-
公开(公告)号：CN111369449A
公开(公告)日：2020-07-03
申请号：CN202010107191.7
申请日：2020-02-21
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于生成式对抗网络的红外盲元补偿方法，用于红外成像技术领域，通过对抗网络模型结合盲元补偿函数，以生成新图像的方式实现对原图像盲元像素灰度的预测。首先，基于生成式对抗网络构建盲元补偿网络模型，通过训练使得模型学习到红外盲元图像特征并对用于训练的盲元图像数据集实现较好的补偿效果；然后，对待补偿的盲元图像进行盲元检测生成二值矩阵，结合盲元补偿损失函数生成伪造图像；最后，通过泊松融合算法将盲元图像和生成的伪造图像融合，通过迭代来提高补偿精度，最终完成对红外盲元的补偿。本发明对盲元像素灰度值的预测更加准确，恢复的图像拥有较好的细节和纹理信息，对于大量孤立盲元和盲元簇有较强的适应性。
-
公开(公告)号：CN111259930A
公开(公告)日：2020-06-09
申请号：CN202010020371.1
申请日：2020-01-09
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种自适应注意力指导机制的一般性目标检测方法，属于计算机视觉目标检测领域。包括交叉下采样、目标区域识别(SORR)、注意力指导机制的金字塔预测卷积(APPK)和并交比(IoU)自适应损失优化。交叉下采样可保留多尺度特征图中的整体细纹理特征，减少了在图像下采样过程中空间信息的丢失；SORR模块将特征图划分为n×n网格，并得到注意力得分图，提高了目标检测效率；APPK模块可以选择推荐区域来处理预测模块和多尺度目标之间的不匹配问题；IoU自适应损失函数用于处理训练中难样本(Hard example)的问题。该目标检测方法在准确度和检测速度方面都优于现有的一般性目标检测方法。
-
公开(公告)号：CN113610329B
公开(公告)日：2022-01-04
申请号：CN202111168227.3
申请日：2021-10-08
Applicant: 南京信息工程大学
Abstract: 本发明提出了一种双流卷积长短期记忆网络的短时临近降雨预报方法，属于天气预报技术领域。该方法通过两个分别对不同周期的降雨数据进行学习的长期预测子网络和短期预测子网络共同捕捉降雨过程中的时空变化，设计了一种全新的长短期记忆单元来提升子网络的时空特征学习能力，最后通过重结合模块实现对降雨过程的预测。该发明能够充分地捕获连续运动的降雨过程时空相关性，实现对区域内降雨运动趋势更精确的预报。
-
公开(公告)号：CN113610329A
公开(公告)日：2021-11-05
申请号：CN202111168227.3
申请日：2021-10-08
Applicant: 南京信息工程大学
Abstract: 本发明提出了一种双流卷积长短期记忆网络的短时临近降雨预报方法，属于天气预报技术领域。该方法通过两个分别对不同周期的降雨数据进行学习的长期预测子网络和短期预测子网络共同捕捉降雨过程中的时空变化，设计了一种全新的长短期记忆单元来提升子网络的时空特征学习能力，最后通过重结合模块实现对降雨过程的预测。该发明能够充分地捕获连续运动的降雨过程时空相关性，实现对区域内降雨运动趋势更精确的预报。
-
Patent Agency Ranking
公开(公告)号：CN113554032B
公开(公告)日：2021-12-14
申请号：CN202111105080.3
申请日：2021-09-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于高度感知的多路并行网络的遥感图像分割方法，以原始遥感图像作为网络输入，设计多路并行网络作为提取图像特征的底层网络用以提取遥感图像的多层语义特征图，同时固定每条路径中的空间分辨率；利用门控高低层特征融合方法，将低层特征图与高层特征图相互融合，同时门机制在融合过程中筛选出来自每层的有效信息；引入高度特征解码器分支，将数字地表面模型图像作为训练时的额外标签，利用学习高度几何特征作为语义上下文的指导，并且该模型在测试时不需要遥感图像对应的数字地表面图像作为额外的标签；最后构建联合损失函数对多任务进行训练。本发明减少了模型的参数量，提高了遥感图像分割的准确度。
-
公开(公告)号：CN113554032A
公开(公告)日：2021-10-26
申请号：CN202111105080.3
