-
公开(公告)号：CN109829495B
公开(公告)日：2023-04-07
申请号：CN201910084351.8
申请日：2019-01-29
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于LSTM和DCGAN的时序性图像预测方法，将DCGAN出色的特征捕捉能力与LSTM进行结合，可使得预测的图像数据可视化，便于直接观察；经过改进后的LSTM网络内部具有卷积特性，能直接学习到图像数据的二维空间特征；为减少其内部学习复杂度，将传统的输入图像改为输入特征；特征来源于DCGAN的提取，相对于原始图像在维度方面有了很大的简化，使得整体网络可控。本发明通过DCGAN很好的降低了特征维度，解决了高维不可计算的问题；改进后的LSTM能够更好地学习到时序性特征，从而实现更精确的预测；整体网络结构在连接方法上遵从栈式级联策略，为控制网络深度提供保障。本发明提出的时序性图像预测模型架构理论上适用于所有的时序性图像。
-
公开(公告)号：CN112418409A
公开(公告)日：2021-02-26
申请号：CN202011464171.1
申请日：2020-12-14
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法。涉及计算机预测领域，具体步骤：(1)、非对称卷积块高维特征提取器提取空间特征；(2)、嵌入注意力模块的ConvLSTM编码器‑解码器架构预测外推特征；(3)、特征结果反向重构；(4)、L1、L2正则化优化算法；(5)、预测时空序列图像。本发明通过多层卷积神经网络可以很好的提取时空序列数据的高维特征，以此作为模型的输入不仅解决了高维不可计算的问题还强调了空间关键信息；改进后的ConvLSTM能够更好的学习到时空特征实现更精准的外推；本发明适用于所有的时序性图像。
-
公开(公告)号：CN111428676A
公开(公告)日：2020-07-17
申请号：CN202010253414.0
申请日：2020-04-01
Applicant: 南京信息工程大学
IPC: G06K9/00 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q10/04 , G06Q50/26 , G06T7/10 , G06T7/246
Abstract: 本发明涉及一种基于稀疏对应和深度神经网络的短临降水预测方法，具体包括以下步骤：(1)图像可视化；(2)Fast特征检测；(3)SIFT匹配；(4)计算全局矢量；(5)预测雷达回波图像、统计云团特征和时空方向特征；(6)Inception v3回归。本发明得到的MAE和RMSE均比其它基于深度学习的方法都要低，且拟合度是最高的，克服了由数据集数量过少带来的问题，且本发明对比了利用传统堆叠方式的CNN，构建Inception v3模型的结果更加精确，能够使降水预测结果更加精确和有效。
-
公开(公告)号：CN109815920A
公开(公告)日：2019-05-28
申请号：CN201910084356.0
申请日：2019-01-29
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于卷积神经网络和对抗卷积神经网络的手势识别方法，对于某些特定类型的手势，首先通过使用对抗卷积神经网络来生成训练样本，可以解决训练模型时的过拟合问题；此外，使用卷积神经网络来进行手势识别，可以有效提高识别的准确率及效率，可以达到实时的手势识别。本发明将卷积神经网络和对抗卷积神经网络结合应用于手势识别，相对于传统的识别方法，神经网络的优点是能够直接与图像像素进行卷积，从图像像素中提取图像特征，这种处理方式更加接近人类大脑视觉系统的处理方式。
-
公开(公告)号：CN114594443B
公开(公告)日：2024-08-27
申请号：CN202210286562.1
申请日：2022-03-23
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于自注意力机制和预测递归神经网络的气象雷达回波外推方法及系统，其中方法包括：获取气象雷达回波图像；预处理获取的气象雷达回波图像，获得气象雷达回波图像的灰度数据；基于Self‑attention机制和PredRNN++，获得Self‑attention PredRNN++网络模型；基于Self‑attention PredRNN++网络模型，通过气象雷达回波图像序列，获得气象雷达回波外推图像序列。本发明能够根据现有的雷达回波图像外推未来2小时的雷达回波图像序列。
-
Patent Agency Ranking
公开(公告)号：CN117789054A
公开(公告)日：2024-03-29
申请号：CN202410024919.8
申请日：2024-01-08
Applicant: 南京信息工程大学
