-
公开(公告)号：CN117150390A
公开(公告)日：2023-12-01
申请号：CN202311124905.5
申请日：2023-09-02
Applicant: 西南石油大学
IPC: G06F18/243 , G06F18/2415 , G06F18/214 , G06N3/006 , G06N3/08 , G06N3/0985 , G06N20/00 , G06N5/01
Abstract: 一种基于成本敏感型学习的富水致密砂岩流体判别方法，本方法将富水致密砂岩流体识别问题类比为类别不平衡分类问题，根据解决类不平衡分类问题的思路，提出了基于参数构建的成本敏感型梯度提升决策树(PC‑SC‑GBDT)；首先，在数据层面进行了测井复合参数构建，将测井曲线、复合参数和物性参数同时作为模型的输入特征；其次，在算法层面，优化了梯度提升决策树中样本权重更新的方式，将召回率指标引入权重更新公式中，对于不同类别的训练样本基赋予不同的权重更新方式；最后，通过多种优化算法对模型进行超参数寻优，得到最优超参数下的最佳性能模型。
-
公开(公告)号：CN116310515A
公开(公告)日：2023-06-23
申请号：CN202310138285.4
申请日：2023-02-20
Applicant: 西南石油大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06T5/50
Abstract: 本发明提出一种针对小目标数据集的背景置零Mosaic数据增强方法。该数据增强方法，首先对原始训练集进行一份拷贝，将其中一份原始训练集实施选择性局部背景保留的背景置零操作，然后通过选择性局部背景保留的裁剪得到小目标集合，接着通过网格目标粘贴法得到目标粘贴训练集，将另一份原始训练集与目标粘贴训练集进行混合，最后对其进行Mosaic数据增强。本发明增大了小目标在图像中有效像素的比例，使得小目标在进行特征提取时能够有机会不被复杂的背景所淹没。同时，本发明克服了以往小目标数据集通过裁剪粘贴等手段导致小目标不自然重叠的缺点，能够有效提高小目标数据集的识别精度。
-
公开(公告)号：CN115984749A
公开(公告)日：2023-04-18
申请号：CN202310021229.2
申请日：2023-01-07
Applicant: 西南石油大学
IPC: G06V20/40 , G06V10/774 , G06V40/20 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于松弛化散度函数知识蒸馏的视频异常行为识别方法，该方法使得教师网络和学生网络的输出可以更加松弛的匹配，以提高知识的蒸馏效果。具体实施方法为：首先从全部数据集中随机提取出连续的视频图片并进行预处理作为训练样本；然后送入本发明提出的教师网络中进行训练，得到网络的最优参数；然后利用教师网络的最优参数来蒸馏训练学生网络；由于教师网络和学生网络存在较大的容量差异，我们使用本发明提出的松弛化散度函数对两个网络的输出置信度进行匹配；然最后使用软损失和硬损失作为联合损失函数，对学生网络的误差进行反向传播，进而优化学生网络的参数，以达到最优。
-
Patent Agency Ranking
公开(公告)号：CN117671260A
公开(公告)日：2024-03-08
申请号：CN202311676424.5
申请日：2023-12-08
Applicant: 西南石油大学
IPC: G06V10/26 , G06V10/25 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开一种基于改进U‑Net的图像异常特征分割方法。以残差卷积模块为基本单元，提出了一种基于改进U‑Net的图像异常特征分割方法。在U‑Net的编码、解码部分引入残差卷积模块对图像目标进行特征提取；并结合改进的空间注意力机制，加强目标区域关注度；最后使用多层级特征加强模块，充分融合低层特征的空间信息和高层特征的语义信息；在网络训练时使用混合损失优化分割结果。本发明公开的医学图像异常特征分割方法，可提升医学图像异常特征的分割精度。
-
公开(公告)号：CN117011142A
公开(公告)日：2023-11-07
申请号：CN202310991773.X
申请日：2023-08-08
Applicant: 西南石油大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/0464
