-
公开(公告)号：CN119131088B
公开(公告)日：2025-01-28
申请号：CN202411606147.5
申请日：2024-11-12
Applicant: 成都信息工程大学
IPC: G06T7/246 , G06T5/50 , G06N3/0464 , G06N3/0455 , G06N3/0495 , G06N3/084 , G06N3/042
Abstract: 本申请公开了基于轻量化超图网络的红外图像弱小目标检测跟踪方法，包括：S1、收集红外图像，并通过红外图像的语义特征变分自编码器构建红外目标完备数据库；S2、利用红外目标完备数据库构建并训练超图网络目标检测与识别模型；S3、使用超图网络目标检测与识别模型对红外图像中弱小目标进行检测跟踪，本申请实现了稳健、鲁棒、实时的红外弱小目标检测与跟踪，解决了星上/机载计算能力与存储资源受限条件下深度学习网络模型的部署难题。
-
公开(公告)号：CN113095442B
公开(公告)日：2021-09-10
申请号：CN202110624140.6
申请日：2021-06-04
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于半监督学习在多维度雷达数据下的冰雹识别方法，包括：S1：获取标注样本集，随机抽出监督样本集，暴雨样本训练集与冰雹样本训练集，获取未标注数据集并随机均分为q份第一样本；S2：计算各簇训练集的聚类中心；S3：对一份第一样本聚类划分到对应簇中，更新聚类中心；S4：迭代，获得此时的各簇聚类中心以及对应簇的置信度；S5：监督样本集重复步骤S2‑S4，获得监督样本集对各聚类中心的监督置信度，归类至对应簇中；S6：判断第一样本是否更新到簇中，重复S2‑S6至第一样本处理完毕；S7：将最佳的聚类中心作为识别模型输入，得各样本对各簇的置信度、进行分类。该方法有效提高冰雹识别的准确率、降低误报率。
-
公开(公告)号：CN113095442A
公开(公告)日：2021-07-09
申请号：CN202110624140.6
申请日：2021-06-04
Applicant: 成都信息工程大学
Abstract: 本发明提供一种基于半监督学习在多维度雷达数据下的冰雹识别方法，包括：S1：获取标注样本集，随机抽出监督样本集，暴雨样本训练集与冰雹样本训练集，获取未标注数据集并随机均分为q份第一样本；S2：计算各簇训练集的聚类中心；S3：对一份第一样本聚类划分到对应簇中，更新聚类中心；S4：迭代，获得此时的各簇聚类中心以及对应簇的置信度；S5：监督样本集重复步骤S2‑S4，获得监督样本集对各聚类中心的监督置信度，归类至对应簇中；S6：判断第一样本是否更新到簇中，重复S2‑S6至第一样本处理完毕；S7：将最佳的聚类中心作为识别模型输入，得各样本对各簇的置信度、进行分类。该方法有效提高冰雹识别的准确率、降低误报率。
-
公开(公告)号：CN111583410A
公开(公告)日：2020-08-25
申请号：CN202010304283.4
申请日：2020-04-17
Applicant: 成都信息工程大学
IPC: G06T17/20
Abstract: 本发明涉及一种衣片网格模型自动生成方法，其利用纸样所画出的服装的前后衣片轮廓为服装三维建模基础，先读取衣片轮廓的线段信息，再对读取出的线段进行平均离散化处理，生成边界质点，在衣片内部进行布点，将网格撒点法与射线扫描法结合生成衣片的内部质点，构建衣片的矩形边界包围盒，将包围盒均匀划分为矩形网格，在每个网格内均匀撒两点，使用射线扫描法将在衣片边界外的点删除，继而将剩下的点作为衣片的内部质点，生成的边界质点和内部质点作为衣片质点，最后对衣片质点进行三角剖分生成衣片网格，完成由二维衣片到二维衣片网格的自动网格模型生成。本发明能减少虚拟试衣中服装三维建模成本，节省人力成本和经济成本。
-
公开(公告)号：CN110415457A
公开(公告)日：2019-11-05
申请号：CN201910697977.6
申请日：2019-07-31
Applicant: 成都好邻盟科技有限责任公司 , 成都信息工程大学
IPC: G07F17/12
Abstract: 本发明属于物流应用技术领域，公开了一种收发智能共享柜格柜及共享使用方法，社区电商对社区购买商品已经到达社区集中点的商品订单进行识别；对具备打开共享柜格条件的多订单商品进行分配处理并确认；配送商品到分配柜格，柜点位确认后存入；将对应信息改为已存放柜格信息，系统后台提示信息发送至对应社区居民手机，社区电商社交群订单商品信息共享。本发明通过以智能共享柜格柜作为当前社区电商经营的物流配送辅助工具，实现平台对于订单线上便捷化管理，线下直接化服务；本发明增加了柜格共享存放模式，适用于社区电商赋予商品交易社交功能；本发明增加了社区居民送服务自助打包设计，实现社区居民自助取袋。
-
Patent Agency Ranking
公开(公告)号：CN118153188A
公开(公告)日：2024-06-07
申请号：CN202410135436.5
申请日：2024-01-30
Applicant: 成都信息工程大学 , 浙江大学 , 蔚来汽车科技(安徽)有限公司
