-
公开(公告)号：CN117094432A
公开(公告)日：2023-11-21
申请号：CN202311023675.3
申请日：2023-08-15
申请人： 上海海洋大学
IPC分类号： G06Q10/04 , G06Q10/083 , G06Q50/02 , G06N3/0442 , G06N3/08
摘要： 本发明提供了一种基于可解释性深度学习的海洋热浪事件预测方法，所述方法包括步骤：选取可定量化的海洋环境要素，并基于LSTM模型建立目标海域环境要素与海表温度之间的预测关系；结合相对阈值法来识别海洋热浪事件，并将期望梯度方法应用于LSTM模型，以量化输入要素在海洋热浪预测中的时间特征重要性；从特征重要性评分中解释海洋热浪事件和海洋观测数据之间的关系，实现对海洋热浪事件的可解释性分析。本发明的基于可解释性深度学习的海洋热浪事件预测方法，能够对海洋热浪事件进行准确的识别和预测，并能够解释预测结果的原因和机制。
-
公开(公告)号：CN108334859B
公开(公告)日：2022-07-08
申请号：CN201810166163.5
申请日：2018-02-28
申请人： 上海海洋大学 , 中国人民解放军61290部队
摘要： 本发明涉及一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；步骤S2、通过多级质量控制得到舰船的标准标注与置信度；步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。其优点表现在：通过众包分解任务、协作处理，结合了人工研判与计算机识别的差异优势，实现了可靠高效的舰船型号自动识别。
-
公开(公告)号：CN107516317B
公开(公告)日：2021-04-27
申请号：CN201710710878.8
申请日：2017-08-18
申请人： 上海海洋大学
摘要： 本发明涉及一种基于深度卷积神经网络的SAR影像海冰分类方法，包括以下步骤：S01：将已有的海冰SAR影像进行分割；S02：进行数据预处理；S03：进行模型训练并建立模型；S04：对待分类的海冰SAR影像进行处理；S05：将分类结果进行合并。其优点在于，该方法构建的卷积神经网络模型能够实现基于图像的特征自动提取，无需人手动过多干预；是一种针对SAR影像海冰端到端的分类方法，可以达到海冰监测的业务化水平、满足海上作业人员的实时性要求；模型依赖大量的标记样本可以自动提取图像特征，不必依赖专家知识；利用随机梯度下降法加速收敛，并根据损失函数和准确率判断模型训练的好坏；利用规范化处理解决网络参数优化反向传播中的梯度消失或梯度扩散问题。
-
公开(公告)号：CN105930877B
公开(公告)日：2020-07-10
申请号：CN201610374807.0
申请日：2016-05-31
申请人： 上海海洋大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种基于多模态深度学习的遥感影像分类方法，该方法包括以下步骤：首先构建多模态遥感影像数据样本集，包括不同成像原理的多模态遥感影像；基于不同的数据模态，构建数据模态敏感的特征学习深度网络，采用不同模态数据分别训练相应的特征学习深度网络；建立模态间特征关联模型生成关联共享特征并训练；采用测试样本集输入训练微调后的多模态深度网络，实现遥感影像精准分类。其优点表现在：有效利用多源遥感影像，挖掘模态间互补、合作信息，整个过程自动进行，减少了人工投入与主观人为因素导致的分类精度低，提高了分类精度。
-
公开(公告)号：CN107070638B
公开(公告)日：2020-06-23
申请号：CN201710259920.9
申请日：2017-04-20
申请人： 上海海洋大学
摘要： 本发明涉及一种动态加权门限的海洋遥感影像秘密共享方法，其特征在于，所述的动态加权门限海洋遥感影像秘密共享方法，包括初始化阶段模块、影像特征生成哈希值模块、影子信息分发模块、秘密影像恢复模块。优点在于，支持参与者动态变化，且不需要重新分发子秘密，减少实施代价；每个子秘密由参与者自己保存，在对影像恢复时，每个参与者所持有的子秘密本身不必公开，只需提出子秘密的影子信息方可恢复影像，保证子秘密的复用性；引入公告牌发布辅助信息；基于中国剩余定理实现了带权重参与者的秘密共享，并将共享的子秘密转化为多项式线性组合，使得方法可以动态添加或更新秘密，具有灵活性。
-
公开(公告)号：CN107067386B
公开(公告)日：2020-05-01
