-
公开(公告)号：CN115755908B
公开(公告)日：2023-10-27
申请号：CN202211440318.2
申请日：2022-11-17
Applicant: 中国矿业大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于JPS引导HybridA*的移动机器人路径规划方法，在经典HybridA*算法的基础上利用JPS算法的扩展特点进行优化，在二维网格下考虑hcollision_avoidance1启发值时，用JPS算法代替A*算法进行长度计算；在计算gextend函数值中加入pbias惩罚项，用JPS算法遍历获得引导路径点集合。本发明方法相比于经典Hybrid A*算法，在遍历速度，迭代次数及路径长度上提升效果显著。
-
公开(公告)号：CN116486251A
公开(公告)日：2023-07-25
申请号：CN202310182438.5
申请日：2023-03-01
Applicant: 中国矿业大学
IPC: G06V20/10 , G06V10/52 , G06V10/58 , G06V10/764 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多模态融合的高光谱图像分类方法，首先，通过维度统一层统一高光谱和激光雷达数据的维度；然后，通过多尺度分组卷积分别提取高光谱和激光雷达数据的多个尺度空间特征，并在对应尺度上进行多模态特征聚合，得到多个尺度的多模态聚合特征，进行拼接后得到多尺度聚合特征，并对其进行全局平均池化和全局最大池化，并结合全局协方差信息获得多模态数据的多尺度全局信息；接着，结合多模态数据的多尺度全局信息对不同尺度的多模态聚合特征进行融合，得到多模态空间融合特征；最后，利用激光雷达的空间拓扑信息对多模态空间融合特征进行拓扑约束，并将此约束下的多模态空间融合特征输入分类器完成分类任务。
-
公开(公告)号：CN115578621B
公开(公告)日：2023-06-20
申请号：CN202211355233.4
申请日：2022-11-01
Applicant: 中国矿业大学
IPC: G06V10/80
Abstract: 本发明公开了一种基于多源数据融合的图像识别方法，可以实现可见光、红外等多源图像融合并应用于图像识别任务。针对单模态数据无法为图像识别任务提供足够充分的信息，提出一种基于多源数据融合的图像识别方法，通过融合多源数据，以便图像识别任务有效进行。首先通过尺度分解，将可见光和红外图像分解，得到强化轮廓信息的基础图像；接着，分别对可见光和红外的图像进行子图划分；然后，分别将两张图像对应的子图进行加权融合，由融合完成的子图得到基础融合图像；为获取原始细节信息，将基础融合图像与原始图像进行加权融合以突出图像的显著性特征，得到最终融合图像；最后，将融合后的图像输入图像识别网络进行图像识别任务。
-
公开(公告)号：CN115375951B
公开(公告)日：2023-04-07
申请号：CN202211141445.2
申请日：2022-09-20
Applicant: 中国矿业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10
Abstract: 本发明公开了一种基于图元迁移网络的小样本高光谱图像分类方法，将同为归纳学习的图聚合和采样策略(GraphSAGE)和元学习策略融入统一框架以提取两域的元知识，从大量的小样本元任务中归纳出具有泛化性的图聚合函数。基于距离约束的空间注意力被提出以引导特征传播，缓解节点聚合时异类节点信息干扰的问题。同时基于邻域感受野的光谱注意力机制被提出对波段重要性进行建模，使网络更关注与具有辨识性特征的波段。另外，提出了基于空间信息的数据增强策略，通过空间信息重置扩充目标域样本。进一步，为缓解场景下的领域偏移问题，使用条件域对抗策略进行领域迁移，以实现该场景下元知识的有效迁移。
-
公开(公告)号：CN115755908A
公开(公告)日：2023-03-07
申请号：CN202211440318.2
申请日：2022-11-17
Applicant: 中国矿业大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于JPS引导HybridA*的移动机器人路径规划方法，在经典HybridA*算法的基础上利用JPS算法的扩展特点进行优化，在二维网格下考虑hcollision_avoidance1启发值时，用JPS算法代替A*算法进行长度计算；在计算gextend函数值中加入pbias惩罚项，用JPS算法遍历获得引导路径点集合。本发明方法相比于经典Hybrid A*算法，在遍历速度，迭代次数及路径长度上提升效果显著。
-
Patent Agency Ranking
公开(公告)号：CN115375951A