IPC: G06F30/15 , G06F30/23 , G06F30/27 , G06N5/04 , G06N5/025 , G06F119/18 , G06F111/20 , G06F113/28 , G06F111/10
Abstract: 本发明公开了一种基于本体的零件基准设计方法，属于零件基准设计技术领域，为了提高白车身零部件基准定位的效率和准确性，所述基于本体的零件基准设计方法包括：S1：基于零件基准设计的避让规则、功能要求和主基准的增设状况，利用建模软件，构建本体模型；S2：基于SWRL规则和所述本体模型，建立零件基准的推理规则；S3：利用所述零件基准的推理规则对目标零件进行基准设计。本发明能够解决现有白车身零部件基准定位的过程要综合产品的各种详细信息，导致处理流程繁琐，而且设计结果往往有很大的不确定性，效率低，影响产品的研发速度的问题。
-
公开(公告)号：CN117892279B
公开(公告)日：2024-05-14
申请号：CN202410288467.4
申请日：2024-03-14
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种用于软件开发的计算机系统加密方法，涉及加密技术领域，本发明包括身份账号创建、账号权限设置、登录和权限测试、访问记录获取和分析、源代码文件加密、预警显示，首先根据软件开发过程的各阶段中所需的各开发人员进行对应的身份账号创建并进行权限设置，再通过对各开发人员的身份账号进行登录和权限测试，进而对各开发人员的身份账号的登录和权限的可行性进行分析，对最重要的源代码文件进行加密，并设置二次验证的方式获取密钥，解决了当前软件开发的计算机系统加密方法发展可行性分析过程中存在的局限性问题，保障了软件开发的计算机系统加密方法分析结果的可靠性和真实性。
-
公开(公告)号：CN117876890B
公开(公告)日：2024-05-07
申请号：CN202410272406.9
申请日：2024-03-11
Applicant: 成都信息工程大学
IPC: G06V20/13 , G06V10/764 , G06V10/80 , G06V10/82 , G06T3/4053 , G06F17/14
Abstract: 本发明公开了一种基于多级特征融合的多源遥感图像分类方法，属于多源遥感图像分类技术领域，包括以下步骤：采集高光谱图像和激光雷达图像，生成多源遥感图像数据；对多源遥感图像数据进行特征提取，得到局部像素级特征；采用简单线性迭代聚类对高光谱图像和激光雷达图像进行超像素分割，得到超像素集合；对超像素集合进行特征提取，得到全局超像素级特征；将局部像素级特征和全局超像素级特征进行融合，得到融合输出特征，并通过融合输出特征进行多源遥感图像分类，得到多源遥感图像分类结果。本发明解决了现有多源遥感图像特征融合时存在异质图像特征提取困难、信息冗余、噪声干扰，不同源数据的兼容性低以及传感器和气候造成分布差异的问题。
-
公开(公告)号：CN117876890A
公开(公告)日：2024-04-12
申请号：CN202410272406.9
申请日：2024-03-11
Applicant: 成都信息工程大学
IPC: G06V20/13 , G06V10/764 , G06V10/80 , G06V10/82 , G06T3/4053 , G06F17/14
Abstract: 本发明公开了一种基于多级特征融合的多源遥感图像分类方法，属于多源遥感图像分类技术领域，包括以下步骤：采集高光谱图像和激光雷达图像，生成多源遥感图像数据；对多源遥感图像数据进行特征提取，得到局部像素级特征；采用简单线性迭代聚类对高光谱图像和激光雷达图像进行超像素分割，得到超像素集合；对超像素集合进行特征提取，得到全局超像素级特征；将局部像素级特征和全局超像素级特征进行融合，得到融合输出特征，并通过融合输出特征进行多源遥感图像分类，得到多源遥感图像分类结果。本发明解决了现有多源遥感图像特征融合时存在异质图像特征提取困难、信息冗余、噪声干扰，不同源数据的兼容性低以及传感器和气候造成分布差异的问题。
-
公开(公告)号：CN116645552A
公开(公告)日：2023-08-25
申请号：CN202310589053.0
申请日：2023-05-23
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于图胶囊神经网络的高光谱湿地图像分类方法，其包括以下步骤：S1：生成对抗域自适应框架进行学习特征变换，使高光谱湿地图像的源域样本与目标域样本进行特征匹配；S2：构造图胶囊神经域自适应网络结构，提取域不变特征和域相关特征，发现可迁移特征并跨域共享；S3：设计耦合结构两分类器，利用源域样本训练两分类器，最大化目标域样本的分类差异，通过识别分类边界实现高光谱湿地图像的精准分类。本发明同时发现可迁移知识并实现跨域共享，增强了类边界的有效判别，最终实现了在未知区域、复杂场景以及数据种类缺失、不足、不均衡条件下的高光谱湿地图像精准分类。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.025 seconds)
