-
公开(公告)号：CN117058674A
公开(公告)日：2023-11-14
申请号：CN202310992432.4
申请日：2023-08-08
申请人： 淮阴工学院
IPC分类号： G06V20/70 , G06V20/10 , G06V10/26 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于注意力的Water‑Lite‑HRNet遥感图像水体分割方法，包括以下步骤：首先预处理LandCover.ai原始高分辨率遥感图像，得到本发明使用的水体分割数据集，包括训练集、测试集和验证集；其次对原始HRNet网络进行结构化剪枝，得到Water‑Lite‑HRNet网络，同时嵌入设计的注意力模块和相邻分支注意力模块；然后对Water‑Lite‑HRNet采用水体分割数据集中的训练集及验证集对网络模型进行微调与训练，得到分割模型Y；最后将水体分割数据集中的测试集输入到Y中，得到初始分割结果，对初始分割结果进行后处理，修正错误或不确定性，得到最终的水体分割结果。与现有技术相比，本发明提出的基于注意力的Water‑Lite‑HRNet模型，在大规模减少HRNet参数量提高模型训练速度的同时提高了模型分割精度。
-
公开(公告)号：CN116797940A
公开(公告)日：2023-09-22
申请号：CN202310793972.X
申请日：2023-06-30
申请人： 淮阴工学院
IPC分类号： G06V20/13 , G06V10/26 , G06V20/70 , G06V10/774 , G06V10/764 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
摘要： 本发明公开了一种基于Water‑WSSS模型的端到端的弱监督遥感图像水体分割方法，采集遥感图像制作数据集并进行预处理，通过构建Water‑WSSS网络模型，使用改进的DPND作为模型的主干网络提取特征，设计一个完全端到端的网络。整个网络包括主干网络；分类分支、分割分支、伪标签细化模块和特征增强模块，两个分支共享相同的主干网络，训练时，两个分支同时更新整个网络。首先利用分类分支生成初始类激活图，类激活图经过伪标签细化模块处理后有效扩大激活区域，作为分割分支的伪真值标签，在分割分支中使用两次空洞卷积，然后将结果输入特征增强模块，进行遥感图像水体分割。本发明提出的模型结构显著提高了弱监督语义分割模型的分割准确率。
-
公开(公告)号：CN118506150A
公开(公告)日：2024-08-16
申请号：CN202410554630.7
申请日：2024-05-07
申请人： 淮阴工学院
IPC分类号： G06V10/82 , G06V10/774 , G06N3/0455 , G06N3/08 , G06V20/10 , G01N21/25 , G01N21/84
摘要： 本发明公开了一种基于微调大模型的溢油检测方法、系统及设备，其种方法包括：采集并保存溢油图像数据；对溢油图像数据根据溢油级别进行人工标注，并制作成数据集；将数据集按照一定比例分割为训练集和测试集并且对溢油图像进行预处理；构建基于Vision Transformer和LoRA的溢油检测模型；包括：构建基于Vision Transformers的模型，通过Vision Transformers的多头自注意力机制，捕捉图像中的特征；通过LoRA技术，冻结Vision Transformers的权重，将可训练的秩分解矩阵注入到Vision Transformers架构的每一层，在每个Vision Transformers块中注入可训练层，减少需要训练的参数数量；通过调整参数在训练集上迭代训练溢油检测模型，得到最优溢油检测模型，对溢油进行检测；本发明通过LoRA进行微调的效果与全模型微调相同，速度更快，计算需求更少，同时保持或提升模型在溢油检测任务上的性能。
-
公开(公告)号：CN116485015A
公开(公告)日：2023-07-25
申请号：CN202310354751.2
申请日：2023-04-04
申请人： 淮阴工学院
IPC分类号： G06Q10/04 , G06Q50/26 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
