-
Patent Agency Ranking
公开(公告)号：CN113361194A
公开(公告)日：2021-09-07
申请号：CN202110623651.6
申请日：2021-06-04
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于深度学习的传感器漂移校准方法、电子设备及存储介质，属于传感器校准技术领域。该方法采用数据增广方法扩充数据样本，为传感器漂移校准提供了数据保障，所提出的传感器漂移校准方法包括漂移特征提取和漂移校准两个部分，分别对应于漂移特征提取模块和校准模块。漂移特征提取模块通过多尺度卷积层提取数据中隐藏在不同尺度上时间和频率的漂移关键特征，为校准模块奠定基础；校准模块采用基于自注意力的一维残差卷积神经网络有效利用邻近传感器间数据相关性对漂移数据进行漂移补偿，能够同时校准传感器群组中多个传感器的漂移。该方法能充分利用数据的时间和空间特征，有效提取数据中的漂移特征，提高了数据采集质量。
-
公开(公告)号：CN114386534B
公开(公告)日：2025-03-14
申请号：CN202210111331.7
申请日：2022-01-29
Applicant: 安徽农业大学
IPC: G06V10/764 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/09 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法，该方法将可见类训练图像的视觉特征和语义特征分别输入视觉模态和语义模态变分自编码器中对应生成第一伪视觉特征和伪语义特征，并将其输入生成器网络中生成第二伪视觉特征，再利用判别器网络判别真实特征和生成的特征，利用可见类训练图像数据集对变分自编码器对抗生成网络模型进行训练。对于零样本图像分类，在可见类上训练完成的模型生成未见类训练图像的伪视觉特征并结合类别标签训练分类器对未见类图像进行分类；能够有效融合图像的视觉信息和语义信息，生成更接近于真实数据分布且高质量的可见类和未见类图像，提高零样本图像分类准确率。
-
公开(公告)号：CN114386534A
公开(公告)日：2022-04-22
申请号：CN202210111331.7
申请日：2022-01-29
Applicant: 安徽农业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法，该方法将可见类训练图像的视觉特征和语义特征分别输入视觉模态和语义模态变分自编码器中对应生成第一伪视觉特征和伪语义特征，并将其输入生成器网络中生成第二伪视觉特征，再利用判别器网络判别真实特征和生成的特征，利用可见类训练图像数据集对变分自编码器对抗生成网络模型进行训练。对于零样本图像分类，在可见类上训练完成的模型生成未见类训练图像的伪视觉特征并结合类别标签训练分类器对未见类图像进行分类；能够有效融合图像的视觉信息和语义信息，生成更接近于真实数据分布且高质量的可见类和未见类图像，提高零样本图像分类准确率。
-
公开(公告)号：CN119516034A
公开(公告)日：2025-02-25
申请号：CN202411530528.X
申请日：2024-10-30
Applicant: 安徽农业大学
IPC: G06T11/40 , G06T11/00 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明属于农业数据处理技术领域，具体涉及一种基于GAN网络的水稻CT数据生成方法，包括以下步骤：S1、对水稻秧苗进行预处理；S2、采集两张水稻秧苗茎秆的CT图像；S3、将采集的两张CT图像进行标准化处理；S4、结合DCLB模块和2DTo3D模块构建水稻CT数据生成模型；S5、对所述生成模型进行训练；S6、将标准化处理后的两张CT图像输入到训练后的生成模型，对输入的CT图像像进行特征提取和空间信息的融合，生成中间段的水稻CT图像数据克服了现有技术的不足，有效地填补水稻切片图像之间的空白，为后续的水稻生长分析和研究提供了可靠的数据支持。
-
公开(公告)号：CN113361194B
公开(公告)日：2022-10-04
申请号：CN202110623651.6
申请日：2021-06-04
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于深度学习的传感器漂移校准方法、电子设备及存储介质，属于传感器校准技术领域。该方法采用数据增广方法扩充数据样本，为传感器漂移校准提供了数据保障，所提出的传感器漂移校准方法包括漂移特征提取和漂移校准两个部分，分别对应于漂移特征提取模块和校准模块。漂移特征提取模块通过多尺度卷积层提取数据中隐藏在不同尺度上时间和频率的漂移关键特征，为校准模块奠定基础；校准模块采用基于自注意力的一维残差卷积神经网络有效利用邻近传感器间数据相关性对漂移数据进行漂移补偿，能够同时校准传感器群组中多个传感器的漂移。该方法能充分利用数据的时间和空间特征，有效提取数据中的漂移特征，提高了数据采集质量。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