公开(公告)日：2022-11-22
申请号：CN202211141445.2
申请日：2022-09-20
Applicant: 中国矿业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10
Abstract: 本发明公开了一种基于图元迁移网络的小样本高光谱图像分类方法，将同为归纳学习的图聚合和采样策略(GraphSAGE)和元学习策略融入统一框架以提取两域的元知识，从大量的小样本元任务中归纳出具有泛化性的图聚合函数。基于距离约束的空间注意力被提出以引导特征传播，缓解节点聚合时异类节点信息干扰的问题。同时基于邻域感受野的光谱注意力机制被提出对波段重要性进行建模，使网络更关注与具有辨识性特征的波段。另外，提出了基于空间信息的数据增强策略，通过空间信息重置扩充目标域样本。进一步，为缓解场景下的领域偏移问题，使用条件域对抗策略进行领域迁移，以实现该场景下元知识的有效迁移。
-
公开(公告)号：CN113947725A
公开(公告)日：2022-01-18
申请号：CN202111244668.7
申请日：2021-10-26
Applicant: 中国矿业大学
Abstract: 本发明公开了一种基于卷积宽度迁移网络的高光谱图像分类方法，首先使用波段选择对原始高光谱图像进行预处理，去除波段冗余；然后通过在卷积神经网络中加入领域适应层同时对齐源域和目标域边缘概率分布和二阶统计量信息，并得到卷积领域适配网络以提取原始高光谱数据中深层领域不变性特征。接着提出加权条件最大均值差异，并将基于加权条件最大均值差异的正则项加入宽度网络，得到加权条件宽度学习网络以减少两域条件概率分布差异和类权重偏差，同时对特征进行宽度扩展。最后通过岭回归理论快速计算出输出权值。本方法可仅使用利用源域标记样本完成对目标域高光谱图像的无监督分类。
-
公开(公告)号：CN109241755B
公开(公告)日：2021-10-22
申请号：CN201810938123.8
申请日：2018-08-17
Applicant: 中国矿业大学
IPC: G06F21/60
Abstract: 一种基于三维置乱模型和混沌的图像加密方法，属于信息加密领域。目前，多媒体通信技术的快速发展，如何保护图像内容的安全引起了工业界和学术界的共同关注。本发明提出一种基于三维置乱模型和混沌的图像加密方法。受魔方游戏的启发，在定义行置乱，列置乱和位面置乱的基础上，建立了图像的三维置乱模型。首先，利用三维置乱模型对原始图像进行像素置乱；然后，利用混沌，对置乱结果进行异或（exclusive OR，XOR）运算，产生加密图像。实验表明：该算法加密效果良好，密钥空间大，密钥敏感性强，安全性高，高效。
-
公开(公告)号：CN111598236A
公开(公告)日：2020-08-28
申请号：CN202010430858.7
申请日：2020-05-20
Applicant: 中国矿业大学
IPC: G06N3/08
Abstract: 本发明公开一种宽度学习系统网络模型压缩方法，包括以下步骤：获得输入数据和输出数据；生成增广输入矩阵；构建出含有L1正则化项和L1-fusion项的目标函数。利用L1正则化项的约束实现输出权值稀疏，使得贡献度小的节点对应的输出权值为零，选择出贡献度大的节点；利用L1-fusion项约束相邻输出权值之间的差异，使得具有相关性的节点对应的输出权值变化平滑，从而被一起选择；求出经上述约束的输出权值，得到一个CBLS网络模型；根据测试集均方根误差的大小和网络结构压缩率来评估模型的预测精度和压缩效果，选择最优的网络模型，作为压缩后的网络模型。本发明能够在保持精度损失不大的同时，呈现出非常好的压缩效果。
-
公开(公告)号：CN106023065B
公开(公告)日：2019-02-19
申请号：CN201610321578.6
申请日：2016-05-13
Applicant: 中国矿业大学
IPC: G06T3/00
Abstract: 本发明公开了一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法，首先，鉴于直接使用高波段的张量数据会使得深度卷积神经网络的参数空间大幅度增加，引入最大似然本征维估计算法和主成分分析对归一化高光谱图像的波段维进行降维，得到低波段的高光谱图像；然后，通过窗口领域，将低波段高光谱图像转化为张量型低波段高光谱图像，保持每个像素点的光谱和空间信息；最后，利用深度卷积神经网络对张量型低波段高光谱图像进行光谱‑空间降维，使得降维后的特征同时包括光谱信息和空间信息。本发明能有效地利用高光谱数据的光谱特征和空间领域特征获得较高的整体分类精度和Kappa系数。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.115 seconds)
