-
公开(公告)号：CN117830822A
公开(公告)日：2024-04-05
申请号：CN202311505273.7
申请日：2023-11-13
Applicant: 三峡大学
IPC: G06V20/10 , G06V10/82 , G06V10/80 , G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 用于外来入侵植物识别的双分支细粒度网络的构建方法，它包括以下步骤：步骤S1：构建粗粒度分支识别子网络及细粒度分支识别子网络；步骤S2：输入的外来入侵植物图像经由细粒度分支识别子网络的第一Transformer Encoder生成细粒度特征，粗粒度分支识别子网络的第二Transformer Encoder生成粗粒度特征，将细粒度特征和粗粒度特征在第一SCHA模块和第二SCHA模块进行融合；步骤S3：将外来入侵植物不同尺度的图像送入粗粒度分支识别子网络和细粒度分支识别子网络，将经过两个Transformer Encoder的输出送到两个SCHA模块进行融合，两个MLP模块输出类别分数，最后利用类别分数来计算两个分类交叉熵损失，从而优化网络的训练；通过以上步骤对双分支细粒度网络进行构建。
-
公开(公告)号：CN117636151A
公开(公告)日：2024-03-01
申请号：CN202311359053.8
申请日：2023-10-19
Applicant: 三峡大学
IPC: G06V20/10 , G06V10/764 , G06V10/42 , G06V10/80 , G06V10/82
Abstract: 基于注意力的双分支细粒度网络识别外来入侵植物的方法，它包括以下步骤：S1、构建双分支细粒度分类网络的输入，即图片分块操作；S2：构建双分支细粒度分类网络模型，即包括一个粗粒度分支网络和一个细粒度分支网络。双分支结构相同，都包含：线性投射层、多尺度交叉融合模块和MLP模块；S3、构建多尺度交叉融合模块，用于将粗粒度分支和细粒度分支的输入进行融合；S4、将不同大小的图像块送到粗粒度分支和细粒度分支网络，多尺度交叉融合模块会将粗粒度分支和细粒度分支的网络进行融合，输出最终用于分类的分类头，最后利用输出的分类头来计算损失，来优化网络进行训练；通过以上步骤会双分支细粒度识别网络进行构建。
-
公开(公告)号：CN119068331A
公开(公告)日：2024-12-03
申请号：CN202411104615.9
申请日：2024-08-13
Applicant: 三峡大学
IPC: G06V20/10 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于MASFNet框架的松材线虫病树检测方法，包括以下步骤：步骤1：使用无人机获取目标范围内的遥感图像，然后对数据进行预处理，分析训练数据质量和规模，并生成良好的松材线虫病树数据集集合；步骤2：使用经典深度学习的检测算法进行实验，验证不同模型效果，比较和选择最优的模型结构和模型复杂度，设计和测试合适病树检测模型，以确保模型对病树检测问题保持稳定的预测能力；步骤3：构建MASFNet模型，并进行逐步的改进和消融对比实验，来解释模型预测结果差异的原因，增强模型的可解释性和泛化能力。
-
公开(公告)号：CN117893857A
公开(公告)日：2024-04-16
申请号：CN202311274409.8
申请日：2023-09-28
Applicant: 三峡大学
Abstract: 用于电力线资产多目标检测的层交互注意力加强方法，包含步骤1：读取电力线资产图片；步骤2，对图像预处理进行放缩和切割操作；步骤3：对图片进行数据集的划分，获取训练集，验证集和测试集；步骤4：构建层交互注意力加强深度学习网络；步骤5：将所获得的训练集输入深度学习网络进行训练；步骤6：将验证集图片加载到训练好的预测模型；步骤7：输出多目标预测结果。在特征提取中利用层交互注意力学习在通道和空间维度上聚合相邻特征的互补信息，实现深、浅特征映射之间的平衡，改善多尺度特征的学习能力，从而提高检测精度。对比其他检测模型，对电力线资产中的输电塔、阻尼器、绝缘子、隔震器、塔板进行检测，其检测度量mAP值最高。
-
公开(公告)号：CN117409235A
公开(公告)日：2024-01-16
申请号：CN202311158825.1
申请日：2023-09-08
Applicant: 三峡大学
IPC: G06V10/764 , G06V10/82 , G06V10/42 , G06V10/44 , G06V10/771 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 用于外来入侵植物识别的目标增强和多区域选择网络方法，它包括以下步骤：步骤1：设计一个目标增强和多区域选择网络；步骤2：构建目标增强和定位模块，根据输入的图像特征图定位目标，得到目标的包围框，裁剪放大得到目标图片；步骤3：构建多区域选择模块，把目标图片的特征图转换成通道间关系矩阵，通过一个指标来衡量不同通道的重要性程度，从中选择最重要的那些通道所包含的区域进行学习；步骤4：把原始图片，目标图片，区域图片分别送入三个分支，得到各自分支的分类结果，通过三个分支输出的结果来计算损失并约束网络的训练；通过以上步骤对目标增强和多区域选择网络进行构建和训练。
