-
公开(公告)号：CN108564678B
公开(公告)日：2019-02-22
申请号：CN201810351409.6
申请日：2018-04-19
Applicant: 吉林大学
Abstract: 本发明提供了一种优化车载T‑BOX数据存储和转发方法，用于存储和转发车载T‑BOX采集的车载实时数据。该方法在综合考虑通信信道传输速率变化、各个存储设备写入速度差异、各个存储设备剩余储存空间变化和采集数据传输优先级的前提下，实现了一种基于数据传输优先级、信道传输速率、存储介质存储速率和剩余存储空间的车载实时数据存储和转发方法，解决了车载T‑BOX所采集车载实时数据因无法在内存、多个外部存储设备和数据通信模块之间合理存储或发送而可能被覆盖或造成内存溢出的问题，同时解决了车载T‑BOX所采集车载实时数据没有发送优先级的问题。
-
公开(公告)号：CN108197580A
公开(公告)日：2018-06-22
申请号：CN201810020731.0
申请日：2018-01-09
Applicant: 吉林大学
CPC classification number: G06K9/00355 , G06K9/00389 , G06N3/0454
Abstract: 本发明涉及一种基于3d卷积神经网络的手势识别方法，属于手势识别方法。针对深度相机拍摄获取的普通视频和深度视频，进行一系列预处理，在应用预处理的普通处理方法的基础上，针对视频图像存在噪点的问题，采用卷积神经子网与反卷积神经子网相结合的去噪方法，针对视频中存在的时间空间关系，采用3d卷积神经网络进行处理。本发明大幅度提高了手势分类的速率，增强了识别依据的可靠性和结果的合理性。
-
公开(公告)号：CN119620191B
公开(公告)日：2025-04-29
申请号：CN202510162365.2
申请日：2025-02-14
Applicant: 吉林大学
IPC: G01V1/36 , G01V1/28 , G06F18/10 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种自适应分布估计约束的地震数据盲去噪方法，包括以下步骤：S1、构建初始噪声分布预测网络模型和初始生成扩散去噪网络模型；S2、采集带噪地震数据，获得理想噪声分布预测网络模型；S3、将所述带噪地震数据中的测试数据集输入所述理想噪声分布预测网络模型中进行处理，获得噪声分布估计数据；S4、将所述噪声分布估计数据通过自适应噪声分布匹配算法，获得匹配时间步；S5、将所述测试数据集、所述噪声分布估计数据和所述匹配时间步一起输入到所述初始生成扩散去噪网络模型中，获得理想生成扩散去噪网络模型；S6、将所述测试数据集输入所述理想生成扩散去噪网络模型中，获得高信噪比地震数据。
-
公开(公告)号：CN110399828A
公开(公告)日：2019-11-01
申请号：CN201910665065.0
申请日：2019-07-23
Applicant: 吉林大学
Abstract: 本发明公开了一种基于多角度的深度卷积神经网络的车辆再识别方法，所述方法包括将车辆图像数据集作为输入通过共享层输出处理后特征图集；所述特征图集经过三个不同的流，分别从度量、视觉、属性三个角度进行分类；将三个分类结果进行联合学习实现车辆再识别。其中所述三个不同的流为基于簇的三元组流、基于互补学习的外观流和基于车辆属性的属性流。本发明纠正了随机三元组采样带来的冗余性和误导性问题，有效地缓解了现有方法不能很好区分相似图像或网络不收敛的问题，降低了训练时间成本，能够获得更准确的车辆再识别结果。
-
公开(公告)号：CN108564678A
公开(公告)日：2018-09-21
申请号：CN201810351409.6
申请日：2018-04-19
Applicant: 吉林大学
Abstract: 本发明提供了一种优化车载T-BOX数据存储和转发方法，用于存储和转发车载T-BOX采集的车载实时数据。该方法在综合考虑通信信道传输速率变化、各个存储设备写入速度差异、各个存储设备剩余储存空间变化和采集数据传输优先级的前提下，实现了一种基于数据传输优先级、信道传输速率、存储介质存储速率和剩余存储空间的车载实时数据存储和转发方法，解决了车载T-BOX所采集车载实时数据因无法在内存、多个外部存储设备和数据通信模块之间合理存储或发送而可能被覆盖或造成内存溢出的问题，同时解决了车载T-BOX所采集车载实时数据没有发送优先级的问题。
-
Patent Agency Ranking
公开(公告)号：CN115512132A
公开(公告)日：2022-12-23
