-
公开(公告)号：CN113705337A
公开(公告)日：2021-11-26
申请号：CN202110799165.X
申请日：2021-07-15
Applicant: 南京林业大学 , 中国林业科学研究院资源信息研究所
Abstract: 本发明公开了一种基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，属于模式识别技术领域，包括以下步骤：S1、通过无人机在林区实时采集数据来获取无人机航测数据，对获取的视频进行联合平差处理，对视频进行单元拆分识别得到视频中的人物、烟雾、火焰图像，并对其特征进行识别、提取和标注；S2、将采集到的实时图像进行多视图处理，提取图像的HSV颜色特征作为图像的第一视图，然后通过LBP算法提取图像的纹理特征作为图像的第二视图；S3、将数据带入多视图识别方法进行识别，该基于独立共享空间距离度量学习的无人机多视图火人烟识别方法，容易实现，并且易于优化，很好地解决了描述的目标可能存在视图缺失导致无法保证共享特征模式的有效表达的问题。
-
公开(公告)号：CN113705336A
公开(公告)日：2021-11-26
申请号：CN202110799162.6
申请日：2021-07-15
Applicant: 南京林业大学 , 中国林业科学研究院资源信息研究所
Abstract: 本发明公开了一种灵活切割烟雾鲁棒特征提取方法，包括以下步骤：S1、制定动机和模型，利用切L2,p范数代替主成分分析中平方L2范数作为距离度量，并定义模型；S2、标出高峰区域和非高峰区域；S3、在数据集上可视化PCA和PCA‑L2,p的投影方向；当p为一个小值时，PCA‑L2,p的投影方向明显偏离于PCA的投影方向；相反，当p为一个较大值时，PCA‑L2,p能够学习到一个更好的投影。在数据集中插入野值，使在移除野值对主成分分析模型的影响后，L2,p‑范数距离度量能通过选择一个p值来获得更稳健的投影，并将p定义为一个大的值，准确率高,利用所提范数的切割特性，即使p值很大，噪声的影响也不会被放大。
-
公开(公告)号：CN112949441A
公开(公告)日：2021-06-11
申请号：CN202110203046.3
申请日：2021-02-23
Applicant: 南京林业大学
IPC: G06K9/00 , G06K9/62 , G06F16/535 , G06F16/56 , G06F16/54 , G06F16/583
Abstract: 本发明公开了一种植物覆盖率或者荒漠化监测系统，包括监测终端、计算机处理服务器和监控服务中心，所述监测终端与计算机处理服务器通过无线连接，所述监控服务中心与计算机处理服务器电连接，所述监测终端负责对地面植物覆盖或者荒漠化进行监控和信息采集，所述计算机处理服务器对监测终端监控或者采集的信息进行计算处理，所述监控服务中心展示计算机处理服务器处理得到的数据结果。本发明涉及环境监测技术领域，具体提供了一种可以对地面植物覆盖率或者荒漠占比进行准确计算，且可对适宜种植植被进行推荐的植物覆盖率或者荒漠化监测系统。
-
公开(公告)号：CN112348087A
公开(公告)日：2021-02-09
申请号：CN202011237777.1
申请日：2020-11-09
Applicant: 南京林业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于多视角的鲁棒双边孪生向量机的林火识别方法，包括：开发了一种新的优化模型：鲁棒的双边孪生支持向量机的多视图学习算法：MvRDTSVM，并将其应用在森林烟火识别上，在林火数据库上进行实验：利用真实图像数据对比四种单、多视图方法，测试其鲁棒性和泛化性能；将MvGSVM重新表述为SVM类型的问题，同时引入双边约束，将L1范数作为目标函数中的距离度量方式，提高模型的鲁棒性；由于目标函数是非凸且非光滑的，本发明设计了一种新的有效迭代算法并从理论上证明其收敛性，由于迭代过程中需要解决一系列QPP问题，会使计算成本增加，进一步开发了MvRDTSVM的快速版本：MvFRDTSVM，通过解决一系列线性方程组而不是QPP问题极大地提高了计算速度，节省了计算成本。
-
公开(公告)号：CN119600324A
公开(公告)日：2025-03-11
申请号：CN202411362727.4
申请日：2024-09-27
Applicant: 南京林业大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06V10/776 , G06V10/40 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于参数解纠缠的分类方法、装置及可读存储介质，属于计算机视觉和深度学习领域；方法包括：获取图像数据集；对所述图像数据集进行预处理，得到标准化图像数据集；将标准化图像数据集划分为训练集和测试集；将训练集导入预先构建的基于参数解纠缠多样化表示的骨架网络结构进行训练，获得更新的分类模型；使用测试集对更新的分类模型进行评估，获得性能最优的分类模型；基于性能最优的分类模型进行图像数据的实时分类处理，获得分类结果。本发明利用基于参数解纠缠多样化表示的分类模型，提高了模型的特征表示能力，进而显著提高模型在分类任务上的准确率，实现更高的分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN118155075B
公开(公告)日：2024-11-15
申请号：CN202410354602.0
申请日：2024-03-26