申请号：CN201710272512.7
申请日：2017-04-24
申请人： 上海海洋大学
摘要： 本发明涉及一种基于相对全局直方图拉伸的浅海水下图像增强方法，所述的浅海水下图像增强方法包括输入图像模块、图像RGB直方图分布分析模块、相对全局直方图拉伸模块、全局拉伸模块、输出图像模块。其优点在于，图像增强计算复杂度低，获得的效果更好，鲁棒性好，适用于包括水下植物、浅海人员、海底岩石等多累浅海水下图像；计算相对拉伸范围的参数，并自动选择拉伸范围，可以精确定位需要被拉伸范围；利用颜色纠正方法，运用HSV色彩空间对S、V的全局拉伸弥补颜色损失；可以有效的增强水下图像的对比度、饱和度、可见度。
-
公开(公告)号：CN106056609B
公开(公告)日：2018-11-06
申请号：CN201610383452.1
申请日：2016-06-02
申请人： 上海海洋大学
摘要： 本发明涉及一种基于DBNMI模型实现遥感影像自动标注的方法，其中包括对初始输入遥感影像进行自适应分割，粗粒度划分遥感影像背景区域和对象区域；针对划分出的遥感影像的对象区域，利用多示例多标签技术表示；针对遥感影像的对象区域的低层视觉特征和高层语义概念间关系，基于DBNMI模型进行自动建模；定量计算标注词间共现和对立的语义关系。采用该种基于DBNMI模型实现遥感影像自动标注的方法，针对海洋遥感影像语义标注任务感兴趣的区域仅占影像很小一部分，提出一种基于DBNMI的遥感影像语义自动标注模型，有效提高影像自动标注的精度，具有更广泛的应用范围。
-
公开(公告)号：CN107516317A
公开(公告)日：2017-12-26
申请号：CN201710710878.8
申请日：2017-08-18
申请人： 上海海洋大学
CPC分类号： G06T7/11 , G06K9/6256 , G06K9/6267 , G06N3/0454 , G06T2207/10044 , G06T2207/20081 , G06T2207/30181
摘要： 本发明涉及一种基于深度卷积神经网络的SAR影像海冰分类方法，包括以下步骤：S01：将已有的海冰SAR影像进行分割；S02：进行数据预处理；S03：进行模型训练并建立模型；S04：对待分类的海冰SAR影像进行处理；S05：将分类结果进行合并。其优点在于，该方法构建的卷积神经网络模型能够实现基于图像的特征自动提取，无需人手动过多干预；是一种针对SAR影像海冰端到端的分类方法，可以达到海冰监测的业务化水平、满足海上作业人员的实时性要求；模型依赖大量的标记样本可以自动提取图像特征，不必依赖专家知识；利用随机梯度下降法加速收敛，并根据损失函数和准确率判断模型训练的好坏；利用规范化处理解决网络参数优化反向传播中的梯度消失或梯度扩散问题。
-
公开(公告)号：CN107067386A
公开(公告)日：2017-08-18
申请号：CN201710272512.7
申请日：2017-04-24
申请人： 上海海洋大学
摘要： 本发明涉及一种基于相对全局直方图拉伸的浅海水下图像增强方法，所述的浅海水下图像增强方法包括输入图像模块、图像RGB直方图分布分析模块、相对全局直方图拉伸模块、全局拉伸模块、输出图像模块。其优点在于，图像增强计算复杂度低，获得的效果更好，鲁棒性好，适用于包括水下植物、浅海人员、海底岩石等多累浅海水下图像；计算相对拉伸范围的参数，并自动选择拉伸范围，可以精确定位需要被拉伸范围；利用颜色纠正方法，运用HSV色彩空间对S、V的全局拉伸弥补颜色损失；可以有效的增强水下图像的对比度、饱和度、可见度。
-
公开(公告)号：CN105930877A
公开(公告)日：2016-09-07
申请号：CN201610374807.0
申请日：2016-05-31
申请人： 上海海洋大学
IPC分类号： G06K9/62
CPC分类号： G06K9/627
摘要： 本发明公开了一种基于多模态深度学习的遥感影像分类方法，该方法包括以下步骤：首先构建多模态遥感影像数据样本集，包括不同成像原理的多模态遥感影像；基于不同的数据模态，构建数据模态敏感的特征学习深度网络，采用不同模态数据分别训练相应的特征学习深度网络；建立模态间特征关联模型生成关联共享特征并训练；采用测试样本集输入训练微调后的多模态深度网络，实现遥感影像精准分类。其优点表现在：有效利用多源遥感影像，挖掘模态间互补、合作信息，整个过程自动进行，减少了人工投入与主观人为因素导致的分类精度低，提高了分类精度。
-
-
-
-
-
-
-
-
-
搜索结果
37 条记录 (耗时 0.032 秒)
