识图谱和用户长短期兴趣的新闻推荐方法、系统及介质，该方法包括：获取用户的历史点击新闻列表和多篇候选新闻，并分别输入新闻语义编码器，得到历史点击新闻表示列表和候选新闻表示；新闻语义编码器先分别学习不同类型的新闻表示，再将所有新闻表示聚合成统一的新闻表示；将历史点击新闻表示列表输入用户兴趣编码器，得到用户的兴趣表示；用户兴趣编码器包括注意力模块和GRU网络，分别从历史点击新闻序列中学习用户的长期兴趣和短期偏好；将候选新闻表示和兴趣表示输入点击预测器，得到候选新闻的点击得分，进而得到新闻推荐列表并推荐给用户。本发明通过构建新闻语义编码器和用户兴趣编码器，提升了新闻推荐的性能。
-
Patent Agency Ranking
公开(公告)号：CN115424052A
公开(公告)日：2022-12-02
申请号：CN202210822202.9
申请日：2022-07-13
Applicant: 华南农业大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82
Abstract: 本发明公开了一种基于SPARK和迁移学习融合的图像分类方法，该基于SPARK和迁移学习融合的图像分类方法包括：利用迁移学习模型提取待分类图像的图片特征；将图片特征和预先定义的线性回归的多分类器一起输入已训练好的Spark管道模型，Spark管道模型输出分类结果；其中，训练Spark管道模型的步骤包括：获取图像样本数据集并进行预处理；加载图像样本数据集，将图像样本数据集转换成SparkSQL的dataframe信息；对图像样本数据集打标签，并进行重新分区；将训练集输入Spark管道模型进行训练。本发明实现了在Spark大数据分布式计算框架内利用深度学习进行图像的分类，取得了比较高的准确率。
-
公开(公告)号：CN112751671A
公开(公告)日：2021-05-04
申请号：CN202011620056.9
申请日：2020-12-30
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于树型奇偶机的新型密钥交换方法，包括：S1，通信双方均在本地生成树型奇偶机网络模型；S2，通信双方均生成滑动窗口；S3，通信双方产生相同的随机向量；S4，将随机向量x输入网络模型；模型分别输出τa、τb；S5，判断τa和τb是否相等；S6，按照Hebbian的更新规则更新模型的权值，并且将结果true保存至滑动窗口中；S7，重复执行步骤S3‑S6，直到双方的权值向量的Hash值完全相同，得到双方的网络权值Ka和Kb。本发明实现神经网络自同步的性质来达到密钥交换的目的。以加入动态学习率后的更新规则更新双方的模型的权值的方法可以降低网络同步所需的次数，加快网络的同步速度。
-
公开(公告)号：CN103797908A
公开(公告)日：2014-05-21
申请号：CN201410038954.1
申请日：2014-01-26
Applicant: 东莞开拓机械制造有限公司 , 华南农业大学
Abstract: 本发明公开了一种笼式电动微耕机，包括机架、机头、动力机构、传动机构和执行机构，其中执行机构对称分布在机头的两端，耕轮轴与外壳的上表面垂直并通过耕轮轴上端定位轴承和耕轮轴下端定位轴承固定于外壳的内部，耕轮轴链轮和耕轮盘同轴连接并固定于耕轮轴上且可自由转动，耕轮轴链轮与传动链轮之间通过传动链条咬合连接，耕轮盘位于外壳的外部，耕轮盘上固定有多个柱形耕轮齿。本发明具有体积小、重量轻、低噪音和无尾气等特点，适用于小地块和室内的翻耕、松土等耕耘作业。
-
公开(公告)号：CN115761887A
公开(公告)日：2023-03-07
申请号：CN202211459810.4
申请日：2022-11-16
Applicant: 华南农业大学 , 广东科艺普实验室设备研制有限公司
Abstract: 本发明公开了一种基于压缩激励和骨骼点的双流网络方法，方法包括：构建并训练空间卷积神经网络；计算视频光流，构建并训练时间流网络；冻结空间卷积神经网络的骨干网络除倒数三层卷积层以外的全部权重；在空间卷积神经网络的骨干网络和全局平均池化层之间，构建压缩激励和骨骼点注意力；构建空间流网络，所述空间流网络包括YOLOX、高分辨率网络以及带有压缩激励和骨骼点注意力的空间卷积神经网络，训练空间流网络；使用训练好的时间流网络与空间流网络识别人体行为，得到两个网络结果，对这两个网络结果进行后融合获取最终的人体行为识别结果。本发明具有较高的准确度和良好的鲁棒性。
-
公开(公告)号：CN112751671B
公开(公告)日：2022-07-05
申请号：CN202011620056.9
申请日：2020-12-30
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于树型奇偶机的新型密钥交换方法，包括：S1，通信双方均在本地生成树型奇偶机网络模型；S2，通信双方均生成滑动窗口；S3，通信双方产生相同的随机向量；S4，将随机向量x输入网络模型；模型分别输出τa、τb；S5，判断τa和τb是否相等；S6，按照Hebbian的更新规则更新模型的权值，并且将结果true保存至滑动窗口中；S7，重复执行步骤S3‑S6，直到双方的权值向量的Hash值完全相同，得到双方的网络权值Ka和Kb。本发明实现神经网络自同步的性质来达到密钥交换的目的。以加入动态学习率后的更新规则更新双方的模型的权值的方法可以降低网络同步所需的次数，加快网络的同步速度。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.022 seconds)
