-
公开(公告)号：CN119418345B
公开(公告)日：2025-04-29
申请号：CN202510025440.0
申请日：2025-01-08
Applicant: 南京信息工程大学
IPC: G06V30/148 , G06V30/19 , G06V30/18 , G06N3/0455
Abstract: 本申请涉及一种基于VMamba框架和通道‑空间注意力机制的场景文本检测方法、装置和计算机设备。该方法包括：获取包含文本的场景图像参考样本数据集和增强样本数据集；基于VMamba框架采用可变形卷积构建可变形VMamba特征编码器，获得各场景图像分别对应的多尺度文本实例特征图；采用插值和最大池化方法获得平衡特征图；基于通道‑空间注意力机制构建GASM模块，得到逐像素增强后的文本实例特征；构建傅里叶特征解码器，获得重构的文本实例轮廓；采用损失函数训练以增强样本数据集为输入、文本实例轮廓为输出的场景文本检测模型。采用本方法能够实现拥有全局感受野、快速收敛和精准定位的场景文本检测。
-
公开(公告)号：CN114912577B
公开(公告)日：2025-04-11
申请号：CN202210425233.0
申请日：2022-04-21
Applicant: 南京信息工程大学
IPC: G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/082 , G06Q10/04 , G06Q50/06
Abstract: 本发明公开了一种结合VMD和注意力机制的风电场短期风速预测方法，首先获取目标站点的风速时空数据，根据原始数据集建立系列SWSM，对SWSM进行VMD风速分解，将CNN模型与注意力机制结合，针对各子SWSM，应用底层的SENet模型提取风速的空域特征；再用顶层的GRU模型进行风速时域特征的提取，并得到各自的预测结果；累加各个预测结果获得最终预测风速；本发明充分利用风速的时空相关性，结合VMD和注意力机制，改善了原始风速的不平稳特性，并利用注意力机制优化CNN‑GRU模型，使模型更容易捕获序列中长距离相互依赖的特征，有效提高了风速预测的精度，保障电力系统的可靠运行。
-
公开(公告)号：CN116385807A
公开(公告)日：2023-07-04
申请号：CN202310621436.1
申请日：2023-05-30
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/56 , G06V10/26
Abstract: 本发明公开了一种异常图像样本生成方法及装置，步骤1：获取标准化图像；步骤2：进行像素点采样；步骤3：进行分类确定标准化图像的颜色分布情况；步骤4：生成区域的位置以及生成异常的大小；步骤5：随机选取对应所述所需区域大小的区域，确定随机区域，接着确定随机区域的位置，并在此位置根据所述生成异常的大小生成方框；步骤6：为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作；步骤7：在操作后的方框对应位置处随机选择一个方向，重复步骤4和步骤5若干次，扩展生成多个方框，将包括所有方框的标准化图像作为最终的模拟异常图像。优点：保证了模拟出的异常能够拟合实际中的异常情况，更好的完成异常检测任务。
-
公开(公告)号：CN116385807B
公开(公告)日：2023-09-12
申请号：CN202310621436.1
申请日：2023-05-30
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/56 , G06V10/26
Abstract: 本发明公开了一种异常图像样本生成方法及装置，步骤1：获取标准化图像；步骤2：进行像素点采样；步骤3：进行分类确定标准化图像的颜色分布情况；步骤4：生成区域的位置以及生成异常的大小；步骤5：随机选取对应所述所需区域大小的区域，确定随机区域，接着确定随机区域的位置，并在此位置根据所述生成异常的大小生成方框；步骤6：为生成的方框随机添加颜色滤镜、增大、旋转、填充、变色中的一种操作；步骤7：在操作后的方框对应位置处随机选择一个方向，重复步骤4和步骤5若干次，扩展生成多个方框，将包括所有方框的标准化图像作为最终的模拟异常图像。优点：保证了模拟出的异常能够拟合实际中的异常情况，更好的完成异常检测任务。
-
公开(公告)号：CN102096843A
公开(公告)日：2011-06-15
申请号：CN201110026697.6
申请日：2011-01-25
Applicant: 南京信息工程大学
IPC: G06N7/00
Abstract: 本发明公开了一种基于虚拟样本的KPCA特征抽取方法，可用于模式识别、机器学习、计算机视觉、工业自动化与图像处理等技术领域。本发明方法在现有KPCA特征抽取方法基础上，运用梯度下降的迭代算法，结合一定的约束条件，构造虚拟样本矢量集替代原始训练集。本发明方法确定的虚拟样本矢量空间能够很好的近似特征样本空间，在相同的识别率情形下能够有效降低KPCA特征抽取时间，改进其效率。同时该方法和同类KPCA改进方法相比，具有算法简单、效率高的优点。本发明还公开了一种采用上述方法进行特征抽取的模式识别方法。
-
Patent Agency Ranking
