-
公开(公告)号：CN118897304A
公开(公告)日：2024-11-05
申请号：CN202411097163.6
申请日：2024-08-12
申请人： 上海海洋大学
IPC分类号： G01S19/37 , G01F23/284
摘要： 本发明公开了一种星载GNSS反射信号多模态数据融合的海面高度反演方法，包括：获取时延多普勒图、环境数据以及物理测高数据；将所述时延多普勒图、环境数据以及物理测高数据输入至预先训练好的海面高度反演模型，获得预测结果；其中，所述海面高度反演模型是多模态融合的卷积神经网络模型，基于用于训练的时延多普勒图、环境数据以及物理测高数据训练得到。本发明提供的方法能够克服单模态数据的局限性，显著提升反演结果的可靠性和准确性。
-
公开(公告)号：CN118570745A
公开(公告)日：2024-08-30
申请号：CN202410632406.5
申请日：2024-05-21
申请人： 上海海洋大学
IPC分类号： G06V20/54 , G06V10/764 , G06V10/774 , G06V10/82 , G06T5/30 , G06T7/13
摘要： 本发明公开了一种基于边缘增强的跨尺度CNN舰船识别方法，属于计算机视觉技术领域。包括：建立舰船目标识别数据集与构建舰船识别模型，所建模型包含对影像进行预处理与识别网络两部分，其中识别网络以YOLOX网络为基础，在其主干网络中每个CSPLayer后增加注意力机制模块，在颈部金字塔网络中每个Concat+Csplayer结构之间增加跨尺度特征增强模块；使用舰船目标识别数据集完成对舰船识别模型的训练。本发明通过超分辨率重建与轮廓信息增强结合的预处理模块，提高了中低分辨率影像的舰船特征信息；通过在识别网络中添加注意力机制与跨尺度特征增强模块，提取高质量样本特征，并从多尺度获取目标特征来增强跨尺度信息，提高目标识别率。
-
公开(公告)号：CN114092794B
公开(公告)日：2024-08-16
申请号：CN202111388962.5
申请日：2021-11-22
申请人： 上海海洋大学
IPC分类号： G06V20/05 , G06V10/80 , G06V10/776 , G06V10/30 , G06V10/764 , G06V10/82 , G06V20/13 , G06N3/0464 , G06N3/09
摘要： 本发明属于海冰检测技术领域，公开了一种海冰图像分类方法、系统、介质、设备及处理终端，所述海冰图像分类方法包括：对原始图像进行预处理以去除原始图像中的冗余信息和噪声；根据加拿大冰况图在处理过后的图像中提取标签样本；利用卷积神经网络分别提取多源图像的特征信息；将提取到的特征信息进行拼接融合；将融合特征输入SE模块中进行特征级的权重标定；将融合特征输入全连接层进行深度融合并得到分类结果；通过总体分类精度和Kappa系数评估分类结果。本发明通过特征融合实现SAR数据和MSI数据特性的互补，充分挖掘和深度融合异源数据的多层次特征，通过引入SE模块增强模型对特征的识别能力，有效提高模型的特征表达能力。
-
公开(公告)号：CN113961337B
公开(公告)日：2024-05-10
申请号：CN202111073054.7
申请日：2021-09-14
申请人： 上海海洋大学
IPC分类号： G06F9/50 , G06F18/214 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种基于改进的RingAllReduce算法的面向深度学习的GPU并行方法,用于提升数据并行多设备间传输效率,缓解传统参数服务器并行结构带宽损耗问题；另外,利用传统深度学习主干网络包含权重参数较全连接层小,同步开销小而全连接层权重庞大梯度传输开销过高这一特点,将主干网络进行数据并行处理,全连接层采用模型并行处理,解决了数据并行模式难以支撑大规模网络参数及加速延缓的问题。相比其他方法,本方法最终测试与训练精度差异不大,但在加速效果上衰减幅度更小,效果更好,实验也发现,相比Cifar10等类别较少的数据集,该方法在miniImageNet上存在更大的加速优势,因此更适用于海量数据并行训练。
-
公开(公告)号：CN117828369A
公开(公告)日：2024-04-05
申请号：CN202410004351.3
申请日：2024-01-03
申请人： 上海海洋大学
IPC分类号： G06F18/22 , G06F18/243 , G06F18/214 , G06N3/09
摘要： 本发明公开了一种基于GNSS反射信号的海面叶绿素浓度反演模型构建方法，其包括：S1：获取ECMWF风速数据、CYGNSS数据、GOCI叶绿素浓度数据；S2：对ECMWF风速数据以及CYGNSS数据进行插值匹配，随后将匹配结果与GOCI叶绿素浓度数据进行匹配，得到最终匹配结果；S3：对最终匹配结果进行数据预处理，得到数据样本；S4：利用数据样本对随机森林模型进行训练，得到GNSS‑R叶绿素浓度反演模型。使用GNSS‑R数据，匹配环境风速数据作为特征值进行机器学习，建立GNSS‑R叶绿素浓度反演模型，能够全天时全天候实现中尺度海面叶绿素浓度反演。
