-
公开(公告)号：CN114581363A
公开(公告)日：2022-06-03
申请号：CN202111478910.7
申请日：2021-12-04
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于多尺度级联残差卷积神经网络的海岸线变化检测方法。目前对于海岸线的变化检测的传统方法具有效率低下且费时费力的缺点，所以该发明是基于深度学习的一种海岸线变化检测方法。该方法分为背景卷积神经网络模块，残差处理模块以及分割卷积神经网络模块。本文为了更好的获取到海岸线的变化检测结果，添加了残差处理模块，并将残差处理模块处理后的结果深度连接到分割卷积神经网络模块中，实现特征融合，提取到更多的特征信息，来达到更好变化检测的效果。
-
公开(公告)号：CN113591478B
公开(公告)日：2023-04-18
申请号：CN202110636514.6
申请日：2021-06-08
Applicant: 电子科技大学 , 电子科技大学长三角研究院(湖州)
IPC: G06F40/295 , G06F40/211 , G06F40/30 , G06N3/0442 , G06N3/08
Abstract: 本发明提出了一种基于深度强化学习的远程监督文本实体关系抽取方法，该方法包括：进行数据预处理，通过分词、词向量转化、位置向量构成文本向量；Bi‑LSTM+Attentnion将自然文本编码为含有上下文语义的特征向量；通过实体类型嵌入得到实体类型信息的嵌入表示；再构建出依存树，组合表示为最终的句子表示；选用一个句子注意力机制，得到加权的包表示；通过softmax函数计算得到预测标签；使用强化学习方法在远程监督标注和预测标签中选择一个作为软标签，再使用软标签作为正确标签训练，得到最终的关系抽取结果。
-
公开(公告)号：CN115115860B
公开(公告)日：2024-12-17
申请号：CN202210856359.3
申请日：2022-07-20
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明基于改进的SuperPoint网络和改进的SuperGlue网络设计了一种融合网络，该网络利用全卷积网络提取图像特征点，使用一种亚像素化模块利用邻域窗口信息增进特征点的坐标精度，对图像特征点与特征向量联合编码后利用注意力机制模拟人类进行特征点匹配的过程并采用Sinkhorn算法解算匹配关系。本发明设计了自适应的空间约束层，利用空间约束关系对粗匹配点对进行多种方法的并行筛选和计算，能够自适应判别图像间的空间关系，对输入图像提取出匹配好的特征点对。
-
Patent Agency Ranking
公开(公告)号：CN116152490A
公开(公告)日：2023-05-23
申请号：CN202211396440.4
申请日：2022-11-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/26 , G06N3/0442 , G06N3/049 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于残差块和密集连接的水体分割方法。遥感图像中的水体区域通常具有多尺度特征，因为水体区域由不同类型的水体组成。因此，从遥感图像中准确检测水体仍然是一个具有挑战性的问题。UNet取得了最先进的成果，但该网络也有一些局限性。本文针对连续的卷积层序列导致学习不同的特征，在某些情况下，它也可能导致学习冗余特征，添加更多层会导致更高的训练误差以及为了避免过度拟合并加速训练过程的问题。在UNet编码器部分，增加了残差块以及批归一化处理；为了克服神经网络在训练中长期依赖的梯度消失问题，在UNet解码器部分引入了卷积长短期记忆网络并使用它将特征处理为两个方向：向前和向后，称为BConvLSTM。以此来更好地实现水体分割。
-
公开(公告)号：CN115830322A
公开(公告)日：2023-03-21
申请号：CN202211546722.8
申请日：2022-12-01
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于弱监督网络的建筑物语义分割标签扩充方法。目前基于深度学习在建筑物提取方面存在着像素级注释的大型、细粒度图像分割数据集很难获得的问题。弱监督学习可以通过依赖较弱的注释形式(如标签)来训练模型。在这里，我们学习如何在对抗性游戏中使用潦草注释进行分割。使用未配对的分割掩码，我们可以多尺度生成多个分辨率的真实分割掩码，同时我们使用涂鸦来学习它们在图像中的正确位置。该模型成功的核心是一种新颖的注意力控机制，我们使用对抗信号作为形状先验，从而在多尺度上获得更好的目标定位。作为对抗条件反射的主体，这些单元学习语义性的注意力特征图，抑制物体外部的噪声激活，并减少片段更深层次的消失梯度问题。
-
公开(公告)号：CN115661461A
公开(公告)日：2023-01-31
申请号：CN202211390419.3
申请日：2022-11-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/26 , G06N3/0464 , G06N3/08 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于多特征级联全卷积网络的复杂道路场景分割方法。自动车道检测是自动驾驶汽车中的一项经典任务，传统计算机视觉技术可以执行。然而，这种技术缺乏在实现高精度的可靠性，同时在复杂和动态的道路场景中实时检测的背景下保持足够的时间复杂性。深度神经网络已经证明了它们能够在手动标记的数据上训练它们时实现竞争的准确性和时间复杂性。然而，传统算法的效率低下，精度较低。本文提出将UNet网络和改进后的DensNet网络相结合，为复杂道路场景中的车道检测任务提供了一个新的思路。
-
公开(公告)号：CN115115860A
公开(公告)日：2022-09-27
申请号：CN202210856359.3
申请日：2022-07-20
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明基于改进的SuperPoint网络和改进的SuperGlue网络设计了一种融合网络，该网络利用全卷积网络提取图像特征点，使用一种亚像素化模块利用邻域窗口信息增进特征点的坐标精度，对图像特征点与特征向量联合编码后利用注意力机制模拟人类进行特征点匹配的过程并采用Sinkhorn算法解算匹配关系。本发明设计了自适应的空间约束层，利用空间约束关系对粗匹配点对进行多种方法的并行筛选和计算，能够自适应判别图像间的空间关系，对输入图像提取出匹配好的特征点对。
-
公开(公告)号：CN113591478A
公开(公告)日：2021-11-02
申请号：CN202110636514.6
申请日：2021-06-08
Applicant: 电子科技大学 , 电子科技大学长三角研究院(湖州)
IPC: G06F40/295 , G06F40/211 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于深度强化学习的远程监督文本实体关系抽取方法，该方法包括：进行数据预处理，通过分词、词向量转化、位置向量构成文本向量；Bi‑LSTM+Attentnion将自然文本编码为含有上下文语义的特征向量；通过实体类型嵌入得到实体类型信息的嵌入表示；再构建出依存树，组合表示为最终的句子表示；选用一个句子注意力机制，得到加权的包表示；通过softmax函数计算得到预测标签；使用强化学习方法在远程监督标注和预测标签中选择一个作为软标签，再使用软标签作为正确标签训练，得到最终的关系抽取结果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
