-
公开(公告)号：CN119942222A
公开(公告)日：2025-05-06
申请号：CN202510107489.0
申请日：2025-01-23
Applicant: 北京林业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V40/10 , G06V20/52 , G06N3/084 , G06N3/09
Abstract: 本发明涉及基于点位上下文的野生动物监测图像物种分类方法，属于图像分类技术领域；本发明包括：建模监测点位与物种之间的相关性，并根据相关性强弱为样本分配权重，同时解耦点位分类和物种分类任务，以学习环境特征和物种特征。通过将点位所代表的环境信息作为物种分类的上下文，该方法增强模型对于物种与栖息地环境关系的理解，实现对分布外数据的有效泛化。
-
公开(公告)号：CN119785216A
公开(公告)日：2025-04-08
申请号：CN202411879903.1
申请日：2024-12-19
Applicant: 北京林业大学
IPC: G06V20/10 , G06V10/25 , G06V10/44 , G06V10/762 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种早期森林火灾烟雾自动检测系统及方法，属于森林火灾监测预警领域；所述系统包括YOLOv7‑Smokey小范围烟雾检测网络、PyTorch框架、TensorRT技术以及NVIDIA Jetson Nano嵌入式平台。所述方法包括：S1：通过网络和公开数据对早期森林火灾烟雾进行图像数据搜集并做数据增强；S2：制作早期森林火灾烟雾检测数据集；S3：设计YOLOv7‑Smokey主干网络并进行训练；S4：将YOLOv7‑Smokey网络模型部署到NVIDIA Jetson Nano嵌入式平台；S5：使用TensorRT技术对YOLOv7‑Smokey网络进行推理加速处理；S6：使用网络摄像头在NVIDIA Jetson Nano平台上进行实时早期森林火灾烟雾检测；S7：推理结果通过视频流推流的方式传输至服务器。本发明用于在NVIDIA Jetson Nano嵌入式平台上部署早期森林火灾烟雾检测系统，在保证检测精度的同时，确保检测的实时性并且降低运算消耗，实现了边缘化的智能检测。
-
公开(公告)号：CN119723171A
公开(公告)日：2025-03-28
申请号：CN202411768368.2
申请日：2024-12-04
Applicant: 北京林业大学
IPC: G06V10/764 , G06V20/10 , G06V10/774
Abstract: 本发明涉及基于物种分类树的野生动物监测图像层次化分类方法，包括：在物种分类树的纲、目、科、属和种五个分类层级上进行分类，通过提供更丰富的物种判定信息降低复核模型结果的人工成本。该方法利用类别间的层次关系，引入软决策和路径矫正策略，提高了层次化分类的准确率和一致性。当在细粒度的物种级别分类错误时，模型提供的粗粒度结果也具有参考价值。
-
公开(公告)号：CN119360415A
公开(公告)日：2025-01-24
申请号：CN202411429963.3
申请日：2024-10-14
Applicant: 北京林业大学
Abstract: 本发明涉及图像增强技术领域，尤其涉及联合先验知识和扩散模型的野生动物长尾数据增强方法；本发明包括如下内容：包括以下内容：S1、构建野生动物识别模型，结合大规模语言模型引入额外的先验知识，以获得丰富有效的环境表征、动作表征的文本描述；S2、使用潜在扩散模型作为基本生成器，整合S1中所生成的文本描述，以提高生成图像的质量和多样性；S3、采用对比语言‑图像预训练模型筛选负样本，以增强野生动物长尾数据。本发明解决了野生动物长尾数据对模型训练的影响，增强了模型对于尾部类别的识别性能，进一步提高了野生动物模型的识别能力。
-
公开(公告)号：CN119206789A
公开(公告)日：2024-12-27
申请号：CN202411368901.6
申请日：2024-09-29
Applicant: 北京林业大学
IPC: G06V40/10 , G06V10/44 , G06N3/0464 , G06N3/094 , G06N3/048 , G06V10/764 , G06V10/82 , G06N3/096
Abstract: 本发明提出一种基于融合感知对抗网络的野生动物图像跨域识别方法，属于图像识别技术领域；本发明包括如下内容：采用ResNet50作为主干网络提取图像底层特征，实现模型获取图像特征的语义信息；采用对抗学习策略，实现模型对域不变特征的提取；在全连接层之间引入最大均值差异约束，扩展对抗网络在复杂背景下提取域不变特征能力；通过两层域适应策略提取域不变特征，增强模型的正迁移，实现野生动物图像的跨域识别；相较于现有技术，本发明有效提升了野生动物大规模图像数据的处理效率以及不同环境下野生动物图像的识别准确率。
-
Patent Agency Ranking
