-
公开(公告)号：CN114140502A
公开(公告)日：2022-03-04
申请号：CN202111510467.7
申请日：2021-12-10
Applicant: 江南大学
Abstract: 本发明公开了一种基于嵌入式GPU的图像光流计算方法、装置、设备以及计算机可读存储介质。本发明通过对车载过程中采集的待测图像建立高斯金字塔模型，并根据嵌入式GPU的特性和所述高斯金字塔模型的层数动态调整计算检测窗口的大小，通过所述GPU对单精度浮点计算指令和半精度浮点计算指令进行转换，计算所述待测图像中特征点的光流。本发明所提供的方法通过建立金字塔层的动态窗口，解决了计算LK光流法时出现GPU线程负载不均的问题，通过GPU对单精度浮点计算指令和半精度浮点计算指令进行转换，将LK光流法的计算进行优化，从而提升了光流计算的效率。
-
公开(公告)号：CN108769907B
公开(公告)日：2020-05-22
申请号：CN201810563845.X
申请日：2018-06-04
Applicant: 江南大学
Abstract: 本发明涉及一种基于深度学习的融合WiFi和iBeacon的室内定位方法，包括：从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；用堆叠自动编码机和数据库中的参数对步骤“实时采集WiFi和iBeacon的RSSI数据，使用标准化对所述RSSI数据进行处理；”中处理后的数据进行处理，然后再用近邻算法将这些数据与数据库中的数据进行匹配，获得最终位置估计。
-
公开(公告)号：CN108769907A
公开(公告)日：2018-11-06
申请号：CN201810563845.X
申请日：2018-06-04
Applicant: 江南大学
Abstract: 本发明涉及一种基于深度学习的融合WiFi和iBeacon的室内定位方法，包括：从环境中获取大量WiFi和iBeacon的信号强度数据，然后使用堆叠自动编码机对获取的所述大量WiFi和iBeacon的信号强度数据进行训练，并将训练后数据及参数(w和b)放入数据库中；其中所有的WiFi和iBeacon部署的位置都是已知的；实时采集WiFi和iBeacon的RSSI数据，对所述RSSI数据进行标准化处理；用堆叠自动编码机和数据库中的参数对步骤“实时采集WiFi和iBeacon的RSSI数据，使用标准化对所述RSSI数据进行处理；”中处理后的数据进行处理，然后再用近邻算法将这些数据与数据库中的数据进行匹配，获得最终位置估计。
-
公开(公告)号：CN117615080B
公开(公告)日：2024-06-21
申请号：CN202311450101.4
申请日：2023-11-02
Applicant: 江南大学
IPC: H04N1/60 , G06V10/766 , G06V10/774
Abstract: 本申请提供了一种印刷分色方法及系统，方法包括：通过目标样本数据集和多项式回归算法得到目标转换矩阵；获取目标样本数据集中LAB颜色空间的LAB值，并通过目标转换矩阵预测得到LAB值对应的预测设备值；对预测设备值进行测量，得到LAB颜色空间的#imgabs0#值；通过LAB值和#imgabs1#值，得到目标修正模型；通过目标修正模型对预测设备值进行修正，以得到修正后的最终设备值；通过修正后的最终设备值对图像进行校正，得到目标分色精度的图像。本申请可减少样本中的奇异值对拟合性能的不良影响。此外，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
-
公开(公告)号：CN116934618B
公开(公告)日：2024-06-11
申请号：CN202310857834.3
申请日：2023-07-13
Applicant: 江南大学
Abstract: 本发明公开了一种基于改进残差网络的图像半色调方法、系统及介质，包括以下步骤：步骤S1：获取图像数据集，划分为训练集和测试集；步骤S2：将所述训练集输入到HalfResNet网络模型进行训练，其中所述HalfResNet网络模型是基于ResNet网络模型进行改进的；步骤S3：训练完成后得到权重参数，将所述权重参数加载至所述HalfResNet网络模型中，针对待处理的图像，运行HalfResNet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。本发明将深度学习模型与半色调图像相结合，生成的半色调图像能够保持较好的结构细节的同时，极大地提高了处理效率。
-
Patent Agency Ranking
公开(公告)号：CN117934862A
公开(公告)日：2024-04-26
申请号：CN202410055055.6
申请日：2024-01-12
Applicant: 江南大学
