-
公开(公告)号：CN117893765A
公开(公告)日：2024-04-16
申请号：CN202410099052.2
申请日：2024-01-24
Applicant: 南京信息工程大学
IPC: G06V10/26 , G06V20/70 , G06V20/10 , G06V10/56 , G06V10/80 , G06V10/82 , G06V10/44 , G06V10/52 , G06V10/42 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种图像处理技术领域的城市街景绿色景观图像分割方法及装置，旨在解决现有技术中等问题，其包括获取城市街景绿色景观图像数据；对获取的城市街景绿色景观图像数据进行预处理，得到预处理的城市街景绿色景观图像数据；根据预处理的城市街景绿色景观图像数据，基于预训练的城市街景绿色景观图像分割模型，对城市街景中的绿色景观进行提取，得到预测的绿色景观分割图像。本发明对全局上下文信息建模，减少主干网络特征冗余，同时提升分割性能。
-
公开(公告)号：CN117634930B
公开(公告)日：2024-03-29
申请号：CN202410096277.2
申请日：2024-01-24
Applicant: 南京信息工程大学
IPC: G06Q10/0637 , G01W1/10 , G06Q50/26 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种台风云图预测方法、系统及存储介质，预测方法包括：将台风云图序列样本输入至预训练的FSTA‑LSTM神经网络模型中，得到预测的台风云图序列，确定台风云图预测结果；其中，所述FSTA‑LSTM神经网络模型的训练过程包括：搭建神经网络模型；其中，所述神经网络模型包括依次连接的特征增强模块、Encoder编码器、STA‑LSTM模块、Decoder解码器和多尺度特征融模块；将预处理后的台风云图序列样本数据输入至神经网络模型中，台风云图序列样本经神经网络模型的多层网络架构的前向传播后，再反向传播更新神经网络模型的网络权重，获得FSTA‑LSTM神经网络模型。本申请优化时空记忆单元和隐藏单元的信息传递，提升了模型对复杂云图模式和台风结构变化的捕捉能力。
-
公开(公告)号：CN117634930A
公开(公告)日：2024-03-01
申请号：CN202410096277.2
申请日：2024-01-24
Applicant: 南京信息工程大学
IPC: G06Q10/0637 , G01W1/10 , G06Q50/26 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种台风云图预测方法、系统及存储介质，预测方法包括：将台风云图序列样本输入至预训练的FSTA‑LSTM神经网络模型中，得到预测的台风云图序列，确定台风云图预测结果；其中，所述FSTA‑LSTM神经网络模型的训练过程包括：搭建神经网络模型；其中，所述神经网络模型包括依次连接的特征增强模块、Encoder编码器、STA‑LSTM模块、Decoder解码器和多尺度特征融模块；将预处理后的台风云图序列样本数据输入至神经网络模型中，台风云图序列样本经神经网络模型的多层网络架构的前向传播后，再反向传播更新神经网络模型的网络权重，获得FSTA‑LSTM神经网络模型。本申请优化时空记忆单元和隐藏单元的信息传递，提升了模型对复杂云图模式和台风结构变化的捕捉能力。
-
公开(公告)号：CN115933010A
公开(公告)日：2023-04-07
申请号：CN202211688110.2
申请日：2022-12-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种雷达回波外推临近天气预测方法，包括：获取历史雷达回波序列样本；构建及训练基于AFR‑LSTM的预测神经网络模型，将雷达回波序列样本划分batch_size后，输入到预测神经网络模型中，经过多层网络的前向传播后，反向传播更新网络权重，得到训练好的预测神经网络模型；将设定时间段内的雷达回波序列样本，输入训练好的预测神经网络模型，得到雷达回波外推图像序列；根据所述雷达回波外推图像序列，确定临近天气预测结果。
-
公开(公告)号：CN115390164A
公开(公告)日：2022-11-25
申请号：CN202211322018.4
申请日：2022-10-27
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种雷达回波外推预报方法及系统，本发明采用基于上下文信息融合及注意力机制的长短期记忆网络构建预测神经网络，通过上下文信息融合提高了输入数据之间的相关性和输入数据的时空细节特征，增强网络的短期依赖能力，通过注意力机制可拓宽预测单元的时间感受野来感知更多的时间动态，捕获更可靠的帧间运动信息，大大增强了降雨预测精准度。本发明克服了现有技术对上下文信息提取不足、预报时效短的缺点，实现了准确度更高的雷达回波外推预测。
-
Patent Agency Ranking
公开(公告)号：CN103769771B
