-
公开(公告)号：CN109829495B
公开(公告)日：2023-04-07
申请号：CN201910084351.8
申请日：2019-01-29
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/77 , G06V10/82 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于LSTM和DCGAN的时序性图像预测方法，将DCGAN出色的特征捕捉能力与LSTM进行结合，可使得预测的图像数据可视化，便于直接观察；经过改进后的LSTM网络内部具有卷积特性，能直接学习到图像数据的二维空间特征；为减少其内部学习复杂度，将传统的输入图像改为输入特征；特征来源于DCGAN的提取，相对于原始图像在维度方面有了很大的简化，使得整体网络可控。本发明通过DCGAN很好的降低了特征维度，解决了高维不可计算的问题；改进后的LSTM能够更好地学习到时序性特征，从而实现更精确的预测；整体网络结构在连接方法上遵从栈式级联策略，为控制网络深度提供保障。本发明提出的时序性图像预测模型架构理论上适用于所有的时序性图像。
-
公开(公告)号：CN112418409A
公开(公告)日：2021-02-26
申请号：CN202011464171.1
申请日：2020-12-14
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法。涉及计算机预测领域，具体步骤：(1)、非对称卷积块高维特征提取器提取空间特征；(2)、嵌入注意力模块的ConvLSTM编码器‑解码器架构预测外推特征；(3)、特征结果反向重构；(4)、L1、L2正则化优化算法；(5)、预测时空序列图像。本发明通过多层卷积神经网络可以很好的提取时空序列数据的高维特征，以此作为模型的输入不仅解决了高维不可计算的问题还强调了空间关键信息；改进后的ConvLSTM能够更好的学习到时空特征实现更精准的外推；本发明适用于所有的时序性图像。
-
公开(公告)号：CN111428676A
公开(公告)日：2020-07-17
申请号：CN202010253414.0
申请日：2020-04-01
Applicant: 南京信息工程大学
IPC: G06K9/00 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q10/04 , G06Q50/26 , G06T7/10 , G06T7/246
Abstract: 本发明涉及一种基于稀疏对应和深度神经网络的短临降水预测方法，具体包括以下步骤：(1)图像可视化；(2)Fast特征检测；(3)SIFT匹配；(4)计算全局矢量；(5)预测雷达回波图像、统计云团特征和时空方向特征；(6)Inception v3回归。本发明得到的MAE和RMSE均比其它基于深度学习的方法都要低，且拟合度是最高的，克服了由数据集数量过少带来的问题，且本发明对比了利用传统堆叠方式的CNN，构建Inception v3模型的结果更加精确，能够使降水预测结果更加精确和有效。
-
公开(公告)号：CN109815920A
公开(公告)日：2019-05-28
申请号：CN201910084356.0
申请日：2019-01-29
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于卷积神经网络和对抗卷积神经网络的手势识别方法，对于某些特定类型的手势，首先通过使用对抗卷积神经网络来生成训练样本，可以解决训练模型时的过拟合问题；此外，使用卷积神经网络来进行手势识别，可以有效提高识别的准确率及效率，可以达到实时的手势识别。本发明将卷积神经网络和对抗卷积神经网络结合应用于手势识别，相对于传统的识别方法，神经网络的优点是能够直接与图像像素进行卷积，从图像像素中提取图像特征，这种处理方式更加接近人类大脑视觉系统的处理方式。
-
公开(公告)号：CN115346101A
公开(公告)日：2022-11-15
申请号：CN202211006296.9
申请日：2022-08-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于深度时空融合网络的雷达回波外推模型的实现方法，包括步骤：S1，对雷达图像数据进行处理，得到雷达序列数据；S2，通过整合时间差分网络和时空轨迹网络构建时空融合神经网络模型，采用时间差分网络中的差分运算来提取相邻两张雷达图像的差分特征，并将差分特征向高层传递、逐层抽象，提取不确定的时空变化过程中确定性的部分；同时利用空间轨迹网络来学习瞬态变化部分；S3，采用雷达序列数据，对时空融合神经网络模型进行训练，直到满足条件后，停止训练，保存模型；S4，利用步骤S3得到的最终模型，预测云图的未来运动趋势。本发明的时空融合神经网络模型融合了运动趋势与瞬态变化，实现了长短时关联记忆。
