-
公开(公告)号：CN119832392A
公开(公告)日：2025-04-15
申请号：CN202510307300.2
申请日：2025-03-17
Applicant: 中国海洋大学
IPC: G06V10/82 , G06V10/80 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/62 , G06V10/74 , G06V20/10 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/098 , G06N3/048
Abstract: 本申请涉及海洋温度预测技术领域，公开了基于分布式跨尺度联合学习的海表面温度预测方法及系统，构建基于分布式跨尺度联合学习的海表面温度预测模型，预测模型包括：本地特征学习模块，部署在本地系统中的每个本地节点，用于对本地节点上存储的海表面温度图像序列进行本地特征学习并输出本地节点的海表面温度预测结果；跨尺度联合学习模块，部署于分布式系统，通过图学习模块学习不同本地节点上的不同尺度海表面温度图像特征，动态优化每个本地节点间的通信权重，实现不同本地节点的梯度聚合，指导跨尺度联合学习。本申请在训练过程中不直接传输图像数据，避免了数据泄露，动态优化通信权重矩阵，充分考虑海温数据的跨尺度特征。
-
公开(公告)号：CN119206459B
公开(公告)日：2025-04-15
申请号：CN202411709651.8
申请日：2024-11-27
Applicant: 中国海洋大学
IPC: G06V20/00 , G06V10/764 , G06V10/82 , G06V10/44 , G06V10/42 , G06V10/46 , G06V10/80 , G06T7/13 , G06T7/168 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明属于图像篡改检测技术领域，特别涉及基于轮廓引导的相互聚合复制移动遥感图像篡改检测方法，包括步骤1、输入复制移动篡改图像；步骤2、相似区域检测；步骤3、篡改边缘检测；步骤4、信息融合；步骤5、轮廓检测；步骤6、类信息融合；步骤7、轮廓引导区域建模；步骤8、输出篡改检测图像。通过本发明解决特征提取过程中信息冗余的问题，并解决全局建模特征混乱的问题。
-
公开(公告)号：CN119203795B
公开(公告)日：2025-04-15
申请号：CN202411709659.4
申请日：2024-11-27
Applicant: 中国海洋大学
IPC: G06F30/27 , G06F30/28 , G06N3/045 , G06N3/0442 , G06N3/084 , G06F113/08 , G06F119/14 , G06N3/048
Abstract: 本发明属于机器学习技术领域，公开了基于物理信息门控循环求解速度势场的系统、方法及应用，所述系统包括在不同服务器上并行运算的物理信息门控循环单元，所述物理信息门控循环单元包括高维时空域分解模块、后向时间片关联模块、双神经网络求解模块；通过本发明合理利用时间关联信息，对于划分好的高速场和低速场，通过不同的服务器分别完成计算后再组合为完整的速度势场，通过本发明实现快速的流速预测。
-
公开(公告)号：CN119622275A
公开(公告)日：2025-03-14
申请号：CN202510151859.0
申请日：2025-02-12
Applicant: 中国海洋大学
IPC: G06F18/20 , G06F18/213 , G06F18/25 , G06N5/04 , G06N3/0455
Abstract: 本发明属于海浪波高预测技术领域，公开了基于大型语言模型的海浪波高预测方法、系统及介质，包括S1、地理位置编码的步骤：对海浪波高数据进行地理位置编码，生成融合地理位置信息的海浪波高数据；S2、基于注意力机制的海浪波高语义特征编码的步骤：对步骤S1输出的海浪波高数据进行自编码，输出海浪自编码特征，对海浪物理场特征进行自编码，输出词向量特征，利用跨模态注意力机制实现海浪自编码特征和词向量特征之间的交互，输出领域特定语义特征；S3、基于海浪波高领域提示词驱动的大型语言模型预测的步骤：将领域特定语义特征输入到大型语言模型中，输出预测特征。通过本发明有效挖掘海浪复杂时空变化信息，实现海浪波高的精确预测。
-
公开(公告)号：CN118313439B
公开(公告)日：2025-02-14
申请号：CN202410463892.2
申请日：2024-04-17
Applicant: 中国海洋大学
IPC: G06N3/096 , G06N3/0464 , G06V20/13 , G06V10/82
Abstract: 本发明公开了一种面向海洋遥感图像分析的并行增量深度学习方法，涉及海洋遥感技术领域。该方法在聚焦图像的相似性的基础上提出了一种易于移植的基于增量裁剪的训练和推理加速框架，可通过共享的相同区域计算达到加速网络计算的效果。此外，由于现有的增量加速技术由共享共同操作所产生的共享收益显然对输入序列的相似性非常敏感，而相似性很大程度上取决于输入顺序，本方案探索了一种新的感知语义差异的排序方法，将其应用到周期性视频序列和图像序列中，并据此展开多种性能优化技术研究。