-
Patent Agency Ranking
公开(公告)号：CN118799750A
公开(公告)日：2024-10-18
申请号：CN202410779475.9
申请日：2024-06-17
Applicant: 三峡大学
IPC: G06V20/17 , G06V10/10 , G06V10/46 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 一种基于显著特征引导的火焰检测模型的构建方法，它包括以下步骤：步骤1：构建两个特征提取的编码分支，其中第一个分支在RGB色彩模式下提取火焰的特征表达，第二个分支则在HSV色彩模式下提取火焰的特征表达；步骤2：通过协同感知调控模块和拼接操作，将经过步骤2得到的两个不同编码分支的特征进行整合，实现不同类型特征的融合；步骤3：为了更好地适应目标检测任务，引入特征金字塔模块，对步骤3整合后的特征进行进一步处理，以挖掘不同大小的特征图所包含的不同目标特征信息；步骤4：通过耦合的检测头对由步骤4获得的特征信息进行处理，在后续的检测过程中使用这些特征信息来实现准确的目标定位和分类；通过以上步骤，实现火焰检测模型的构建。
-
公开(公告)号：CN117892854A
公开(公告)日：2024-04-16
申请号：CN202311703122.2
申请日：2023-12-12
Applicant: 三峡大学
IPC: G06Q10/04 , G06Q50/02 , G06F18/2433 , G06F18/15 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/082
Abstract: 一种基于NI‑CLAP框架的遥感数据水稻产量预测方法，它包括以下步骤：步骤1：收集相关的水稻产量数据和其他相关特征数据；步骤2：对收集到的数据进行清理，剔除冗余数据；步骤3：提取数据中地理相关、作物生长相关、气候相关的特征因素共九个，并对获取到的数据分别进行三种不同的归一化处理；步骤4：进行CNN‑LSTM‑Attention网络模型的构建，并采用所构建的预测模型进行水稻产量预测；本发明的目的是为准确的季节内作物产量预测提供了一个强大的NI‑CLAP框架，为深入了解环境压力对未来农业生产力的影响铺平了道路。
-
公开(公告)号：CN119027801A
公开(公告)日：2024-11-26
申请号：CN202410849159.4
申请日：2024-06-27
Applicant: 三峡大学
IPC: G06V20/10 , G06V10/774 , G06V10/80 , G06N20/20
Abstract: 一种基于遥感数据的水稻高温热害监测方法，包括以下步骤：步骤1：对日平均气温进行遥感反演，获得整个研究区目标时间段的日平均气温遥感数据集；步骤2：将遥感反演得到的日平均气温遥感数据集进行特殊处理，构建研究区全覆盖高精度的日平均气温遥感数据集；步骤3：结合全覆盖高精度日平均气温遥感数据集，进行全流程的水稻高温热害遥感监测。
-
公开(公告)号：CN117830793A
公开(公告)日：2024-04-05
申请号：CN202311642688.9
申请日：2023-11-30
Applicant: 三峡大学
Abstract: 一种用于森林火灾检测的特征一致性约束网络的构建方法，包括以下步骤：步骤1：首先构建双分支网络，这每个分支网络完全共享参数，分别输入同一张图的两个不同数据增强视角，两个不同视角的图片分别输入双分支网络提取特征；步骤2：构建特征一致性模块，根据两个不同视角的特征一致性，约束双分支网络提取的特征，对物体的特征进行一致性约束；步骤3：将双分支的检测结果分别与真实框计算损失，优化双分支网络的检测效果。通过以上步骤进行构建和训练。
-
公开(公告)号：CN117576585A
公开(公告)日：2024-02-20
申请号：CN202311450086.3
申请日：2023-11-02
Applicant: 三峡大学
Abstract: 一种用于房屋检测的多专家辅助模型的构建方法，它包括以下步骤：S1、操控无人机拍摄城乡的建筑物图像，制作数据集；S2、构建两个专家分支，第一个专家学习普通建筑物的特征表达，第二个专家学习正在建造的建筑物的特征表达；S3、在网络中加入类内聚合损失，根据真实标签的特征向量计算它们和各自类别中心向量的相似度，通过提高相似度来减小类内差异，明确类间的决策边界；S4、将无人机图像送入网络，先经过骨干网络提取特征图，然后将特征图同时送入主网络和两个专家分支，利用专家分支的结果计算损失来约束骨干网络，同时利用主网络的结果对网络整体进行训练；S5、在模型训练结束后舍弃专家分支；通过以上步骤完成对多专家辅助模型的构建。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.031 seconds)