申请号：CN202211250323.7
申请日：2022-10-12
Applicant: 吉林大学
Abstract: 本发明涉及一种基于点云数据与多视图图像数据融合的3D目标检测方法，属于计算机视觉技术领域。包括从Nuscenes数据集中获取点云数据及多视图图像数据；生成点云BEV特征和图像BEV特征，输入图像及点云融合网络处理生成图像和点云融合特征，得到初始预测边界框及生成最终的目标边界框。优点是通过将图像及点云数据转化为统一的BEV表示，能较大程度的保留物体的几何结构和语义密度，方便的进行图像和点云的融合处理；基于注意力机制自适应软关联的二次融合，能获得对于图像质量退化的鲁棒性。
-
公开(公告)号：CN110399828B
公开(公告)日：2022-10-28
申请号：CN201910665065.0
申请日：2019-07-23
Applicant: 吉林大学
Abstract: 本发明公开了一种基于多角度的深度卷积神经网络的车辆再识别方法，所述方法包括将车辆图像数据集作为输入通过共享层输出处理后特征图集；所述特征图集经过三个不同的流，分别从度量、视觉、属性三个角度进行分类；将三个分类结果进行联合学习实现车辆再识别。其中所述三个不同的流为基于簇的三元组流、基于互补学习的外观流和基于车辆属性的属性流。本发明纠正了随机三元组采样带来的冗余性和误导性问题，有效地缓解了现有方法不能很好区分相似图像或网络不收敛的问题，降低了训练时间成本，能够获得更准确的车辆再识别结果。
-
公开(公告)号：CN110022422B
公开(公告)日：2020-02-07
申请号：CN201910322024.1
申请日：2019-04-19
Applicant: 吉林大学
Abstract: 本发明涉及一种基于密集连接网络的视频帧序列生成方法，属于计算机视觉领域以及视频信号处理技术领域。以生成对抗网络为本发明方法的结构的基线，使用密集连接网络构建本发明的生成器模型，对输入视频帧序列的后续视频帧序列进行生成。本发明充分考虑输入视频帧序列内容的分布差异性，对具有特殊运动特点的部分增加权重。根据这种方式设计的损失函数能够为本发明中的生成器模型提供注意力机制，使得生成器模型能够对后续视频帧序列的不同部分有针对性地生成，实现对同一后续视频帧不同部分的差异性处理，在保证生成的后续视频帧序列与输入视频帧序列具有连续运动信息的同时，能够有效提升生成的后续视频帧序列的图像质量。
-
公开(公告)号：CN110022422A
公开(公告)日：2019-07-16
申请号：CN201910322024.1
申请日：2019-04-19
Applicant: 吉林大学
Abstract: 本发明涉及一种基于密集连接网络的视频帧序列生成方法，属于计算机视觉领域以及视频信号处理技术领域。以生成对抗网络为本发明方法的结构的基线，使用密集连接网络构建本发明的生成器模型，对输入视频帧序列的后续视频帧序列进行生成。本发明充分考虑输入视频帧序列内容的分布差异性，对具有特殊运动特点的部分增加权重。根据这种方式设计的损失函数能够为本发明中的生成器模型提供注意力机制，使得生成器模型能够对后续视频帧序列的不同部分有针对性地生成，实现对同一后续视频帧不同部分的差异性处理，在保证生成的后续视频帧序列与输入视频帧序列具有连续运动信息的同时，能够有效提升生成的后续视频帧序列的图像质量。
-
公开(公告)号：CN119620191A
公开(公告)日：2025-03-14
申请号：CN202510162365.2
申请日：2025-02-14
Applicant: 吉林大学
IPC: G01V1/36 , G01V1/28 , G06F18/10 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/08
Abstract: 本申请公开了一种自适应分布估计约束的地震数据盲去噪方法，包括以下步骤：S1、构建初始噪声分布预测网络模型和初始生成扩散去噪网络模型；S2、采集带噪地震数据，获得理想噪声分布预测网络模型；S3、将所述带噪地震数据中的测试数据集输入所述理想噪声分布预测网络模型中进行处理，获得噪声分布估计数据；S4、将所述噪声分布估计数据通过自适应噪声分布匹配算法，获得匹配时间步；S5、将所述测试数据集、所述噪声分布估计数据和所述匹配时间步一起输入到所述初始生成扩散去噪网络模型中，获得理想生成扩散去噪网络模型；S6、将所述测试数据集输入所述理想生成扩散去噪网络模型中，获得高信噪比地震数据。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.027 seconds)
