-
公开(公告)号：CN118675046A
公开(公告)日：2024-09-20
申请号：CN202410686317.9
申请日：2024-05-29
Applicant: 河南大学
IPC: G06V20/10 , G06V10/80 , G06V10/82 , G06V10/766 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明提供一种基于注意力机制和多尺度特征融合的SAR舰船检测方法。该方法设计了一种注意力特征融合网络WEF‑Net作为目标检测网络中的颈部网络来平衡深层和浅层不同分辨率的特征图；WEF‑Net包括平衡特征模块BFM和特征增强融合FEF模块，BFM中包括协调注意力机制CA模块，以便基于注意力机制对主干网络输出的不同大小的特征图进行处理以生成感受野平衡的全局特征，FEF模块根据主干网络输出的不同大小的特征图和BFM输出的全局特征来平衡特征金字塔不同层次的语义信息以生成不同大小的融合后特征图。本发明可以增强和提升具有复杂背景的多尺度特征图的融合，提升模型的检测精度。
-
公开(公告)号：CN114387511B
公开(公告)日：2024-08-06
申请号：CN202111605871.2
申请日：2021-12-25
Applicant: 河南大学
Abstract: 本发明提供一种用于遥感图像中小目标检测的多分支检测方法。该方法包括：步骤1：构建RepDarkNet主干网络，使用所述RepDarkNet主干网络对遥感图像进行特征提取，其中，所述RepDarkNet主干网络包含五个串联的特征提取分支；步骤2：构建跨层融合网络，使用所述跨层融合网络对所述RepDarkNet主干网络提取到的五个特征图进行跨层特征融合；步骤3：设计边界框回归损失函数，基于所述边界框损失函数和融合后特征得到小目标检测框。通过在Dior数据集和NWPU VHR‑10数据集上进行实验，本发明可以较好地检测到遥感图像中的小尺寸目标。
-
公开(公告)号：CN118429805A
公开(公告)日：2024-08-02
申请号：CN202410524672.6
申请日：2024-04-28
Applicant: 河南大学
IPC: G06V20/10 , G06V10/774 , G06V10/80 , G06V10/764 , G06V10/766
Abstract: 本发明涉及遥感影像目标检测技术领域，提供一种基于改进YOLOv7的遥感影像小目标检测方法。该方法主要通过下述方式解决了遥感图像小目标检测精度低、漏检现象严重的问题，具体包括：使用了一个基于C3模块改进的C3‑Faster模块，将其引入YOLOv7网络，提高小目标特征的提取能力；采用Normalized Wasserstein Distance(NWD)融合GIoU作为新的损失函数，提高网络优化权值和小目标回归框架的精度；以及在模型合适的位置加入coordinated attention(CA)注意力机制，减少特征层中冗余的信息，并避免小目标特征信息的丢失。
-
公开(公告)号：CN116257782A
公开(公告)日：2023-06-13
申请号：CN202310229392.8
申请日：2023-03-10
Applicant: 河南大学
IPC: G06F18/24 , G06F18/22 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开一种基于注意力机制的多通道卷积与门控循环单元的文本情感分析方法，包括：步骤1：对获得的文本数据进行预处理，将预处理后的数据作为模型的输入；步骤2：使用不同大小的滑动窗口来提取浅层的文本信息，使用融合Concatenate操作将文本特征信息合并；步骤3：分别使用残差单元和门控循环单元对文本的抽象特征进行提取，并使用连接操作将提取到的特征信息进行合并；步骤4：引入注意力机制，对句子中的单词给予不同的权重，使用批标准化处理和全连接层最终完成分类。本发明利用一维卷积结合残差单元和门控循环单元连接以及注意力机制完成文本分类，提高了文本分类精度。
-
公开(公告)号：CN114387511A
公开(公告)日：2022-04-22
申请号：CN202111605871.2
申请日：2021-12-25
Applicant: 河南大学
Abstract: 本发明提供一种用于遥感图像中小目标检测的多分支检测方法。该方法包括：步骤1：构建RepDarkNet主干网络，使用所述RepDarkNet主干网络对遥感图像进行特征提取，其中，所述RepDarkNet主干网络包含五个串联的特征提取分支；步骤2：构建跨层融合网络，使用所述跨层融合网络对所述RepDarkNet主干网络提取到的五个特征图进行跨层特征融合；步骤3：设计边界框回归损失函数，基于所述边界框损失函数和融合后特征得到小目标检测框。通过在Dior数据集和NWPU VHR‑10数据集上进行实验，本发明可以较好地检测到遥感图像中的小尺寸目标。
-
Patent Agency Ranking
公开(公告)号：CN119962534A
公开(公告)日：2025-05-09
申请号：CN202510040231.3
申请日：2025-01-09
Applicant: 河南大学
