-
公开(公告)号：CN117197451A
公开(公告)日：2023-12-08
申请号：CN202310904440.9
申请日：2023-07-21
Applicant: 厦门大学
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/774 , G06V10/778 , G06V10/762
Abstract: 本发明公开了一种基于域自适应的遥感图像语义分割方法及装置，该方法包括获取包括具有标注的源域数据和未标注的目标域数据的遥感数据集；构建具有辅助原型分类器的平均教师框架，其中，具有辅助原型分类器的平均教师框架包括教师模型和学生模型；采用遥感数据集训练及优化学生模型的参数，其中，教师模型使用指数移动平均更新其参数，辅助原型分类器使用指数移动平均更新其权重；将未标注的目标域数据输入到训练好的学生模型进行逐点预测，以得到未标注的目标域数据对应的分割结果；由此，通过构建具有辅助原型分类器的平均教师框架能够解决遥感图像跨域语义分割任务中的域差异问题，并实现源域与目标域之间类层次的对齐，从而提高分割性能。
-
公开(公告)号：CN115019105A
公开(公告)日：2022-09-06
申请号：CN202210731014.5
申请日：2022-06-24
Applicant: 厦门大学
IPC: G06V10/764 , G06V10/82 , G06N3/06
Abstract: 本申请的实施例提供了一种点云分类模型的隐语义分析方法、装置、介质及设备。该方法包括：将点云数据输入至点云分类模型中进行识别处理，以使点云分类模型输出分类结果；根据分类结果以及点云分类模型中各神经元的启动值，按照神经元之间的启动链路反向确定各神经元与分类结果之间的相关性值；根据点云分类模型对点云数据的分组信息，确定在点云分类模型的各网络层中与各分组点云分别对应的目标神经元组；根据目标神经元组中每一神经元对应的相关性值，确定该网络层中与目标神经元组对应的分组点云的显著值，以生成与各网络层相对应的可视化信息。本申请实施例的技术方案可以提高隐语义分析的分析结果的可靠性，保证隐语义分析的分析效果。
-
公开(公告)号：CN114387580A
公开(公告)日：2022-04-22
申请号：CN202210010060.6
申请日：2022-01-06
Applicant: 厦门大学
IPC: G06V20/58 , G06V10/774 , G06K9/62 , G06N20/00
Abstract: 本发明公开了一种基于联邦学习的模型训练方法及装置，其中方法包括：采集每个客户端对应的三维点云数据进行预处理，以得到对应的道路点云二维灰度分块图片；获取服务器端的全局模型，并根据道路点云二维灰度分块图片对全局模型进行训练及计算，以得到每个客户端对应的模型参数和道路标识权重，并将每个客户端对应的模型参数和道路标识权重发送给服务器端以对每个客户端对应的模型进行加权平均以得到更新后的全局模型，并发送给每个客户端，以便进行下一轮模型更新，直至达到最大通信轮数后得到道路标识提取模型；由此，通过各个客户端正负样本占比设置权重，实现了客户端的公平聚合，从而提高了联邦学习模型的准确度和公平性。
-
公开(公告)号：CN113379646A
公开(公告)日：2021-09-10
申请号：CN202110768864.8
申请日：2021-07-07
Applicant: 厦门大学
Abstract: 本发明公开了一种利用生成对抗网络进行稠密点云补全的算法，包括以下步骤：S1、设定生成器，将缺失点云输入EncoderC编码器提取特征，得到高维全局特征向量GFVx；S2、利用生成器将目标点云经过EncoderN‑DPC编码器，得到高维全局特征向量GFVy；S3、利用生成对抗网络在高维全局特征向量空间训练，实现x→y之间的“风格迁移”；S4、从生成器生成的新特征向量GFVG(x)通过解码器DecoderN‑DPC补全得到稠密点云；本发明当点云80％比例缺失时其补全点云分类精度高达86.5％。
-
公开(公告)号：CN110415516B
公开(公告)日：2021-06-22
申请号：CN201910637679.8
申请日：2019-07-15
Applicant: 厦门大学
Abstract: 本发明公开了一种基于图卷积神经网络的城市交通流预测方法和介质，其中方法包括：获取原始数据；根据每个节点对应的经纬度信息生成距离矩阵；根据限速平均值和距离矩阵计算可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和可达矩阵输出交通流速预测值；对初始交通流预测模型进行训练，以确定最终的交通流预测模型；将待预测交通流速信息和待预测可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测；实现对城市交通路网的空间特征进行有效提取，提高交通流预测的精准度，并且，提高该预测方法的普适性，使其便于推广。
-
Patent Agency Ranking
公开(公告)号：CN106096655B
公开(公告)日：2019-08-27
申请号：CN201610415366.4
