-
公开(公告)号：CN116561649B
公开(公告)日：2023-09-12
申请号：CN202310832974.5
申请日：2023-07-10
Applicant: 吉林大学
IPC: G06F18/24 , G06N3/048 , G06F16/22 , G06F18/10 , G06F18/15 , G06F18/213 , G06F18/25 , A61B5/11 , G01C21/16
Abstract: 基于多源传感器数据的潜水员运动状态识别方法和系统，解决了基于视觉方法在低光场景下的人体识别效果差的问题。涉及水下潜水员运动状态识别领域。方法包括：通过惯性传感器采集潜水员的水下活动的数据，并将数据存储在数据库中；对数据进行分割组成事件序列，并嵌入活动级上下文信息；建立词典，将事件序列中的每一个传感器事件转化为词索引，并建立嵌入矩阵；基于Transformer的GIF特征提取模块提取嵌入矩阵的特征，获得特征向量；利用一维平均池化层和带Softmax激活函数的全连接层对特征向量进行处理，获取识别模型，输出每个类别的预测概率，最终得到潜水员的姿态识别结果。本发明应用于水下目标识别领域。
-
公开(公告)号：CN116682000A
公开(公告)日：2023-09-01
申请号：CN202310936412.5
申请日：2023-07-28
Applicant: 吉林大学
IPC: G06V20/05 , G06N3/0464 , G06N3/08 , G06V10/80 , G06V10/82
Abstract: 一种基于事件相机的水下蛙人目标检测方法。属于水下机器视觉目标检测技术领域，具体涉及水下蛙人目标检测领域。其解决了以往的水下蛙人目标检测缺乏鲁棒性强的特征信息的问题。所述方法具体为：利用事件相机获取水下蛙人事件序列和RGB图像，设计RGB残差学习模块，用于充分提取水下蛙人RGB图像空间特征信息，设计事件残差学习模块，用于充分提取水下蛙人事件图像纹理特征信息，设计特征融合网络，使水下蛙人RGB图像特征信息与水下蛙人事件图像特征信息进行细粒度特征融合。本发明所述方法可以应用在水下目标检测技术领域、水下航行安全检测领域以及水下目标识别设备制造领域。
-
公开(公告)号：CN116405626A
公开(公告)日：2023-07-07
申请号：CN202310650996.X
申请日：2023-06-05
Applicant: 吉林大学
IPC: H04N7/01 , G06T5/00 , G06N3/0464 , G06N3/0455
Abstract: 本发明是一种全局匹配的水下运动目标视觉增强方法。本发明涉及模式识别技术领域，本发明利用水下摄影设备采集目标的RGB视频序列数据集；利用基于特征金字塔的多级编码器，得到多尺度RGB边界帧特征；利用滑动窗口的分层视觉变换器进行特征增强；对提取的特征进行全局相关性匹配；利用逐级上采样特征解码器，并在上采样的过程中联合优化中间光流和中间帧特征，最终输出清晰视频中间帧；使用图像损失结合约束重建中间帧。通过通过本申请中的技术方案，实现了为水下视频重建清晰的中间帧，增强了运动目标的视觉质量，提高了水下视频的帧率，为水下的检测、识别和追踪等任务提供了鲁棒的视觉表达。
-
公开(公告)号：CN116401515A
公开(公告)日：2023-07-07
申请号：CN202310663905.6
申请日：2023-06-07
Applicant: 吉林大学
IPC: G06F18/10 , G06F18/213 , G06F18/241 , G06N3/0442 , G06N3/08
Abstract: 一种面向海洋观测数据的洋流预测方法，属于基于海洋观测数据预测技术领域，具体涉及洋流预测技术领域。其解决了对洋流进行预测多重视预测模型的研究而少有有效的海洋观测数据的处理手段的问题。所述方法包括如下步骤：对海洋观测数据进行预处理，构建样本集；对海洋观测数据进行初步特征提取；利用GRU提取数据中时序特征信息；利用多头注意力机制提取蕴含上下文的时序信息；经过密集层将预测结果输出；利用验证集调整超参数；利用测试集进行洋流预测精度评估；预测精度评估合格后，使用所述方法进行洋流预测。本发明所述方法可以应用在海洋交通运输领域、海洋搜索救援领域、海洋资源开发领域以及海洋气象预测领域。
-
公开(公告)号：CN116304540A
公开(公告)日：2023-06-23
申请号：CN202310579221.8
申请日：2023-05-23
Applicant: 吉林大学
Abstract: 海洋观测数据处理方法及装置，涉及数据处理技术领域。为解决现有技术中尚未有一种方法，能够对稀疏资料插值、缺损数据拟合和温盐空间场进行重构，因此现有技术中对海洋气候的预测并不准确的技术问题，本发明提供的技术方案为：海洋观测数据处理方法，应用于海洋观测数据的多元插补，所述方法包括：对采集到的海洋观测数据进行预处理，得到处理数据的步骤；对所述处理数据根据预设时间顺序进行切分的步骤；通过切分后的数据得到含有标准正态分布噪声的潜在变量的步骤；对所述潜在变量进行加权的步骤；通过加权后的变量还原输出插补的预测信息的步骤。适合应用于对海温、洋流、气候的预测研究工作中。
-
Patent Agency Ranking
