-
公开(公告)号：CN117253044B
公开(公告)日：2024-05-24
申请号：CN202311334268.4
申请日：2023-10-16
Applicant: 安徽农业大学
IPC: G06V10/26 , G06V20/10 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明适用于农业影像分析技术领域，具体提供了一种基于半监督交互学习的农田遥感图像分割方法，本发明设计了一种半监督交互学习的农田遥感图像分割方法，首先通过交互学习，CNN和Transformer相互协作，通过对无标签数据进行自监督训练，相互传递像素局部特征和全局特征，减少标注数据的需求，同时有效避免了现有两类方法可能存在的缺点；其次在CNN中引入方向性对比损失函数，通过对有标签数据进行全监督训练，保证图片中具有相同身份特征在不同场景下的一致性，进而提升模型泛化能力和鲁棒性。
-
公开(公告)号：CN117575111B
公开(公告)日：2024-04-12
申请号：CN202410061794.6
申请日：2024-01-16
Applicant: 安徽农业大学
IPC: G06Q10/04 , G06N3/0455 , G06N3/0464 , G06N3/096 , G06Q50/02 , G06V10/82 , G06V20/10
Abstract: 本发明属于农业遥感图像处理技术领域，具体是一种基于迁移学习的农业遥感图像时空序列预测方法，该方法包括：从农业遥感设备收集农作物产量相关的数据作为数据集；对数据集进行清洗和预处理；利用Transformer架构的自注意力机制来处理时空数据；进行迁移学习，利用之前预训练的模型权重作为初始权重进行训练；构建一个网络输出层，用于输出预测农作物产量的相关信息；根据具体的应用需求，对预测结果进行必要的后处理。本发明结合了迁移学习和Transformer自注意力机制，特别是利用了Transformer架构在处理时空序列数据上的优势，来预测农作物的产量，具有更快地训练模型并提高预测精度的优点。
-
公开(公告)号：CN118314352B
公开(公告)日：2024-09-13
申请号：CN202410736895.9
申请日：2024-06-07
Applicant: 安徽农业大学
IPC: G06V10/26 , G06V10/764 , G06V20/10 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明属于遥感图像处理技术领域，具体是一种基于补丁级分类标签的农作物遥感图像分割方法，该方法使用patch级标注图像数据分别训练教师网络和学生网络，在教师网络的输出中，筛选出可靠的预测结果作为学生网络的伪标签，不可靠结果作为学生网络的负样本；利用学生网络的分类结果生成图像分割模型的像素级伪掩码，将学生网络不同编码阶段的特征图作为分割模型的伪标签；最后使用经过充分训练的学生模型作为主干网络，对测试集图像进行分割。本发明增强了对噪声和局部变化的鲁棒性，提高了模型泛化能力，有效减少图像标注质和量上的需求；通过多层伪监督缩小patch级标签和像素级标签之间的信息差距。
-
Patent Agency Ranking
公开(公告)号：CN118332127B
公开(公告)日：2024-08-06
申请号：CN202410765291.7
申请日：2024-06-14
Applicant: 安徽农业大学
IPC: G06F16/35 , G06F40/30 , G06N3/0464 , G06N3/08
Abstract: 本发明适用于自然语言处理技术领域，具体是一种基于跨语言集成的零样本文本分类方法，该方法包括构建多语言数据集、获取多语言分类文本、文本标签集映射成图像标签集、特征提取、相似度计算和集成预测的步骤，其中，在集成预测的步骤中，本发明运用集成学习的投票策略，选择最终文本分类预测结果并输出。本发明采用了跨语言集成方法，并增加了中文和意大利语的多语言数据集，具备广泛的语言支持和适应能力；本发明采用Multilingual‑CLIP模型，显著提高了零样本文本分类的性能；本发明还采用了投票机制进行预测结果的集成，通过多个模型的预测结果进行投票选择，进一步提高了预测准确性。
-
公开(公告)号：CN117575111A
公开(公告)日：2024-02-20
申请号：CN202410061794.6
申请日：2024-01-16
Applicant: 安徽农业大学
IPC: G06Q10/04 , G06N3/0455 , G06N3/0464 , G06N3/096 , G06Q50/02 , G06V10/82 , G06V20/10
Abstract: 本发明属于农业遥感图像处理技术领域，具体是一种基于迁移学习的农业遥感图像时空序列预测方法，该方法包括：从农业遥感设备收集农作物产量相关的数据作为数据集；对数据集进行清洗和预处理；利用Transformer架构的自注意力机制来处理时空数据；进行迁移学习，利用之前预训练的模型权重作为初始权重进行训练；构建一个网络输出层，用于输出预测农作物产量的相关信息；根据具体的应用需求，对预测结果进行必要的后处理。本发明结合了迁移学习和Transformer自注意力机制，特别是利用了Transformer架构在处理时空序列数据上的优势，来预测农作物的产量，具有更快地训练模型并提高预测精度的优点。
-
公开(公告)号：CN118314352A
公开(公告)日：2024-07-09
申请号：CN202410736895.9
申请日：2024-06-07
Applicant: 安徽农业大学
IPC: G06V10/26 , G06V10/764 , G06V20/10 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明属于遥感图像处理技术领域，具体是一种基于补丁级分类标签的农作物遥感图像分割方法，该方法使用patch级标注图像数据分别训练教师网络和学生网络，在教师网络的输出中，筛选出可靠的预测结果作为学生网络的伪标签，不可靠结果作为学生网络的负样本；利用学生网络的分类结果生成图像分割模型的像素级伪掩码，将学生网络不同编码阶段的特征图作为分割模型的伪标签；最后使用经过充分训练的学生模型作为主干网络，对测试集图像进行分割。本发明增强了对噪声和局部变化的鲁棒性，提高了模型泛化能力，有效减少图像标注质和量上的需求；通过多层伪监督缩小patch级标签和像素级标签之间的信息差距。
-
公开(公告)号：CN118332127A
公开(公告)日：2024-07-12
申请号：CN202410765291.7
申请日：2024-06-14
Applicant: 安徽农业大学
IPC: G06F16/35 , G06F40/30 , G06N3/0464 , G06N3/08
Abstract: 本发明适用于自然语言处理技术领域，具体是一种基于跨语言集成的零样本文本分类方法，该方法包括构建多语言数据集、获取多语言分类文本、文本标签集映射成图像标签集、特征提取、相似度计算和集成预测的步骤，其中，在集成预测的步骤中，本发明运用集成学习的投票策略，选择最终文本分类预测结果并输出。本发明采用了跨语言集成方法，并增加了中文和意大利语的多语言数据集，具备广泛的语言支持和适应能力；本发明采用Multilingual‑CLIP模型，显著提高了零样本文本分类的性能；本发明还采用了投票机制进行预测结果的集成，通过多个模型的预测结果进行投票选择，进一步提高了预测准确性。
-
公开(公告)号：CN117253044A
公开(公告)日：2023-12-19
申请号：CN202311334268.4
申请日：2023-10-16
Applicant: 安徽农业大学
IPC: G06V10/26 , G06V20/10 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明适用于农业影像分析技术领域，具体提供了一种基于半监督交互学习的农田遥感图像分割方法，本发明设计了一种半监督交互学习的农田遥感图像分割方法，首先通过交互学习，CNN和Transformer相互协作，通过对无标签数据进行自监督训练，相互传递像素局部特征和全局特征，减少标注数据的需求，同时有效避免了现有两类方法可能存在的缺点；其次在CNN中引入方向性对比损失函数，通过对有标签数据进行全监督训练，保证图片中具有相同身份特征在不同场景下的一致性，进而提升模型泛化能力和鲁棒性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