-
公开(公告)号：CN115359276A
公开(公告)日：2022-11-18
申请号：CN202210997195.6
申请日：2022-08-19
申请人： 上海海洋大学
摘要： 本发明公开了一种边缘增强与分布均衡化的遥感立体影像特征匹配方法，构建基准影像和待配准影像对应的多尺度空间图像，并利用无偏差比UDR边缘检测器对各个尺度空间图像进行边缘滤波，从而获取最终的多尺度空间图像；搜索最终的多尺度空间图像中的极值点，获取的极值点即为候选特征点，再采用非极大值抑制算法对候选特征点进行均匀化处理，完成特征点提取；以特征点为圆心，从不同尺度图像上选用四个大小不同的同心圆区域构建多尺度特征描述子，计算多尺度特征描述子向量，然后采用最近邻距离比算法获取初始特征匹配点对，再利用随机抽样一致算法删除初始特征匹配点对中的异常点删除，完成基准影像和待配准影像的特征点配准。
-
公开(公告)号：CN114694017A
公开(公告)日：2022-07-01
申请号：CN202210406103.2
申请日：2022-04-18
申请人： 上海海洋大学
摘要： 本发明属于水下目标检测技术领域，公开了一种轻量级水下目标检测方法、系统、介质、设备及终端。采用CSPDarknet18作为骨干网络来初步提取特征；利用Dense策略提取不同层次和尺度的图像特征；在主干特征提取网和FPN结构之间添加AFF模块，实现跨通道信息交互；构建FPN和PANet网络，同时提取具有语义信息和位置信息的特征；采用深度可分卷积替换普通卷积对加强特征提取网进行重建，以减少参数数量。本发明主要对海参、扇贝、海胆和海星的图像进行定位和识别。实验结果表明，本发明的方法在2020URPC水下目标检测数据集上的mAP达到78.18％，模型参数大小为37.22M，在獐子岛海域的现场采集视频数据上的处理速度分别为10.95和28.05FPS，在准确性和速度方面都取得较好的效果。
-
公开(公告)号：CN112561224A
公开(公告)日：2021-03-26
申请号：CN202010846537.5
申请日：2020-08-21
申请人： 上海海洋大学
IPC分类号： G06Q10/06 , G06Q50/20 , G06F16/29 , G06F16/951 , G06F16/9537
摘要： 本发明公开了一种基于疫情大数据的返校安全评估方法，包括如下步骤：1)构建地理信息大数据：服务器端通过客户端采集上传、网络爬虫爬取和学校多系统交互获基础数据，构建疫情地理信息大数据；2)地理信息空间分析：基于疫情地理信息大数据，构建地理信息地图，结合空间分析方法——缓冲区分析，完成地理信息空间分析，获取疫情严重区域和疫情轻微区域；3)安全评估：客户端向服务器端发送安全评估请求，服务器端根据客户端的当前位置生成用户运动轨迹，并与服务器端中存储的疫情严重区域和疫情轻微区域进行比对，判断用户运动轨迹与疫情严重区域是否重合，并根据比对反馈是否可以返校的信息给客户端。
-
公开(公告)号：CN111917513A
公开(公告)日：2020-11-10
申请号：CN202010744007.X
申请日：2020-07-29
申请人： 上海海洋大学
摘要： 本发明涉及移动应用的网络接口领域，是一种移动端与服务器端数据交互方法，应用于移动端和服务器端。在服务器端部署指令接收模块、指令驱动模块，在移动端部署构造请求指令模块、指令发送模块。构造请求指令模块根据业务逻辑生成指令，指令发送模块将指令封装后发送至指令接收模块，指令接收模块将扩展指令解析后发送至指令驱动模块，指令接收模块将指令交给指令驱动模块，指令驱动模块处理得到返回数据，返回数据按照原路回传。该方法可以让移动应用调用接口如同调用本地函数，这给程序的调试带来了极大的便利。在这种模式下，当需要修改功能或者是添加新功能时，只需要修改指令驱动模块就可以完成，极大的提高了程序的可扩展性。
-
公开(公告)号：CN111738052A
公开(公告)日：2020-10-02
申请号：CN202010283627.8
申请日：2020-04-13
申请人： 上海海洋大学
摘要： 本发明公开了一种基于深度学习的多特征融合高光谱遥感地物分类方法，该方法可应用于高光谱遥感地物图像分类，解决了高光谱图像分类中标签样本不足和不同层次特征没有得到充分利用的弊端，具体如下：从原始高光谱遥感图像中选取各类别标签样本，并将样本标记为训练样本和测试样本；对训练样本进行预处理将其复制为相同的多份，并输入卷积神经网络的不同卷积层中以得到更多的样本；将卷积神经网络中层和高层的特征在全连接层中进行融合以得到不同层次的特征信息；获得训练的特征后对测试样本进行分类。
-
-
-
-
-
-
-
-
-
搜索结果
73 条记录 (耗时 0.034 秒)