公开(公告)号：CN119418345A
公开(公告)日：2025-02-11
申请号：CN202510025440.0
申请日：2025-01-08
Applicant: 南京信息工程大学
IPC: G06V30/148 , G06V30/19 , G06V30/18 , G06N3/0455
Abstract: 本申请涉及一种基于VMamba框架和通道‑空间注意力机制的场景文本检测方法、装置和计算机设备。该方法包括：获取包含文本的场景图像参考样本数据集和增强样本数据集；基于VMamba框架采用可变形卷积构建可变形VMamba特征编码器，获得各场景图像分别对应的多尺度文本实例特征图；采用插值和最大池化方法获得平衡特征图；基于通道‑空间注意力机制构建GASM模块，得到逐像素增强后的文本实例特征；构建傅里叶特征解码器，获得重构的文本实例轮廓；采用损失函数训练以增强样本数据集为输入、文本实例轮廓为输出的场景文本检测模型。采用本方法能够实现拥有全局感受野、快速收敛和精准定位的场景文本检测。
-
公开(公告)号：CN117474797B
公开(公告)日：2024-03-19
申请号：CN202311832535.0
申请日：2023-12-28
Applicant: 南京信息工程大学
IPC: G06T5/70 , G06T5/50 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多尺度互补学习的图像去噪方法及装置，方法包括：步骤1：图像预处理之后得到标准化的基层和细节层；步骤2：将细节层输入细节特征学习分支得到第一个图像细节特征；步骤3：将细节层输入噪声学习分支得到第二个图像细节特征；步骤4：融合两个分支学习得到的图像细节特征；步骤5：将最终的图像细节特征和基层相加得到去噪后的图像；步骤6：计算损失并迭代训练，重复步骤2至步骤5并保存最优去噪模型；步骤7：将测试图像输入保存好的去噪模型进行测试。当噪声水平越高时，去噪模型的去噪效果越好，使噪声的去除和细节的保留之间达到良好的平衡。同时只使用了细节层参与去噪模型训练，极大减少了计算量。
-
公开(公告)号：CN114912577A
公开(公告)日：2022-08-16
申请号：CN202210425233.0
申请日：2022-04-21
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种结合VMD和注意力机制的风电场短期风速预测方法，首先获取目标站点的风速时空数据，根据原始数据集建立系列SWSM，对SWSM进行VMD风速分解，将CNN模型与注意力机制结合，针对各子SWSM，应用底层的SENet模型提取风速的空域特征；再用顶层的GRU模型进行风速时域特征的提取，并得到各自的预测结果；累加各个预测结果获得最终预测风速；本发明充分利用风速的时空相关性，结合VMD和注意力机制，改善了原始风速的不平稳特性，并利用注意力机制优化CNN‑GRU模型，使模型更容易捕获序列中长距离相互依赖的特征，有效提高了风速预测的精度，保障电力系统的可靠运行。
-
公开(公告)号：CN101996516A
公开(公告)日：2011-03-30
申请号：CN201010552741.2
申请日：2010-11-22
Applicant: 南京信息工程大学
IPC: G09B29/00
Abstract: 本发明公开了一种基于矢量法的路径规划预处理方法，用于矢量法表示的仿真系统路径规划。本发明方法首先将仿真环境中的每个障碍物均模型化为凸多边形；然后将凸多边形中距离小于预先设定的阈值的任意两个凸多边形融合处理为一个新的凸多边形，并依次迭代处理，直到最终得到的凸多边形中任意两个的距离均大于上述预先设定的阈值，其中，所述阈值是根据路径规划中最大移动主体的尺寸进行设置；最后将融合的结果作为仿真系统中路径规划的初始状态。本发明针对仿真环境中的移动主体不能够穿越距离小于自身的障碍物这一事实，将距离小于移动主体尺寸的障碍物进行合并，从而降低了仿真系统中后续路径规划的工作量，提高了整个系统的实时处理能力。
-
公开(公告)号：CN117474797A
公开(公告)日：2024-01-30
申请号：CN202311832535.0
申请日：2023-12-28
Applicant: 南京信息工程大学
IPC: G06T5/70 , G06T5/50 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多尺度互补学习的图像去噪方法及装置，方法包括：步骤1：图像预处理之后得到标准化的基层和细节层；步骤2：将细节层输入细节特征学习分支得到第一个图像细节特征；步骤3：将细节层输入噪声学习分支得到第二个图像细节特征；步骤4：融合两个分支学习得到的图像细节特征；步骤5：将最终的图像细节特征和基层相加得到去噪后的图像；步骤6：计算损失并迭代训练，重复步骤2至步骤5并保存最优去噪模型；步骤7：将测试图像输入保存好的去噪模型进行测试。当噪声水平越高时，去噪模型的去噪效果越好，使噪声的去除和细节的保留之间达到良好的平衡。同时只使用了细节层参与去噪模型训练，极大减少了计算量。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.029 seconds)