Applicant: 南京林业大学
IPC: G06V20/10 , G06V10/40 , G06V10/766 , G06V10/778 , G06V10/82
Abstract: 本发明公开了一种基于半监督深度学习的植被遥感图像处理方法及系统，其中方法包括采集植被的原图数据，得到数据集，其中原图数据为遥感图像形式；对数据集进行特征提取，得到相关性特征；对相关性特征进行特征回归操作，得到初始密度分布图；优化初始密度分布图，得到最终密度分布图，完成植被遥感图像的处理。本发明能够有效地提取复杂的植被纹理特征，通过捕捉植被的轮廓信息，提高了密度分布图预测的准确性；同时还通过密度图预测原始输入图像的植被密度分布，进而实现单木的分割和计数，解决了传统方法精准度不高，适应性较差，标注成本高的问题。还可以对参数进行轻量级微调，适应复杂植被生长环境中的任务场景。
-
公开(公告)号：CN118941791A
公开(公告)日：2024-11-12
申请号：CN202410987058.3
申请日：2024-07-23
Applicant: 南京林业大学
IPC: G06V10/26 , G06V20/13 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于视觉结构信息指导的遥感图像语义分割方法，包括如下操作：选取遥感数据集和树木测绘数据集作为实验数据集；基于所述实验数据集，选取视觉基础模型，通过所述视觉基础模型从所述实验数据集的遥感图像中提取视觉结构图像；基于所述视觉结构图像，构建特征共嵌入模块提取所述视觉结构图像中的视觉特征图像；基于所述视觉特征图像，构建结构启发式特征融合模块对所述视觉特征图像进行特征融合和结构预测，得到处理后的实验数据集；构建目标损失函数对所述处理后的实验数据集进行预测。本发明方法通过视觉模型提取结构图像，构建模块提取并融合特征，并对处理后的数据集进行预测，从而可以提高遥感图像分割的准确率和鲁棒性。
-
公开(公告)号：CN118864833A
公开(公告)日：2024-10-29
申请号：CN202410380516.7
申请日：2024-03-30
Applicant: 南京林业大学
IPC: G06V10/26 , G06V10/764 , G06V10/25 , G06V10/774 , G06V10/56 , G06V10/776 , G06V20/10 , G06V20/17 , G06T5/70 , G06T5/77 , G06N20/10 , G06N3/0464
Abstract: 本发明涉及一种林业森林单株分割模型。该模型提供了一个基于L1范数的单类支持向量机L1‑OCSVM用于单类目标检测，充分利用L1范数的特性，以满足实时目标检测/识别的要求，从而实现森林树木的单株分割；通过引入无穷大的边距项来代替传统的L2范数以设计L1‑OCSVM，保持了结构性风险最小化原则；通过一个等价的优化方法来求解非线性的L1‑OCSVM，以解决L1范数的不可微性和非线性情况下的问题；通过对组合系数的L1范数进行直接最小化，所得到的解比L2范数解更有可能具有高度稀疏性，从而减少计算的复杂性；通过两种加速度算法来提高训练速度。与现有的SOTA等方法相比，本发明所提出的方法在训练时间、检测精度率、错误预警率和实时能力方面具有显著的优越性。
-
公开(公告)号：CN118397453A
公开(公告)日：2024-07-26
申请号：CN202410577750.9
申请日：2024-05-10
Applicant: 南京林业大学
IPC: G06V20/10 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种遥感图像中YOLO系列目标检测的通用优化方法。通过集成全局语义信息提取（GSIE）模块和自适应特征融合（AFF）模块到传统的YOLO算法框架中，显著提升遥感图像中小目标的检测性能。GSIE模块通过多角度旋转和深度可分离卷积扩展感受野，增强全局语义捕捉；而AFF模块通过动态权重优化不同尺度特征图的融合，减少信息丢失，提高细节识别。这些改进不仅提升了模型对小目标的识别精度，还降低了计算复杂度，使模型更适合资源受限的实时应用。改进后的算法在小目标检测准确率、速度及资源消耗上均优于传统方法，特别是在处理复杂背景中的密集小目标场景时，有效减少误检和漏检，展现出广泛的应用前景和实用价值。
-
公开(公告)号：CN117893476A
公开(公告)日：2024-04-16
申请号：CN202311727794.7
申请日：2023-12-15
Applicant: 南京林业大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/096
Abstract: 本发明公开了一种基于非对抗性无监督域适应的植物病害检测方法及系统，包括：分别采集实验室环境和田间自然条件下的植物病害图像并标记；使用残差神经网络，对采集的所述植物病害图像进行特征提取并转换为特征图像；构建混合神经网络结构，对所述特征图像学习多表征信息向量并拼接后计算得出分类损失函数；将子域适应方法嵌入到所述混合神经网络结构中度量域间差距；根据所述分类损失函数并引入辅助不确定性正则化得出迁移数据；训练得出最优总损失函数。本发明通过反向传播来有效训练网络，收敛速度较快；构建的混合神经网络结构提高了采集的植物病害图像的准确度，引入的辅助不确定性正则化提高源域向目标域迁移的可靠性，具有良好的泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.058 seconds)