摘要： 本专利公开了一种基于Conv‑LSTM‑RA网络的空气质量指数预测方法，首先，对获取到的历史空气质量数据进行预处理；其次，利用卷积神经网络（CNN）中的一维卷积结构（Conv1D）进行特征提取，并在卷积神经网络中加入残差模块，以获取更多的特征信息；然后，使用长短期记忆（LSTM）在时间维度上根据设定的窗口进行未来空气质量指数的预测；最后，在LSTM中使用注意力机制，利用注意力机制学习输入序列的权重分布，得出最终预测结果。与现有的单一网络模型相比，本发明提出的混合模型方法能够更加有效的预测数据，提高预测模型的准确率。
-
公开(公告)号：CN118823596A
公开(公告)日：2024-10-22
申请号：CN202410968613.8
申请日：2024-07-19
申请人： 淮阴工学院
IPC分类号： G06V20/13 , G06V10/774 , G06V10/44 , G06V10/26 , G06N3/0455 , G06N3/047 , G06N3/0464 , G06N3/048 , G06V10/20 , G06V10/32 , G06V10/764 , G06V10/82 , G06V10/28 , G06V10/25 , G06V10/30 , G06V10/34 , G06N3/0985
摘要： 一种基于深度学习的U‑SegFormer石油溢油检测方法，包括步骤：步骤1：数据准备：使用遥感卫星所采集的溢油图像作为实验数据，并对溢油图像数据根据溢油级别进行人工标注；并制作成数据集，将数据集按照一定比例分割为训练集、验证集和测试集；步骤2：搭建模型：U‑Segformer模型的网络架构可以分为编码器、瓶颈层和解码器三个主要部分；步骤3：训练模型：使用公开数据集和步骤1中溢油图像数据集的训练集、验证集对U‑SegFormer模型进行预训练和微调，得到分割模型Y；步骤4：分割后处理，使用步骤1中溢油图像数据集的测试集测试模型，得到初始分割结果，然后进行后处理，得到最终的分割结果。本发明能够有效保留和利用高分辨率的空间信息，能够更好地保留和分割细节。
-
公开(公告)号：CN118608786A
公开(公告)日：2024-09-06
申请号：CN202410776988.4
申请日：2024-06-17
申请人： 淮阴工学院
IPC分类号： G06V10/26 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 一种基于改进注意力的Water‑Res‑Swin遥感图像水体分割方法，包括以下步骤：1.预处理自制数据集，得到水体分割数据集；2.搭建Water‑Res‑Swin模型：分别使用ResNet50网络和Swin Transformer网络进行特征提取，得到多尺度特征图，将相同维度的特征图融合，提高模型的特征表现能力。同时，在模型中嵌入优化代理注意力(OAG)模块，以降低计算复杂度并生成增强的特征表示；3.采用自制水体分割数据集中的训练集及验证集对Water‑Res‑Swin网络模型进行训练与微调，生成分割模型Y；4.将水体分割数据集中的测试集输入到Y中，得到初始分割结果，对初始分割结果进行后处理，修正错误或不确定性，得到最终的水体分割结果。本发明提出的基于改进注意力的Water‑Res‑Swin模型，在减少计算复杂度的同时提高了模型分割精度。
-
公开(公告)号：CN118429809A
公开(公告)日：2024-08-02
申请号：CN202410580598.X
申请日：2024-05-10
申请人： 淮阴工学院
IPC分类号： G06V20/10 , G06V10/44 , G06V10/774 , G06V10/74 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/0499
摘要： 本发明公开了一种基于对比学习的REIN‑MoCoV3‑OLA石油溢油检测方法，包括以下步骤：下载公开的ImageNet数据集和Oil Spill Detection Dataset数据集；搭建REIN‑MoCoV3‑OLA模型：在MoCoV3模型的主干层之间部署REIN模块，并根据微调数据集来训练参数。在模型中嵌入优化线性注意力模块OLA；使用公开的ImageNet数据集，采用对比学习的方式对REIN‑MoCoV3‑OLA模型进行预训练；4.使用Oil Spill Detection Dataset数据集对预训练后的模型进行微调。在微调阶段，模型将根据石油溢油检测任务的特定数据集来进一步优化模型参数，以适应特定任务的需求。与现有技术相比，本发明可利用对比学习和注意力机制来构建和训练适用于石油溢油检测任务的深度学习模型，并取得了良好的性能表现。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.022 秒)