-
Patent Agency Ranking
公开(公告)号：CN114443954B
公开(公告)日：2024-09-17
申请号：CN202210018292.6
申请日：2022-01-07
Applicant: 中国海洋大学
IPC: G06F16/9535 , G06F16/901 , G06N3/0455 , G06N3/096
Abstract: 本发明公开了基于高阶图结构的一对多跨域推荐方法及系统，该跨域推荐方法在用户和项目嵌入表征过程中，利用高阶图结构建立多个嵌入迁移模块，将密集源域的用户和项目多层次结构化信息用于指导稀疏目标域的用户和项目表征，该方法首先获取源域的带有上下文不变量的用户和项目表征，然后用源域数据训练嵌入迁移模块的嵌入部分，最后，用训练好的嵌入迁移模块的迁移部分拟合目标域的残差层，达到迁移的目标。
-
公开(公告)号：CN118365549B
公开(公告)日：2024-08-20
申请号：CN202410796543.2
申请日：2024-06-20
Applicant: 中国海洋大学
Abstract: 本发明属于图像处理技术领域，公开了基于多尺度傅里叶融合神经算子的海温补全方法及系统，方法包括步骤S1、预训练，通过预训练得到均值多尺度解耦的频率信号学习模块和波动多尺度解耦的频率信号学习模块的权重；步骤S2、基于预训练的多尺度波动频率信号学习，得到大尺度、中尺度、小尺度三个不同尺度的频率信号，步骤S3、基于多尺度傅里叶融合神经算子的补全，得到补全的图像；步骤S4、全局和局部多尺度判别。通过本发明使得补全的图像更符合真实海温图像，提高了补全的质量。
-
公开(公告)号：CN118313439A
公开(公告)日：2024-07-09
申请号：CN202410463892.2
申请日：2024-04-17
Applicant: 中国海洋大学
IPC: G06N3/096 , G06N3/0464 , G06V20/13 , G06V10/82
Abstract: 本发明公开了一种面向海洋遥感图像分析的并行增量深度学习方法，涉及海洋遥感技术领域。该方法在聚焦图像的相似性的基础上提出了一种易于移植的基于增量裁剪的训练和推理加速框架，可通过共享的相同区域计算达到加速网络计算的效果。此外，由于现有的增量加速技术由共享共同操作所产生的共享收益显然对输入序列的相似性非常敏感，而相似性很大程度上取决于输入顺序，本方案探索了一种新的感知语义差异的排序方法，将其应用到周期性视频序列和图像序列中，并据此展开多种性能优化技术研究。
-
公开(公告)号：CN114972857B
公开(公告)日：2024-07-02
申请号：CN202210545574.1
申请日：2022-05-19
Applicant: 中国海洋大学
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/44 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明属于图像处理技术领域，公开了双分支源与目标定位复制移动检测网络系统及方法，该网络系统包括操纵检测分支和相似性检测分支，操纵检测分支包括操纵检测主干和边缘辅助分支，相似性检测分支包括VGG16编码器的前三个块、空洞卷积层、相似性匹配模块、ASPP多尺度模块和掩膜解码器；通过操纵检测分支的操纵检测主干提取图像信息表征，并生成篡改区域掩膜；经过操纵检测分支的边缘辅助分支优化边缘；通过相似性检测分支的相似性匹配模块对第三层的输出和空洞卷积层的输出进行自相关匹配，经过ASPP多尺度模块提取多尺度相关信息，生成相似区域掩膜；最后篡改区域掩膜和相似区域掩膜融合。通过本发明提高检测效果。
-
公开(公告)号：CN118133033A
公开(公告)日：2024-06-04
申请号：CN202311376344.8
申请日：2024-05-09
Applicant: 中国海洋大学
IPC: G06F18/22 , G06F18/23 , G06F18/213 , G06N3/0464 , G06N3/08 , G06F17/16 , G06F17/18
Abstract: 本发明属于故障诊断技术领域，公开了基于相似度量及稀疏聚焦的未知故障检测方法，包括预训练和新类发现两个阶段，预训练阶段用于在滚动轴承的标记数据上成对训练相似性预测网络，其中相似性预测网络即类别差异性特征提取模块Ⅰ包括判别性特征稀疏聚焦模块和孪生网络，类别差异性特征提取模块Ⅰ的输入是成对标记数据，所述成对标记数据是成对相似样本或者成对不相似样本；新类发现阶段用于识别和发现新类：输入数据为不同类别的无标签数据，通过本发明实现无标签故障样本的精准分类。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.051 seconds)
