-
公开(公告)号：CN116452498B
公开(公告)日：2025-03-21
申请号：CN202310223766.5
申请日：2023-03-09
Applicant: 内蒙古农业大学
Abstract: 本发明公开了一种改进U2‑Net的显著性蒙古族图案检测算法，包括：获取待检测图像；将待检测图像输入显著性蒙古族图案检测模型，输出得到显著性蒙古族图案检测结果；其中显著性蒙古族图案检测模型为基于改进的U2‑Net网络的深度学习模型，包括编码器、解码器、特征补充提取模块、轻量级组合注意力模块和特征图融合模块；其中特征补充提取模块采用小尺寸卷积核串联的方式，能够增大感受野，减少计算成本，预测得到的显著图更加完整；轻量级组合注意力模块在不显著增加计算成本的前提下，使显著图的边界定位更加精准，同时抑制冗余的背景噪声，解决了显著性蒙古族图案的预测存在不完整、边缘不够精确、检测精确度不高的技术问题。
-
公开(公告)号：CN118485608A
公开(公告)日：2024-08-13
申请号：CN202410696237.1
申请日：2024-05-31
Applicant: 内蒙古农业大学 , 内蒙古智信锐和科技有限公司
IPC: G06T5/77 , G06T5/60 , G06N3/0464 , G06N3/045 , G06N3/094 , G06N3/0475
Abstract: 本发明涉及图像修复技术领域，具体提供一种蒙古族图案修复方法，包括步骤：构建并训练图案修复模型；获取待修复蒙古族图案的原始图像；将原始图像输入到训练后的全局粗修复网络进行第一次修复，得到待修复蒙古族图案的初步修复图像；将初步修复图像输入到训练后的局部细化网络进行第二次修复，得到待修复蒙古族图案的二次修复图像；将二次修复图像输入到训练后的全局细化网络进行第三次修复，得到待修复蒙古族图案的最终修复图像。通过上述技术方案，解决了现有的图像修复技术在处理蒙古族图案时存在特征识别不精确、风格一致性欠缺、模型训练困难、修复效果受限的技术问题。
-
公开(公告)号：CN116664398A
公开(公告)日：2023-08-29
申请号：CN202310475255.2
申请日：2023-04-28
Applicant: 内蒙古农业大学
Abstract: 本发明公开了一种基于轻量级双分支网络的图像超分辨率重建方法，具体为：首先应用两个3x3卷积层进行浅特征提取；之后输入到中间层模块FEDAB中进行局部特征的提取以及通过反向融合BFM模块进行特征的融合，同时残差连接一个初始特征，避免梯度消失；输入递归Transformer中，再与一个分支相叠加；最后将其发送到重建模块进行超分辨率图像重建。本发明优于目前可用的其他方法，在模型复杂性和性能之间取得了更好的平衡。
-
公开(公告)号：CN116340838B
公开(公告)日：2025-04-11
申请号：CN202310073968.6
申请日：2023-02-07
Applicant: 内蒙古农业大学
IPC: G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多特征融合的自注意力机制的内蒙古草原的分类方法，通过构建包括一维卷积神经网络结构、Transformer编码器结构以及全连接分类网络结构的内蒙古草原草地类型分类模型；对NDVI时序数据、气温时序数据和降水时序数据分别进行处理，并进行特征融合，将融合后的特征数据分别输入一维卷积神经网络和Transformer编码器结构，对输出的特征数据进行拼接，拼接后得到的特征数据再输入至全连接分类网络结构，最终输出得到内蒙古草原草地分类结果。解决野外采样识别费时费力，现有的机器学习或深度学习方法进行草原草地类型识别不够准确、分类不够精确的技术问题。
-
公开(公告)号：CN116452498A
公开(公告)日：2023-07-18
申请号：CN202310223766.5
申请日：2023-03-09
Applicant: 内蒙古农业大学
Abstract: 本发明公开了一种改进U2‑Net的显著性蒙古族图案检测算法，包括：获取待检测图像；将待检测图像输入显著性蒙古族图案检测模型，输出得到显著性蒙古族图案检测结果；其中显著性蒙古族图案检测模型为基于改进的U2‑Net网络的深度学习模型，包括编码器、解码器、特征补充提取模块、轻量级组合注意力模块和特征图融合模块；其中特征补充提取模块采用小尺寸卷积核串联的方式，能够增大感受野，减少计算成本，预测得到的显著图更加完整；轻量级组合注意力模块在不显著增加计算成本的前提下，使显著图的边界定位更加精准，同时抑制冗余的背景噪声，解决了显著性蒙古族图案的预测存在不完整、边缘不够精确、检测精确度不高的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN118485608B
公开(公告)日：2025-04-15
申请号：CN202410696237.1
申请日：2024-05-31
Applicant: 内蒙古农业大学 , 内蒙古智信锐和科技有限公司
