-
公开(公告)号：CN113409351A
公开(公告)日：2021-09-17
申请号：CN202110734149.2
申请日：2021-06-30
申请人： 吉林大学
摘要： 本发明公开一种基于最优传输的无监督领域自适应遥感图像分割方法，首先提出一种分割准确性权重计算，基于步骤一中提出的遥感图像分割准确性权重计算方法，进行遥感图像最优样本子集选择。对步骤二获得的遥感图像最优样本子集，进行最优传输特征选择。对步骤三获得的遥感图像特征选择结果，进行无监督领域自适应图像分割。本发明保证了两个域特征的整体性，同时衡量前景区域特征要比通常的样本特征更有针对性且更适合分割样本，更加准确，分割准确性权重能够更好地适应分割图像，能够使属于同一类别的两个域的分割图像更相近，从而提高熵正则化进行分割图像特征最优传输的精确度。
-
公开(公告)号：CN104679991A
公开(公告)日：2015-06-03
申请号：CN201510041738.7
申请日：2015-01-27
申请人： 吉林大学
IPC分类号： G06F19/00
摘要： 本发明公开了一种面向有序命题的信息融合新方法，围绕有序命题类问题，提出了基本支持函数的凸度、扩展无知、基本(或准-基本)支持函数λ*的信息心、信息熵，基本支持函数间的相容性等概念。提出与求质心不同的λ*“信息心”计算新方法，求λ*信息心只涉及λ*的较大信任值，其作用被突出，可理解为较大信任值被赋予了更大的权重。针对有多个最大信任值和/或“近似最大”信任值的λ*，提出了改进的信息熵计算方法，并验证了其有效性。最终提出了整合信息心、信息熵计算，相容性度量，非正整数信息心处理、扩展无知和凸度等的基本支持函数融合新方法，有效解决了有序命题类问题的信息融合问题。
-
公开(公告)号：CN108491923B
公开(公告)日：2021-09-24
申请号：CN201810316604.5
申请日：2018-04-10
申请人： 吉林大学
摘要： 本发明提出一种基于改进狼群算法优化贝叶斯网络的害虫图像识别方法，该方法包括以下步骤：步骤一：提出一种改进的二进制狼群算法(Improved binary Wolf Colony Algorithm，IBWCA)，对狼群算法进行改进，在探狼的游走行为中加入突变算子，在召唤行为中加入逼近算子，并在围攻行为中加入交互算子，在狼群的更新过程中提出用混沌运动的方式更新狼群；步骤二：基于改进的二进制狼群算法的贝叶斯结构学习优化算法(Bayesian Network Construction algorithm using IBWCA,BNC‑IBWCA)；步骤三：结合卷积神经网络与贝叶斯网络进行害虫图像的识别处理。用预训练好的卷积神经网络对训练集和测试集的图片进行特征提取，用贝叶斯分类器进行分类识别。
-
公开(公告)号：CN108648191B
公开(公告)日：2021-06-04
申请号：CN201810472227.4
申请日：2018-05-17
申请人： 吉林大学
摘要： 本发明公开一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，该方法包括以下步骤：步骤一、对害虫图像识别训练数据集进行预处理，使用富边缘检测算法(Rich‑Edge)对该灰度图进行害虫边缘检测。步骤二、构建贝叶斯宽度残差神经网络(Bayesian Wide‑ResidualNetwork，BWResNet)。步骤三、将步骤一得到的害虫边缘图像输入到步骤二构建的BWResNet中。利用步骤一中得到的害虫边缘图像训练集得到BWResNet的总误差函数。步骤四、利用步骤三中得到的误差函数，对网络进行训练。在这里我们提出分块共轭(Block‑cg)算法对网络进行训练。步骤五、根据步骤四中优化后的网络更新超参数。步骤六、重复执行步骤四、五，得到最终的网络，将害虫图像验证集输入到网络后得到的分类准确率更高。
-
公开(公告)号：CN109493308A
公开(公告)日：2019-03-19
申请号：CN201811350964.3
申请日：2018-11-14
申请人： 吉林大学
摘要： 本发明公开一种基于条件多判别生成对抗网络的医疗图像合成与分类方法，该方法包括以下步骤：一、对计算机断层扫描(Computed Tomography,简称CT)图像中病变区域进行分割，提取病变感兴趣区域(Region of Interest,简称ROIs)；二、对一中提取的病变ROIs进行数据预处理；三、设计基于条件多判别生成对抗网络(Conditional Multi-Discriminate Generative Adversarial Network,简称CMDGAN)模型架构，使用二中的图像对其进行训练，得到生成模型；四、使用三中得到的生成模型对提取的病变ROIs进行合成数据增强；五、设计多尺度残差网络(Multiscale ResNet Network,简称MRNet)并训练。本发明提出的方法，可以生成具有高质量的合成医疗图像数据集，分类网络对测试图像的分类准确率较高，从而更好的能够为医疗工作者提供辅助诊断。