-
Patent Agency Ranking
公开(公告)号：CN114594443A
公开(公告)日：2022-06-07
申请号：CN202210286562.1
申请日：2022-03-23
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于自注意力机制和预测递归神经网络的气象雷达回波外推方法及系统，其中方法包括：获取气象雷达回波图像；预处理获取的气象雷达回波图像，获得气象雷达回波图像的灰度数据；基于Self‑attention机制和PredRNN++，获得Self‑attention PredRNN++网络模型；基于Self‑attention PredRNN++网络模型，通过气象雷达回波图像序列，获得气象雷达回波外推图像序列。本发明能够根据现有的雷达回波图像外推未来2小时的雷达回波图像序列。
-
公开(公告)号：CN112488956A
公开(公告)日：2021-03-12
申请号：CN202011464168.X
申请日：2020-12-14
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于WGAN网络进行图像修复的方法。属于DCGAN，WGAN模型优化等领域，具体步骤如下：1、构建浅层卷积网络结构；2、构建深层神经网络；3、相关参数和函数算法优化；4、代码设计；5、性能评估。本发明在国际通用ImageNet数据集上进行了评估测试，结果表明，本发明的方法取得了高质量的修复效果和更好效率，这表明本发明的方法在一定程度上提高了图像的清晰度和一致性。
-
公开(公告)号：CN105139077A
公开(公告)日：2015-12-09
申请号：CN201510398936.9
申请日：2015-07-08
Applicant: 南京信息工程大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于QEA可变旋转角距离的Jop-Shop调度方法，采用基于工序的量子染色体编码来表示一个调度，通过检测调度的有效性，提高解空间的搜索效率；进而利用基于可变旋转角的量子进化算法模式来产生子代，从而有效扩展解的多样性，能有效地防止收敛到局部最优解；同时提高了收敛速度，最终实现最少时间代价获得全局最优解(即最优的调度方案)。本发明中，由于使用了二进制解、十进制解以及工序解的形式、可变角距离的量子进化算法，使得效率上更优于其他方法。
-
公开(公告)号：CN101937510B
公开(公告)日：2015-05-20
申请号：CN201010280839.7
申请日：2010-09-14
Applicant: 南京信息工程大学
IPC: G06K9/62
Abstract: 本发明提供一种基于类Haar和AdaBoost分类器的快速增量学习方法，属于图像检测技术领域。本发明对于新增加的未正确识别的训练样本集，在不损失已有学习效果的前提下，增加一些关键的类Haar特征信息，而不是重新寻找关键类Haar特征信息，以提高训练的速度。本发明利用所提出的增量学习方法较好地解决了快速提升基于类Haar特征和AdaBoost分类器方法的识别性能问题，将其应用于车辆图像检测实验，与传统增量学习方法相比，在两者提升识别性能相近的情形下，明显减少了学习机的学习时间。
-
公开(公告)号：CN101937507B
公开(公告)日：2012-06-27
申请号：CN201010280831.0
申请日：2010-09-14
Applicant: 南京信息工程大学
Abstract: 本发明提供一种低对比度车辆图像的小波特征提取方法，属于图像特征处理技术领域。本发明先利用小波变换对图像进行塔式分解；然后对塔式分解后的小波高频系数采用增益函数进行增益处理，以提高高频细节部分对分类的贡献，最后对所有数据进一步进行分层归一化处理，将处理后的数据形成特征向量输入到分类器进行分类识别。本发明解决了现有的特征提取方式对低对比度图像进行特征提取后分类识别效果较差的问题，利用所提出的方法结合支持向量机分类器对Twilight图像进行车辆检测实验，与现有小波特征提取方法相比，明显提高了车辆识别率，大幅度降低了非车辆误识别率。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.036 seconds)