IPC: G06T5/77 , G06T5/60 , G06N3/0464 , G06N3/045 , G06N3/094 , G06N3/0475
Abstract: 本发明涉及图像修复技术领域，具体提供一种蒙古族图案修复方法，包括步骤：构建并训练图案修复模型；获取待修复蒙古族图案的原始图像；将原始图像输入到训练后的全局粗修复网络进行第一次修复，得到待修复蒙古族图案的初步修复图像；将初步修复图像输入到训练后的局部细化网络进行第二次修复，得到待修复蒙古族图案的二次修复图像；将二次修复图像输入到训练后的全局细化网络进行第三次修复，得到待修复蒙古族图案的最终修复图像。通过上述技术方案，解决了现有的图像修复技术在处理蒙古族图案时存在特征识别不精确、风格一致性欠缺、模型训练困难、修复效果受限的技术问题。
-
公开(公告)号：CN116340838A
公开(公告)日：2023-06-27
申请号：CN202310073968.6
申请日：2023-02-07
Applicant: 内蒙古农业大学
IPC: G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多特征融合的自注意力机制的内蒙古草原的分类方法，通过构建包括一维卷积神经网络结构、Transformer编码器结构以及全连接分类网络结构的内蒙古草原草地类型分类模型；对NDVI时序数据、气温时序数据和降水时序数据分别进行处理，并进行特征融合，将融合后的特征数据分别输入一维卷积神经网络和Transformer编码器结构，对输出的特征数据进行拼接，拼接后得到的特征数据再输入至全连接分类网络结构，最终输出得到内蒙古草原草地分类结果。解决野外采样识别费时费力，现有的机器学习或深度学习方法进行草原草地类型识别不够准确、分类不够精确的技术问题。
-
公开(公告)号：CN114722192A
公开(公告)日：2022-07-08
申请号：CN202210242287.3
申请日：2022-03-11
Applicant: 内蒙古农业大学
Abstract: 本申请公开了一种基于异构图神经网络的纪检线索多标签分类方法，构建并利用基于文本异构图的文本多标签分类模型进行分类，提高分类效率。对文本进行预处理，并构建异构图结构。将异构图结构中的不同类型的节点的向量表示初始化，将得到的节点向量表示和异构图结构输入异构图神经网络，并将得到的句子节点向量表示输入BILSTM神经网络，获得的内容向量表示和句子节点向量表示通过注意力机制后输入全连接网络，输出标签分类结果，从而实现针对不同边信息和节点类型信息进行节点更新。解决了现有的纪检线索多标签分类方法存在的分类效率较低，限制了文本的表示能力以及不能根据不同边信息和节点类型信息进行节点更新的技术问题。
-
公开(公告)号：CN114781354B
公开(公告)日：2025-04-15
申请号：CN202210242295.8
申请日：2022-03-11
Applicant: 内蒙古农业大学
IPC: G06F40/211 , G06F40/30 , G06N3/0442 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本申请公开了一种基于扩增存储的图卷积神经网络的关键词抽取方法，通过设置扩增存储图卷积神经网络关键词抽取模型提升多层图卷积神经网络的节点表示能力。对文本进行预处理以及对文本进行句法分析，将分析结果分别输入到词语嵌入层，得到文本图结构信息和词语节点的嵌入信息并输入到扩增存储的图卷积神经网络层，获得相应的向量表示，将向量表示进行拼接后输入到LSTM层，得到输出向量，将向量表示和输出向量传送至输出层进行拼接并输出至目标层，获得输出类别。解决了现有的短文本关键词抽取方法关键词抽取性能较差，使用的图卷积神经网络随着卷积层的提升降低了节点的表示能力的技术问题。
-
公开(公告)号：CN117034065A
公开(公告)日：2023-11-10
申请号：CN202310842945.7
申请日：2023-07-11
Applicant: 内蒙古农业大学
IPC: G06F18/2337 , G06F18/23213
Abstract: 本发明提供一种时序数据的模糊表示及聚类方法，包括以下步骤：步骤S1、对原始时序数据集Xm*n进行平滑处理，得到处理后的时序数据集XSm*n，其中，m表示样本数量，n表示各样本中的时间点；步骤S2、通过隶属度函数对处理后的时序数据集XSm*n进行模糊化，得到模糊字符串集Sm*n；步骤S3、将模糊字符串集Sm*n中的每个样本分段，得到每个样本的模糊子f，重复m次，得到模糊子集合fm*n；步骤S4、通过层次聚类和轮廓系数，确定最佳聚类个数；步骤S5、基于最佳聚类个数，分别通过K‑means和Birch聚类算法进行聚类，通过轮廓系数和CH指数对两个聚类结果进行评估，选取最优的评估结果作为聚类结果。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