-
公开(公告)号：CN103678680A
公开(公告)日：2014-03-26
申请号：CN201310728374.0
申请日：2013-12-25
申请人： 吉林大学
CPC分类号： G06K9/6217 , G06K9/6267
摘要： 一种基于感兴趣区域多元空间关系模型的图像分类方法本，涉及图像特征提取及模式识别，包括以下步骤：一、对原始图像检测感兴趣区域；二、提取感兴趣区域ROI的底层视觉特征；三、提取词袋特征；四、获得感兴趣区域ROI的多元空间关系；五、多元空间关系特征提取；六对词袋特征和多元空间关系特征进行特征融合及特征选择；七、使用参数优化后的分类器和步骤六获得的特征来训练样本。本发明提取的特征由于充分利用了感兴趣区域空间信息，使得图像分类精度大幅度提高；多元空间关系特征比纹理、颜色等其他图像特征更具有鲁棒性，对于训练集以外的新图像能够有效提取其自身固有的关键信息，因此取得更好的识别效果。
-
公开(公告)号：CN118196647A
公开(公告)日：2024-06-14
申请号：CN202410297061.2
申请日：2024-03-15
申请人： 吉林大学
IPC分类号： G06V20/13 , G06V10/764 , G06V10/774
摘要： 本发明公开一种基于非平衡相似性和类别映射的域适应遥感图像分类方法，该方法包含以下步骤：步骤一、计算样本可转移性权重。将源域和目标域样本输入由源域训练的网络框架，依据输出向量，计算源原型和样本可转移性权重。步骤二、基于步骤一提出的样本可转移性权重区分公共类别和私有类别样本，提出一种自适应补齐机制使得二者数量均衡。步骤三、对步骤二补齐的目标样本进行部分对齐操作生成分配矩阵Qst，非平衡相似性权重即Qst每行的最大值；并对目标样本和目标原型进行类全局映射操作，得到目标样本的分类预测向量。步骤四、基于步骤三得到的非平衡相似性权重和分类预测向量，检测目标域公共类别和私有类别样本。
-
公开(公告)号：CN118015380A
公开(公告)日：2024-05-10
申请号：CN202410271153.3
申请日：2024-03-11
申请人： 吉林大学
IPC分类号： G06V10/764 , G06N3/088 , G06V10/82 , G06V10/74
摘要： 本发明公开一种基于自监督原型分数和冻参分支约束的小样本域适应方法。该方法包括以下步骤：一、提出一种自监督原型分数计算方法，将文本提示模板与源域和目标域的图像输入模型的文本编码器和图像编码器，计算样本‑类别相似度矩阵，获得域内和域间的自监督原型分数。二、基于自监督原型分数，利用冻结参数的预训练模型分支进行辅助约束操作，获得兼具任务特定语义和泛化性的样本特征嵌入向量。三、进行跨域边界优化，将步骤二获得的样本特征嵌入向量通过分类器H计算跨域边界度量值，并根据此值调整分类边界获得样本预测概率向量。步骤四、确定目标域图像样本的分类边界，得到图像分类结果，本方法提升了小样本域适应图像分类的准确性。
-
公开(公告)号：CN107766894B
公开(公告)日：2021-01-22
申请号：CN201711068875.5
申请日：2017-11-03
申请人： 吉林大学
摘要： 本发明公开一种基于注意力机制和深度学习的遥感图像自然语言生成方法，该方法包括以下步骤：步骤一、预处理遥感图像和对应的自然语言描述。步骤二、将降噪后的遥感图像输入到密集定位卷积神经网络(Intensive Positioning Convolution Neural Network，简称IPCNN)中。步骤三、将步骤二获得的区域块输入到重分配长短期记忆网络(Reassignment Long‑Short Term Memory，简称RLSTM)中。进入到RLSTM的权重分配层中，利用多层网络函数分别求得每个区域的权重，最后通过RLSTM的深度输出层实现自然语言描述的整体输出。步骤四、将步骤三中生成的自然语言描述输入遥感图像语言描述打分模型，得到句子的打分。步骤五、将目标位置、类别标签和自然语言描述得分输入到数据库中，等待调用。
-
公开(公告)号：CN110110847B
公开(公告)日：2020-02-07
申请号：CN201910362771.8
申请日：2019-04-30
申请人： 吉林大学
摘要： 本发明公开了一种基于注意力的深度加速强化学习的目标定位方法，包括以下步骤：步骤一，向模型内输入图像，所述模型分为两个子网络，分别是深度强化学习网络和注意力网络；步骤二，模型处理图像，分为四个阶段：第一阶段，是深度强化学习的训练阶段，在强化学习框架下，目标定位任务会被对应到三个要素中去，该基于注意力的深度加速强化学习的目标定位方法，在原有的深度强化学习框架下添加了注意力网络；这个方法将利用强化学习训练过程产生的数据来对注意力网络进行训练，以此得到注意力向量，在这里将深度强化学习网络DQN黑盒问题研究转换为注意力向量的白盒问题，同时可利用注意力机制优化DQN对位置定位过程的控制。
-
-
-
-
-
-
-
-
-
搜索结果
34 条记录 (耗时 0.022 秒)