IPC: G06F40/295 , G06F40/226 , G06F40/186 , G06N5/04 , G06F18/22 , G06F18/214
Abstract: 本发明提供一种用于少样本命名实体识别的大语言模型上下文学习方法和命名实体识别方法。该上下文方法包括：构建用于命名实体识别的少样本支持集和测试集；加载基于上下文学习的提示模板，并将少样本支持集输入至预设大语言模型，使得大语言模型根据提示模板生成新的文本集，将新的文本集增加至少样本支持集中以形成扩充支持集；在原始的提示模板中引入零样本思维链提示，将测试集和扩充支持集共同输入至预设大语言模型进行相似度对比，预测关于测试集的命名实体识别结果，并将预测正确的命名实体识别结果对应的自然语言文本反馈至少样本支持集中。本发明可以解决命名实体识别任务的数据稀缺问题，并提升模型在命名实体识别任务上的泛化性。
-
公开(公告)号：CN117827321A
公开(公告)日：2024-04-05
申请号：CN202410199028.6
申请日：2024-02-22
Applicant: 河南大学
Abstract: 本发明涉及遥感产品处理技术领域，具体涉及一种高性能遥感产品生产系统及方法，该方法通过客户端提供的算子库和流程库构建遥感产品流程图，生成遥感产品流程配置文件，实现了自定义构建遥感产品流程的功能。通过订单流程解析和自动化批量生产运行，提供交互生产的方式，实现了生产高效且可控。通过生产进度反馈和日志监控服务，实现了订单生产的可视化监控和追踪。利用容器化技术对服务端的服务细粒度化部署，通过Kubernetes容器化管理平台管理服务端所在的容器，实现了系统的高可用，提高了系统的稳定性，解决了传统的C/S(Client/Server)和单体架构中无法弹性扩容，资源利用严重不平衡，系统升级难的问题。
-
公开(公告)号：CN117057341A
公开(公告)日：2023-11-14
申请号：CN202311062089.X
申请日：2023-08-22
Applicant: 河南大学
IPC: G06F40/211 , G06F40/279 , G06F40/284 , G06F16/33 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/16
Abstract: 本发明公开一种基于语意增强图卷积网络的关系抽取方法及装置，该方法通过分析关键词权重的方法构造关联密度矩阵，根据词与词之间的关联密度进行权重分析，得出关联密度矩阵，并将该矩阵和邻接矩阵相结合；该方法以实体之间的单词相对于实体两边的单词更重要为前提，对原句子进行中心句提取，并把提取后的句子与原句子进行拼接，以实现语意增强的效果。在SemEval‑2010Task 8和KBP37数据集上进行实验，实验结果表明：本发明SE‑GCN模型的F1score在上述两个数据集上比基准模型Two‑channel model分别提升了3.92％和4.21％。
-
公开(公告)号：CN116506615A
公开(公告)日：2023-07-28
申请号：CN202310528077.5
申请日：2023-05-10
Applicant: 河南大学
IPC: H04N19/124 , H04N19/182 , H04L9/00 , H04N19/63
Abstract: 本发明提供一种基于压缩感知和拉丁立方的彩色图像加密和解密方法。该加密方法主要包括以下步骤：基于给定的外部密钥和初始值，对Logistic‑Sine‑Cosine混沌系统进行迭代生成四个混沌序列X1、X2、X3、X4，对Henon混沌系统进行迭代生成混沌序列Y1和Y2；使用小波稀疏基对明文图像进行稀疏处理，然后采用混沌序列X1、X2、X3对稀疏矩阵进行重新排序，根据X4得到符合要求的测量矩阵并对三个稀疏矩阵进行压缩感知测量。在置乱扩散过程中，使用混沌序列Y1生成三维拉丁立方体和二维0‑1方阵，对压缩加密后的图像进行特定规则的置乱和扩散加密，进而获得最终的压缩密文图像。
-
公开(公告)号：CN112926552B
公开(公告)日：2022-08-12
申请号：CN202110442345.2
申请日：2021-04-23
Applicant: 河南大学
IPC: G06V10/30 , G06V10/762 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于深度神经网络的遥感影像车辆目标识别模型及方法。该模型将Yolov4网络结构中PANet网络中的卷积块替换为倒置残差模块，具体为：将PANet网络中上采样单元自下而上依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第一倒置残差模块和第二倒置残差模块；将PANet网络中下采样单元自上而下依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第三倒置残差模块和第四倒置残差模块；在第二倒置残差模块和第三倒置残差模块之间新增一个倒置残差模块，并定义为第五倒置残差模块，所述第五倒置残差模块用于对输入的图像进行下采样。本发明对阴影遮挡等复杂环境下的车辆目标识别更精确。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.017 seconds)