Abstract: 本发明提出一种基于改进的生成对抗网络提高图像分辨率方法。方法具体步骤如下：(1)构建图像高低对应的分辨率数据集；(2)生成器网络中，引入残差密集块替代原始生成对抗网络模型的基本卷积块，去掉了中的批量归一化层，并将亚像素卷积替换为卷积层和双线性插值操作组合去实现上采样；(3)在鉴别器网络中，将VGG网络更改为改进的U‑Net。第一次卷积操作后加入了注意力机制，后续的四次卷积之前先会使用ReLU函数进行激活，并加入谱归一化技术；(4)构建训练图像的生成器损失模块，该损失加入了TV平滑损失，促使生成的图像更加平滑和连续；(5)利用(1)中构建的数据集对改进的生成对抗网络模型进行训练、验证。
-
公开(公告)号：CN116895007A
公开(公告)日：2023-10-17
申请号：CN202310877467.3
申请日：2023-07-18
Applicant: 西南石油大学
IPC: G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种基于改进YOLOv8n的小目标检测方法。方法具体步骤如下：(1)构建小目标数据集；(2)引入过渡下采样模块替代YOLOv8n模型浅层下采样操作，减少了输入图像由于连续下采样导致的小目标信息丢失；(3)在YOLOv8n模型中分别插入上采样模块和下采样模块，减少了较浅层网络中由于下采样导致的小目标信息丢失；(4)采用融合了改进SwinTransformer‑V2模块的改进C3模块替换YOLOv8n模型中部分C2f模块，加强了小目标信息在主干特征提取网络深层部分的关注度；(5)利用(1)中构建的数据集对改进的YOLOv8n模型进行训练、验证、评价。本发明在减少模型少量参数量、满足实时检测要求的情况下，增加了小目标检测的平均精度均值，减少了误检漏检情况的发生。
-
公开(公告)号：CN116229323A
公开(公告)日：2023-06-06
申请号：CN202310221454.0
申请日：2023-03-09
Applicant: 西南石油大学
IPC: G06V20/40 , G06V40/20 , G06V10/774 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/048 , G06N3/08 , G06N3/084 , G06V10/764 , G06N3/047 , G06N3/0464
Abstract: 本发明公开了一种基于改进深度残差网络的人体行为识别方法。包括训练阶段和测试阶段：在训练阶段，使用摄像头获取图像数据集，使用分段采样的稀疏采样策略提取训练视频的原始帧，将提取的原始帧送入通道注意力机制改进深度残差网络的进行训练；在测试阶段，提取测试视频的原始帧，送入训练得到的改进深度残差网络模型，通过softmax分类器判断出最终的行为类别。本发明方法能够根据特征通道的重要程度对重要特征进行增强，对不重要的特征进行抑制，从而提高模型对输入数据的特征提取能力。本发明网络具有较高的运行速度和较高的行为识别准确率以及较低的网络复杂度，特别是在一些复杂动作和较难识别动作中能够提取有效特征具有较好的表现。
-
公开(公告)号：CN116894782A
公开(公告)日：2023-10-17
申请号：CN202310876849.4
申请日：2023-07-18
Applicant: 西南石油大学
IPC: G06T5/00 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/048 , G06N3/045 , G06V10/40 , G06V10/82 , G06V10/80
Abstract: 本发明提出一种基于生成对抗网络的地震资料随机噪声盲去噪方法。首先对原始数据集按比例划分为训练数据和测试数据，分别在训练和测试数据中加入高斯噪声和未知的随机噪声；训练时将数据送入改进残差模块进行第一次特征粗提取，保证相邻图像像素之间的关联性；随后使用改进通道注意力机制对特征向量进行第二次细提取，保证图像自身特征的完备性；最后通过计算改进的梯度惩罚函数拉大真实样本与假样本之间的差距，不仅节约训练时间，也增强了判别器的判别能力，提高了生成器的特征提取能力。本发明网络具有较好的泛化性以及较高的准确性，特别是在存在一些复杂未知噪声的地震图像去噪方面有较好的表现。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