申请日：2021-09-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于高度感知的多路并行网络的遥感图像分割方法，以原始遥感图像作为网络输入，设计多路并行网络作为提取图像特征的底层网络用以提取遥感图像的多层语义特征图，同时固定每条路径中的空间分辨率；利用门控高低层特征融合方法，将低层特征图与高层特征图相互融合，同时门机制在融合过程中筛选出来自每层的有效信息；引入高度特征解码器分支，将数字地表面模型图像作为训练时的额外标签，利用学习高度几何特征作为语义上下文的亲和指导，并且该模型在测试时不需要遥感图像对应的数字地表面图像作为额外的标签；最后构建联合损失函数对多任务进行训练。本发明减少了模型的参数量，提高了遥感图像分割的准确度。
-
公开(公告)号：CN114373094B
公开(公告)日：2025-02-21
申请号：CN202111489573.1
申请日：2021-12-08
Applicant: 南京信息工程大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/56 , G06V10/46 , G06V10/82 , G06V10/75 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督学习的门控特征注意力等变分割方法，具体为：1、训练第一分类网络，权重共享得到第二分类网络；训练第一门控的部分融合模块，权重共享得到第二门控的部分融合模块；2、对原始图像进行仿射变换得到仿射图像；3、将原始图像、仿射图像分别输入至两个分类网络；4、将两个分类网络的最后一层的特征层分别作为类激活映射、仿射类激活映射；5、将两个分类网络的特定阶段输出的特征图输入至相应的门控的部分融合模块，得到门控特征图和仿射门控特征图；6、将步骤4和步骤5得到的结果输入至交叉特征注意力模型中，得到改进的类激活映射；7、根据改进的类激活映射实现图像的分割。本发明提高了弱监督网络的分割精度。
-
公开(公告)号：CN111259930B
公开(公告)日：2023-04-25
申请号：CN202010020371.1
申请日：2020-01-09
Applicant: 南京信息工程大学
IPC: G06V10/82 , G06V10/764 , G06V10/26 , G06V10/25 , G06V10/774 , G06N3/045 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种自适应注意力指导机制的一般性目标检测方法，属于计算机视觉目标检测领域。包括交叉下采样、目标区域识别(SORR)、注意力指导机制的金字塔预测卷积(APPK)和并交比(IoU)自适应损失优化。交叉下采样可保留多尺度特征图中的整体细纹理特征，减少了在图像下采样过程中空间信息的丢失；SORR模块将特征图划分为n×n网格，并得到注意力得分图，提高了目标检测效率；APPK模块可以选择推荐区域来处理预测模块和多尺度目标之间的不匹配问题；IoU自适应损失函数用于处理训练中难样本(Hard example)的问题。该目标检测方法在准确度和检测速度方面都优于现有的一般性目标检测方法。
-
公开(公告)号：CN114373094A
公开(公告)日：2022-04-19
申请号：CN202111489573.1
申请日：2021-12-08
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/26 , G06V10/774 , G06V10/80 , G06V10/56 , G06V10/46 , G06V10/82 , G06V10/75 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于弱监督学习的门控特征注意力等变分割方法，具体为：1、训练第一分类网络，权重共享得到第二分类网络；训练第一门控的部分融合模块，权重共享得到第二门控的部分融合模块；2、对原始图像进行仿射变换得到仿射图像；3、将原始图像、仿射图像分别输入至两个分类网络；4、将两个分类网络的最后一层的特征层分别作为类激活映射、仿射类激活映射；5、将两个分类网络的特定阶段输出的特征图输入至相应的门控的部分融合模块，得到门控特征图和仿射门控特征图；6、将步骤4和步骤5得到的结果输入至交叉特征注意力模型中，得到改进的类激活映射；7、根据改进的类激活映射实现图像的分割。本发明提高了弱监督网络的分割精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.025 seconds)