IPC: G06V10/44 , G06V10/82 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种图像特征提取方法、装置、存储介质及图像分类方法，属于图像处理技术领域。获取图像特征提取模型，模型包括stem模块和多个特征提取模块，每个特征提取模块包括无填充下采样子模块和特征提取卷积子模块，每个无填充下采样子模块包括无填充卷积单元、无填充最大池化单元和特征融合单元；将图像样本输入stem模块，输出初始特征图；将初始特征图输入第一个特征提取模块中的无填充下采样子模块，输出下采样特征图；将下采样特征图输入第一个特征提取模块中的特征提取卷积子模块，将第一个特征提取模块中的特征提取卷积子模块作为下一个特征提取模块的输入；将最后一个特征提取模块中的特征提取卷积子模块的输出作为目标特征图。
-
公开(公告)号：CN117672380A
公开(公告)日：2024-03-08
申请号：CN202311633939.7
申请日：2023-11-30
Applicant: 江南大学
IPC: G16B40/20 , G16B30/00 , G16B20/00 , G06N3/0499 , G16B50/30
Abstract: 本发明涉及一种蛋白质KEGG Orthology编号预测方法，包括将待预测蛋白质输入预设自然语言处理模型中，获取待预测序列嵌入后，输入训练好的多层感知器，输出预测结果矩阵；利用Sigmoid函数，获取待预测序列嵌入的预测值；若预测值大于预设阈值，则令其对应的待预测序列嵌入作为待预测KO序列嵌入；将KEGG GENES数据库中的参考基因组中所有序列和附录序列均输入预设自然语言处理模型中，基于每个序列获取一个模板序列嵌入，组成模板序列嵌入集合；计算待预测KO序列嵌入与模板序列嵌入集合中每个模板序列嵌入的欧式距离；获取欧式距离最小所对应的模板序列嵌入的KO编号为待预测蛋白质的KO编号。
-
公开(公告)号：CN117615080A
公开(公告)日：2024-02-27
申请号：CN202311450101.4
申请日：2023-11-02
Applicant: 江南大学
IPC: H04N1/60 , G06V10/766 , G06V10/774
Abstract: 本申请提供了一种印刷分色方法及系统，方法包括：通过目标样本数据集和多项式回归算法得到目标转换矩阵；获取目标样本数据集中LAB颜色空间的LAB值，并通过目标转换矩阵预测得到LAB值对应的预测设备值；对预测设备值进行测量，得到LAB颜色空间的值；通过LAB值和 值，得到目标修正模型；通过目标修正模型对预测设备值进行修正，以得到修正后的最终设备值；通过修正后的最终设备值对图像进行校正，得到目标分色精度的图像。本申请可减少样本中的奇异值对拟合性能的不良影响。此外，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
-
公开(公告)号：CN112465929A
公开(公告)日：2021-03-09
申请号：CN202011493010.5
申请日：2020-12-17
Applicant: 江南大学
IPC: G06T11/20 , G06F40/211 , G06F40/289 , G06N3/04
Abstract: 一种基于改进图卷积网络的图像生成方法，该方法包括：一，建立输入层，利用预训练好的词向量将句子中的单词映射成一个低维、连续的词向量；二，建立Bi‑LSTM层，通过该层混合语义信息；三，构建目标向量的隐层表示，首先先通过GCN层，在句法上，来混合目标与句子中其他词的信息，再使用注意力机制来计算与目标相关的上下文表示；四，构建MDGCN层，根据依存句法树构建句子的多目标依存图，再根据多目标依存图使用图卷积网络对同一句子的多个目标进行建模；五，建立输出层，用一个全连接层转换维度，再通过softmax函数将其转换为概率表示；六，模型训练，使用交叉熵误差函数和L2权重衰退共同作为损失函数。
-
公开(公告)号：CN119538873A
公开(公告)日：2025-02-28
申请号：CN202510092303.9
申请日：2025-01-21
Applicant: 江南大学 , 江苏磐智数云科技有限公司
IPC: G06F40/16 , G06F40/194 , G06F40/205 , G06F40/30 , G06V10/82 , G06V30/19
Abstract: 本发明涉及辅助阅卷技术领域，具体提供了一种基于大语言模型和光学字符识别的智能阅卷方法。该方法包括：通过大语言模型对试卷和答案进行处理，得到试题解析文本，其中，试题解析文本包括对答案的解析文本；通过光学字符识别技术对需要阅卷的试卷图像进行处理，得到对应的答题文本；通过试题解析文本与答题文本的对比，确定各个题目的评分数据，其中，评分数据包括评分和评语。本发明提供的上述智能阅卷方法，能够解决相关技术中的智能阅卷方法阅卷准确率较低的问题。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.02 seconds)
