-
公开(公告)号：CN103063159B
公开(公告)日：2015-06-17
申请号：CN201210586952.7
申请日：2012-12-31
Applicant: 南京信息工程大学
Abstract: 本发明提出了一种基于CCD的零件尺寸测量方法，所述零件尺寸测量方法采用特征点识别技术，利用零件的特征点来分类图元，对整体零件进行尺寸测量，且无需零件的先验知识，实现对通用零件的测量；所述方法可以在满足精度要求的同时进行高速的测量。本发明算法简单，硬件实现只需CCD与计算机，无需复杂的机械结构，成本较低，有良好的应用前景。
-
公开(公告)号：CN104361574A
公开(公告)日：2015-02-18
申请号：CN201410539145.9
申请日：2014-10-14
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于稀疏表示的无参考彩色图像质量评价方法，属于数字图像处理技术领域。本发明对待评价图像，在HSV彩色空间选取具有像素空间相关性标准差最大值的图像块，由图像块来匹配字典中的原子，字典中的每个原子由训练图集中具有像素空间相关性最大标准差的图像块、DMOS值、最大标准差三个元素组成，然后采用匹配追踪的方法在该字典中得到待评价图像的稀疏表示，并由原子字典中被选取到的原子的DMOS及最大标准差值来构建彩色图像质量评价指标。本发明的原子字典的构建方法简单明了，所提取的特征更符合人眼视觉感受，整个算法更简单，质量评价结果更准确。
-
公开(公告)号：CN101826926B
公开(公告)日：2011-08-03
申请号：CN201010135535.1
申请日：2010-03-30
Applicant: 南京信息工程大学
IPC: H04H40/90
Abstract: 本发明公开了一种DAB灾害信息预警接收机地址码自动获取识别方法，包括如下步骤：对DAB灾害信息预警接收机可能工作的区域划分为n×m个等大小的矩形区域；用向量[n，m]分别表示每个矩形区域的地址码；通过卫星定位系统将灾害可能发生区域的地址码信息加载到灾害预警信息数据帧中并发送；DAB灾害信息预警接收机接收后通过解码获得所处区域的区域地址码；DAB灾害信息预警接收机通过比较自身的区域地址码和预警信息数据帧加载的地址码自动选择接收或放弃预警信息。本发明通过北斗卫星定位信息自动计算并预设DAB灾害信息预警接收机地址码可以省去使用人员手工设置地址码的过程，也使信息的接收更加准确、有效。
-
公开(公告)号：CN114373094B
公开(公告)日：2025-02-21
申请号：CN202111489573.1
申请日：2021-12-08
Applicant: 南京信息工程大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/56 , G06V10/46 , G06V10/82 , G06V10/75 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督学习的门控特征注意力等变分割方法，具体为：1、训练第一分类网络，权重共享得到第二分类网络；训练第一门控的部分融合模块，权重共享得到第二门控的部分融合模块；2、对原始图像进行仿射变换得到仿射图像；3、将原始图像、仿射图像分别输入至两个分类网络；4、将两个分类网络的最后一层的特征层分别作为类激活映射、仿射类激活映射；5、将两个分类网络的特定阶段输出的特征图输入至相应的门控的部分融合模块，得到门控特征图和仿射门控特征图；6、将步骤4和步骤5得到的结果输入至交叉特征注意力模型中，得到改进的类激活映射；7、根据改进的类激活映射实现图像的分割。本发明提高了弱监督网络的分割精度。
-
公开(公告)号：CN117078551B
公开(公告)日：2024-08-09
申请号：CN202311073823.2
申请日：2023-08-24
Applicant: 南京信息工程大学
Abstract: 本发明提出了结合双分支核自适应和多尺度融合的水下图像增强方法，包括：将成对水下原始图像进行数据增强和归一化处理，获得成对水下图像；构建双分支核自适应模块和多尺度融合模块，获得深层次特征并对其进行有效融合；基于双分支核自适应模块和多尺度融合模块，构建水下图像增强的卷积神经网络，输出水下图像；设计目标损失函数；将成对水下图像作为训练集，获得训练后的水下图像增强的卷积神经网络；将待增强的成对水下原始图像进行归一化处理，输入训练完成的水下图像增强模型，得到增强的水下图像。本发明能对水下图像进行增强，有效地解决了色调恢复效果差的问题以及由卷积核引起的欠增强和过增强问题。
-
Patent Agency Ranking
公开(公告)号：CN118211086A
公开(公告)日：2024-06-18