申请日：2016-06-14
Applicant: 厦门大学
Abstract: 本发明公开了一种基于卷积神经网络的光学遥感图像飞机检测方法，包括以下步骤：S1、训练样本的获取；S2、图像预处理；S3、网络模型的构建；S4、模型的训练；S5、检测结果的优化。本发明将深度学习引入飞机检测的应用当中，构建基于卷积神经网络的飞机检测结构模型，借助优化图像预处理、训练样本获取和改进训练结构等方式，解决了飞机朝向多样性的问题，提高了检测算法的性能，使得飞机检测算法能够有效应对复杂的地物因素，抗干扰能力强，鲁棒性好。
-
公开(公告)号：CN109117987A
公开(公告)日：2019-01-01
申请号：CN201810790785.5
申请日：2018-07-18
Applicant: 厦门大学
Abstract: 本发明公开了一种基于深度学习的个性化交通事故风险预测推荐方法，包括以下步骤：将城市划分为网格区域；计算各网格区域各时段的交通事故数据、交通流量数据、天气特征数据；利用深度学习方法进行模型训练，获得交通事故风险预测模型；根据当前时刻的交通事故数据、交通流量数据及天气特征数据输入，利用交通事故风险预测模型计算下一时刻城市区域交通事故风险预测情况。本发明利用深度学习方法学习交通事故影响因子与交通事故之间的非线性、高维、复杂关联关系，对城市级别的交通事故风险进行预测，提升了预测结果的准确性。
-
公开(公告)号：CN114387580B
公开(公告)日：2024-10-18
申请号：CN202210010060.6
申请日：2022-01-06
Applicant: 厦门大学
IPC: G06V20/58 , G06V10/774 , G06V10/82 , G06N20/00 , G06N3/098
Abstract: 本发明公开了一种基于联邦学习的模型训练方法及装置，其中方法包括：采集每个客户端对应的三维点云数据进行预处理，以得到对应的道路点云二维灰度分块图片；获取服务器端的全局模型，并根据道路点云二维灰度分块图片对全局模型进行训练及计算，以得到每个客户端对应的模型参数和道路标识权重，并将每个客户端对应的模型参数和道路标识权重发送给服务器端以对每个客户端对应的模型进行加权平均以得到更新后的全局模型，并发送给每个客户端，以便进行下一轮模型更新，直至达到最大通信轮数后得到道路标识提取模型；由此，通过各个客户端正负样本占比设置权重，实现了客户端的公平聚合，从而提高了联邦学习模型的准确度和公平性。
-
公开(公告)号：CN114638964B
公开(公告)日：2024-07-23
申请号：CN202210216065.4
申请日：2022-03-07
Applicant: 厦门大学
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/772 , G06V10/80 , G06V10/82 , G06V20/56 , G06N3/045 , G06N3/0475 , G06N3/082 , G06N3/094 , G06N3/096 , G06N3/084 , G06N3/0985
Abstract: 本发明提供一种基于深度学习的跨域三维点云分割方法、存储介质，方法包括：获取训练数据；构建高效域迁移对抗分割框架；使用训练数据中的源域数据对框架中的条件域融合分割网络模型进行监督训练，得到预训练条件域融合分割网络模型并更新至框架中，再使用训练数据继续训练更新后的分割网络模型得到跨域三维点云条件域融合分割网络模型；输入目标域数据至跨域三维点云条件域融合分割网络模型后，先分别通过其中的主分支Ev和辅助分支Ep提取基于体素的特征和基于点的特征，再通过注意力融合模块融合这两个特征，再通过分类器对融合特征和基于体素的特征进行逐点分类，得到各点的预测标签。本发明能够极大地提升跨域分割的准确率和性能。
-
公开(公告)号：CN117011524A
公开(公告)日：2023-11-07
申请号：CN202310796499.0
申请日：2023-06-30
Applicant: 厦门大学
IPC: G06V10/26 , G06V10/82 , G06V10/774 , G06V10/20 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本申请的实施例提供了一种基于DA‑Unet模型的SAR遥感影像分割方法、装置、介质及设备。该方法包括：对待分割的SAR遥感影像进行预处理，得到预处理后的所述SAR遥感影像，所述SAR遥感影像包含待识别对象；将预处理后的所述SAR遥感影像输入至预先训练完成的DA‑Unet模型中，以使所述DA‑Unet模型输出针对所述待识别对象的分割图像；其中，所述DA‑Unet模型在原始Unet模型具有的第一编码器的基础上，增加去除全连接层的ResNet101模型以作为第二编码器，所述第一编码器的输出层与所述第二编码器的输出层的输出形状相同。本申请实施例的技术方案可以提高SAR遥感影像的特征提取的有效性，进而保证图像分割结果的准确性。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.033 seconds)