公开(公告)号：CN119107505A
公开(公告)日：2024-12-10
申请号：CN202411256150.9
申请日：2024-09-09
Applicant: 北京林业大学
IPC: G06V10/764 , G06V40/10 , G06V10/82 , G06V20/52 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了基于改进开集域适应的野生动物监测图像跨域识别方法，属于图像识别技术领域；本发明所提出的方法包括如下内容：引入基于对抗学习的开集域适应方法，训练一个弱分类器将目标域的未知类样本识别，为未知类建立伪决策边界；其次，通过对抗学习，对齐源域和目标域已知类别的特征分布，实现已知类别的识别；最后，引入中心损失，对源域的已知类别的类内变化之间建立联系，提高决策边界的判别能力，帮助模型正确分类已知类别，同时提高模型对于未知类别的识别能力。
-
公开(公告)号：CN117612537B
公开(公告)日：2024-06-07
申请号：CN202311591080.8
申请日：2023-11-27
Applicant: 北京林业大学
Abstract: 本发明公开了一种基于云边协同控制的鸟鸣声智能监测系统，涉及语音识别技术领域。本发明与之前的鸟鸣声处理系统相比，改进了缺少对鸟鸣声信息的有效利用；边缘侧识别结果并不充分可靠；鸟鸣声采集缺乏针对性；未能构建可持续优化的智能识别系统的问题，通过以融合增量学习的云端训练+边缘推理的智能边缘数据分析技术为核心，以智能移动设备为边缘设备基础，以移动通信技术为信息通道，连接高性能的云端智能服务器，形成具有持续学习能力的云边协同鸟鸣声监测模式。实现野外鸟鸣声采集的远程上传和自动识别，构建开放、精准识别和持续进化的云边协同鸟类鸣声监测系统。
-
公开(公告)号：CN117612537A
公开(公告)日：2024-02-27
申请号：CN202311591080.8
申请日：2023-11-27
Applicant: 北京林业大学
Abstract: 本发明公开了一种基于云边协同控制的鸟鸣声智能监测系统，涉及语音识别技术领域。本发明与之前的鸟鸣声处理系统相比，改进了缺少对鸟鸣声信息的有效利用；边缘侧识别结果并不充分可靠；鸟鸣声采集缺乏针对性；未能构建可持续优化的智能识别系统的问题，通过以融合增量学习的云端训练+边缘推理的智能边缘数据分析技术为核心，以智能移动设备为边缘设备基础，以移动通信技术为信息通道，连接高性能的云端智能服务器，形成具有持续学习能力的云边协同鸟鸣声监测模式。实现野外鸟鸣声采集的远程上传和自动识别，构建开放、精准识别和持续进化的云边协同鸟类鸣声监测系统。
-
公开(公告)号：CN117095297A
公开(公告)日：2023-11-21
申请号：CN202311165265.2
申请日：2023-09-11
Applicant: 北京林业大学
IPC: G06V20/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06Q50/26 , G06V10/774 , G06N3/084
Abstract: 本发明涉及森林火灾烟雾检测技术领域，特别是指一种基于深度卷积对抗域对齐的林火烟雾图像识别方法，包括，预先构建联合对抗学习及域对齐特征网络；获取林火烟雾图像数据，根据所述林火烟雾图像数据构建林火烟雾图像数据集；用联合对抗学习及域对齐特征网络中的特征提取网络对所述林火烟雾图像数据集进行特征提取，将提取后的特征同时被送入联合对抗学习及域对齐特征网络中的标签分类器进行图像分类和对抗特征自适应网络进行域判别；最后，对分类损失和域判别损失进行高效的联合优化。本发明解决了识别准确度和域偏移两个挑战，提高模型在不同林区检测环境的稳定性和泛化能力，实现森林火灾烟雾的高精度识别，提高烟雾检测的效率和性能。
-
公开(公告)号：CN112419202B
公开(公告)日：2023-09-26
申请号：CN202011442143.X
申请日：2020-12-11
Applicant: 北京林业大学
IPC: G06T5/00 , G06T7/11 , G06F16/27 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例公开了一种基于大数据及深度学习的野生动物图像自动识别系统，以野生动物监测图像数据库为主体，结合超分辨率图像恢复技术及野生动物自动识别算法实现对野生动物数据的处理及分析，并通过数据可视化搭建系统的前端界面。具体的，野生动物监测图像数据库用于野生动物图像及相关信息的存储管理，超分辨率图像恢复技术用于低质量压缩图像的恢复重建，自动识别算法是通过深度学习实现野生动物图像的自动识别与监测分析，从而实现图像的分类处理以及无效图像的剔除。本发明可以实现野生动物图像的高效分类存储以及对野生动物数据的自动分析与可视化展示，提高野生动物图像管理智能化水平。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.06 seconds)