公开(公告)日：2015-10-21
申请号：CN201410057546.0
申请日：2014-02-20
Applicant: 南京信息工程大学
IPC: B23K35/30 , B23K35/365 , B23K35/368 , B23K35/40
Abstract: 本发明属于金属材料领域，涉及一种无机复合水玻璃高强度高韧性低合金焊条及其制备方法。本发明的无机复合水玻璃高强度高韧性低合金焊条具有较高的强度和韧性，该焊条由焊丝和药皮构成，药皮包裹焊丝，钠水玻璃和钾水玻璃为粘接剂，药皮粘结在焊丝周围。本发明的制备方法工艺简单，生产成本低，适于工业化生产。
-
公开(公告)号：CN119739857B
公开(公告)日：2025-05-09
申请号：CN202510260828.9
申请日：2025-03-06
Applicant: 南京信息工程大学
IPC: G06F16/34 , G06F16/31 , G06F40/289 , G06F40/30 , G06N3/045 , G06F18/25 , G06N3/0464
Abstract: 本发明提供了一种基于多粒度特征融合的代码摘要生成方法，包括：步骤1，对数据集中样本进行预处理操作，获取代码整体语义信息；步骤2，搭建源代码多粒度特征编码器，基于词元序列、抽象语法树和控制流图三种粒度特征的数据规模和数据结构差异，获得各个粒度特征的上下文向量；步骤3，对不同粒度特征编码器的输出实现粒度特征融合；步骤4，将融合后所得到的词元序列融合特征与控制流图融合特征输入到基于Transformer的解码器中，输出当前时间步预测单词，并最终组成摘要。本发明所公开的基于多粒度特征融合的代码摘要生成方法，能有效提取源代码关键特征并尽量减少计算开销，并且有效缓解特征序列的长距离依赖问题。
-
公开(公告)号：CN119150931B
公开(公告)日：2025-04-22
申请号：CN202411650826.2
申请日：2024-11-19
Applicant: 南京信息工程大学
IPC: G06N3/0464 , G06N5/04 , G06N3/08
Abstract: 本发明公开了一种边云环境下卷积神经网络模型的协同推理方法，包括：将卷积神经网络模型转换为有向无环图，并构建边‑云协同推理系统的目标函数与约束条件，在边‑云协同推理系统执行给定的卷积神经网络模型，获得卷积神经网络模型在异构设备上各层的执行时延以及各层输出数据，对有向无环图合并节点，获得规模优化后的有向无环图；对卷积神经网络模型各层输出数据进行预量化，在规模优化后的有向无环图基础上，根据各层在异构设备上的执行时延以及预量化后的各层输出数据的传输时延，构建预量化后的时延图，计算时延图中源点到汇点的最小割，进行实际模型压缩，获得给定卷积神经网络模型在异构设备上协同推理决策。
-
公开(公告)号：CN119166214B
公开(公告)日：2025-03-25
申请号：CN202411672757.5
申请日：2024-11-21
Applicant: 南京信息工程大学
IPC: G06F8/73 , G06F8/71 , G06F8/30 , G06F18/214 , G06F8/41 , G06F18/25 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于跨模态信息融合的代码摘要生成方法及系统，方法包括：由公共数据集中获取训练源代码，通过解析单元对训练源代码进行解析获得标记序列特征、AST节点特征和CFG节点特征；将标记序列特征、AST节点特征和CFG节点特征输入编码单元和解码单元获得训练代码摘要；将训练源代码中实际摘要作为真实标签，根据训练代码摘要和真实标签计算训练损失，根据训练损失对代码摘要生成器的参数进行优化，重复迭代直至达到训练终止条件输出训练后的代码摘要生成器；本发明获取源代码特征序列的长距离依赖关系，提取特征间的深层次关联，从而生成更加准确、自然的代码摘要。
-
公开(公告)号：CN119152321B
公开(公告)日：2025-03-14
申请号：CN202411642984.3
申请日：2024-11-18
Applicant: 南京信息工程大学
IPC: G06V10/774 , G06V10/764 , G06V10/40
Abstract: 本发明公开了一种图片分类模型训练及图片分类方法，图片分类模型训练方法包括采用强化学习动态调整每个客户端的本地分类模型的个性化参数与共享参数的比例，将标记有真实标签的本地图片数据集输入至对应的调整后的本地分类模型中，获取预测的图片分类结果；根据所输入的本地图片数据、真实标签及预测的图片分类结果计算交叉熵损失，更新参数，将更新后的参数及每个客户端当前的参数聚合权重输入至预构建的目标函数，分配各客户端的参数聚合权重，计算全局共享参数，将每个客户端的本地分类模型的共享参数更新为全局共享参数；重复上述步骤至各客户端的本地分类模型收敛，获取训练好的图片分类模型解决非独立同分布数据导致性能下降的问题。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.054 seconds)