公开(公告)号：CN115941872B
公开(公告)日：2023-06-16
申请号：CN202310076491.7
申请日：2023-02-08
Applicant: 吉林大学
IPC: H04N7/01 , H04N5/265 , G06N3/0464
Abstract: 本发明涉及模式识别技术领域，具体涉及一种水下高速移动目标的视频插帧方法即其系统。步骤1：通过传统相机获取RGB数据；步骤2：基于步骤1的RGB图像，抽离出RGB图像的背景轮廓图；步骤3：利用步骤2的背景轮廓图和步骤1得到的RGB数据经过轮廓图辅助多尺度光流估计网络进行光流估计；步骤4：利用RGB数据和步骤3估计的光流经过光流优化网络对光流结果进行优化；步骤5：利用网型融合网络，融合帧光流估计网络与光流优化网络输出的光流结果，对光流结果进行扭曲得到的中间帧，最终输出中间帧。本发明用以解决现有技术中无法非常准确地还原出非线性运动两帧间的中间帧的问题。
-
公开(公告)号：CN115880574B
公开(公告)日：2023-06-16
申请号：CN202310188520.9
申请日：2023-03-02
Applicant: 吉林大学
IPC: G06V20/05 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明具体涉及一种水下光学图像轻量化目标识别方法、设备和介质，其特征在于，所述方法包括如下步骤：S1、收集水下光学图像数据集，将数据集分为训练集和测试集，并对训练集进行标注；S2、对训练集进行特征提取，捕捉场景中角色的时空信息和交互信息，并输出相应特征图；S3、构建训练网络对步骤S2中的特征图进行训练，所述训练网络中，针对学习率采用一致衰减策略，针对网络结构采用交错分组策略，针对训练方法采用多尺度聚合模块与短/长聚合模块相结合；S4、将经过充分训练的训练集参数加载到训练网络中，将测试集图像输入，测试获得最终结果。提高水下光学图像目标识别的计算速度和存储能力，有利于性能的提升和资源的配置。
-
公开(公告)号：CN115809609B
公开(公告)日：2023-05-23
申请号：CN202310064245.X
申请日：2023-02-06
Applicant: 吉林大学
IPC: G06F30/27 , G06N3/0464 , G06N3/092
Abstract: 本发明涉及一种多水下自主航行器目标搜索方法及其系统。步骤1、利用历史海洋目标漂移数据生成仿真目标移动模型；步骤2、利用水下自主航行器数据构建航行器目标搜索仿真模型；步骤3、每个水下自主航行器从环境中获取当前的状态以及地图信息，输入到行动者网络进行实时路径规划，实时更新航行器目标搜索仿真模型，并存储行动过程中所生成的数据；步骤4、每个水下自主航行器的每一条数据，所有水下自主航行器的状态、地图和动作均输入到评论家网络；步骤5、基于数据中动作的价值，进而更新行动者网络和评论家网络；步骤6、基于更新的行动者网络，对仿真目标移动模型进行搜索。用以解决环境因素对目标的漂移轨迹的影响问题。
-
公开(公告)号：CN115862150A
公开(公告)日：2023-03-28
申请号：CN202310015851.2
申请日：2023-01-06
Applicant: 吉林大学
IPC: G06V40/20 , G06V40/10 , G06V20/05 , G06V20/40 , G06V20/70 , G06V10/62 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/049 , G06N3/09
Abstract: 本发明是一种基于三维人体蒙皮的潜水员动作识别方法。本发明涉及计算机视觉技术领域，本发明通过三维人体形状与姿态估计方法从潜水员视频中提取出人体形状、姿态、顶点数据；将人体形状、姿态、顶点数据经过数据融合模块得到高层次语义信息；利用高层次语义信息经过TCA‑GCN模块进行动作识别；利用高层次语义信息经过STGCN模块进行动作识别；将两个模块的识别结果进行线性融合。通过本发明中的技术方案，实现了对潜水员三维姿态的动作估计，提高了动作识别的准确率。
-
公开(公告)号：CN115760582A
公开(公告)日：2023-03-07
申请号：CN202310027766.8
申请日：2023-01-09
Applicant: 吉林大学
Abstract: 本发明是一种水下深度图超分辨率方法。本发明涉及超分辨率技术领域，本发明包括：步骤1通过Kinect相机采集训练时所需要的数据，步骤2确定合适的评价指标来衡量模型输出的深度图像和原始高分辨率深度图像的几何差距，本方法中使用到的是均方根误差和感知误差；步骤3搭建适用于水下环境的深度图像超分辨率网络（DSTN网络），其主要包含以下四个模块：特征融合模块、独立特征提取模块、深度图像变换器、多尺度学习模块；步骤4网络的参数更新与训练。通过本申请中的技术方案，对水下拍摄的深度图像实现超分辨率，还原水下深度图像更多的细节，从而弥补大多数深度相机拍摄的深度图的分辨率和精度都不足以满足实际应用的缺陷。
-
-
-
-
-
-
-
-
-
Search Results
110
records
(took 0.055 seconds)