IPC: G06V20/13 , G06V20/10 , G06V20/52 , G06V10/44 , G06V10/46 , G06V10/52 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明公开了基于深度学习的卫星遥感过火区识别方法及系统，涉及过火区识别技术领域，包括：接收过火区遥感图像数据，对过火区遥感图像数据进行处理，得到过火区遥感图像处理数据；将过火区遥感图像处理数据输入至预先建立的PANet网络模型的编码器内，输出得到多尺度特征，将多尺度特征输入至预先建立的PANet网络模型的解码器内，输出得到低分辨率特征；将低分辨率特征输入至预先建立的PANet网络模型的预测器内，通过特征融合输出得到高分辨率特征，然后将高分辨率特征输入至解码器内，分别进行卷积和上采样，输出得到显著性特征图，利用显著性特征图对过火区进行识别。
-
公开(公告)号：CN108665005A
公开(公告)日：2018-10-16
申请号：CN201810467893.9
申请日：2018-05-16
Applicant: 南京信息工程大学
CPC classification number: G06K9/6256 , G06K9/0063 , G06K9/6267
Abstract: 本发明公开了一种利用DCGAN提高基于CNN图像识别性能的方法，该方法将DCGAN出色的数据生成能力与基于CNN图像识别框架进行了二度结合，并且DCGAN是在GAN的基础上经过改进后的新型对抗生成网络，所述方法将CNN应用到了原始结构中，使得GAN具有了深度卷积的特性，并在数据生成方面拥有更好的特征表示形式。本发明很好的解决了图像识别过程中训练样本数据难以收集、样本相似度过大等问题，冲破了样本数量与质量在分类模型优化问题上的限制，进一步强化分类模型，提高图像识别的准确性。
-
公开(公告)号：CN104156463A
公开(公告)日：2014-11-19
申请号：CN201410416065.4
申请日：2014-08-21
Applicant: 南京信息工程大学
IPC: G06F17/30
CPC classification number: G06F17/30598 , G06F17/30194
Abstract: 本发明公开了一种基于MapReduce的大数据聚类集成方法，包括如下步骤：步骤1，大数据切分和管理；步骤2，采用多重K的聚类集成算法生成多个基聚类；步骤3，获取集成关系；步骤4，确定最终聚类。本发明首先对原始数据进行分割，用切分好的非空小数据块代替原数据中的点集进行聚类，减少数据规模和数据处理所耗费时间。本发明采用云计算MapReduce编程模型，使得聚类过程在分布式集群上并行完成，克服了单机算法在存储和计算性能上的限制，从而有效处理大数据，不断地从中挖掘出有价值信息，为用户提供可定制性和可扩展性，并优化了算法执行效率，适用处理大数据环境下的数据处理、分析与计算，能够满足不同用户的需求。
-
公开(公告)号：CN101964063B
公开(公告)日：2012-06-27
申请号：CN201010280835.9
申请日：2010-09-14
Applicant: 南京信息工程大学
IPC: G06K9/66
Abstract: 本发明提供一种改进的AdaBoost分类器构造方法，属于图像检测技术领域。本发明首先将样本的类Haar特征值与其类别标签结合起来生成候选分类位置集，从候选分类位置集中寻找使分类错误最小的位置，基于此位置构造弱分类器，并同时提供一种自适应的弱分类器阈值构造方法。本发明较好地解决了AdaBoost分类器训练准备时间过长以及性能的提升问题，将其结合类Haar特征用于车辆图像检测实验，与传统AdaBoost分类器方法相比，明显减少了分类器的训练所需时间，同时还提升了其识别性能。
-
公开(公告)号：CN115346101A
公开(公告)日：2022-11-15
申请号：CN202211006296.9
申请日：2022-08-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度时空融合网络的雷达回波外推模型的实现方法，包括步骤：S1，对雷达图像数据进行处理，得到雷达序列数据；S2，通过整合时间差分网络和时空轨迹网络构建时空融合神经网络模型，采用时间差分网络中的差分运算来提取相邻两张雷达图像的差分特征，并将差分特征向高层传递、逐层抽象，提取不确定的时空变化过程中确定性的部分；同时利用空间轨迹网络来学习瞬态变化部分；S3，采用雷达序列数据，对时空融合神经网络模型进行训练，直到满足条件后，停止训练，保存模型；S4，利用步骤S3得到的最终模型，预测云图的未来运动趋势。本发明的时空融合神经网络模型融合了运动趋势与瞬态变化，实现了长短时关联记忆。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.03 seconds)