申请号：CN202410310944.2
申请日：2024-03-19
Applicant: 南京信息工程大学
IPC: G06F18/23 , G06F18/214 , G06F18/10 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于异构模型重组的个性化分层联邦学习环境监测方法，首先通过移动监测终端实时获取城市环境监测相关数据，并将数据上传至边缘节点；然后边缘节点对数据进行预处理和解析；在边缘节点进行异构模型重组和数据模型训练，异构模型重组包括边缘节点更新和移动监测终端更新；最后将训练后的数据模型上传至云端，通过训练后的数据模型进行数据预测及预警。本发明采用分层联邦学习架构，上层的边缘节点云端之间的模型采用异步聚合，通过无等待通信提高学习效率；下层的移动终端和边缘节点之间的模型采用同步聚合，确保高精度和快速收敛。提出的异构模型重组技术，有效地减轻使用分布与移动终端数据不同的公共数据库所带来的不利影响。
-
公开(公告)号：CN112183886B
公开(公告)日：2024-03-15
申请号：CN202011138708.5
申请日：2020-10-22
Applicant: 南京信息工程大学
Abstract: 本申请涉及一种基于卷积网络和注意力机制的短时临近降雨预测方法。该方法包括：获取被预测区域在当前时间点前预设时段内的降雨过程图像；将所述降雨过程图像进行预处理，获得完全时空特性的张量；完全时空特性的张量输入多尺度特征融合的神经网络中进行特征提取，获得局部短期运动特征；将所述局部短期运动特征输入到结合了注意力机制的卷积长短期记忆人工神经网络中进行降雨预测，获得降雨预测信息；将所述预测结果信息输入到卷积层进行反向重构，获得所述被预测区域的未来降雨图像序列。解决了时空信息丢失容易，预测精度低的问题，提高了短时临近降雨的预测精度。
-
公开(公告)号：CN117292361A
公开(公告)日：2023-12-26
申请号：CN202311590545.8
申请日：2023-11-27
Applicant: 南京信息工程大学
IPC: G06V20/58 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于进化动态图卷积的车辆轨迹长时精细预测方法，通过进化空间图卷积更多关注动态图中的空间信息相关性提取，之后使用基于CNN的时间特征提取模块进行同一车辆随时间变化的时间特征相关性。然而由于两个模块是分步骤的，最后加入了GRU编码解码模块，与LSTM相比加快了模型训练速度，同时GRU融合了空间相关性以及时间相关性，加强了分步特征提取的低耦合性。预测结果显示，本发明参数量大幅减少，预测时间显著缩短，预测精度明显提高，在长时间轨迹预测场景中也有非常好的表现，充分证明了该方法的有效性。
-
公开(公告)号：CN117253113A
公开(公告)日：2023-12-19
申请号：CN202311171486.0
申请日：2023-09-12
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于车载相机多模态特征融合方法，包括步骤1：特征注意力阶段：构建分组特征交叉注意力机制网络，对特征图交叉定位空间信息，提取关键特征，得到特征注意力图，步骤2：特征融合阶段：构建动态特征重定义网络，将特征注意力图输入至动态特征重定义网络，根据输入特征图的相关性获得相似性得分，自适应地加权模态间相对应的特征得到重定义特征图；构建跨模态特征提取网络，将重定义的特征图输入至跨模态特征提取网络，融合另一模态的特征信息，得到双分支网络下一阶段的输出。本发明的多模态融合方法可以更好的利用车载相机的多模态特征信息，使特征提取网络有效学习目标的特征信息。
-
公开(公告)号：CN117078551A
公开(公告)日：2023-11-17
申请号：CN202311073823.2
申请日：2023-08-24
Applicant: 南京信息工程大学
Abstract: 本发明提出了结合双分支核自适应和多尺度融合的水下图像增强方法，包括：将成对水下原始图像进行数据增强和归一化处理，获得成对水下图像；构建双分支核自适应模块和多尺度融合模块，获得深层次特征并对其进行有效融合；基于双分支核自适应模块和多尺度融合模块，构建水下图像增强的卷积神经网络，输出水下图像；设计目标损失函数；将成对水下图像作为训练集，获得训练后的水下图像增强的卷积神经网络；将待增强的成对水下原始图像进行归一化处理，输入训练完成的水下图像增强模型，得到增强的水下图像。本发明能对水下图像进行增强，有效地解决了色调恢复效果差的问题以及由卷积核引起的欠增强和过增强问题。
-
-
-
-
-
-
-
-
-
Search Results
135
records
(took 0.032 seconds)
