-
公开(公告)号：CN116563173A
公开(公告)日：2023-08-08
申请号：CN202310845396.9
申请日：2023-07-11
申请人： 成都理工大学
摘要： 本发明公开了一种基于多噪声自监督学习的探地雷达图像去噪方法，包括大量获取探地雷达的真实图像，构成数据集；构造一多噪声自监督学习去噪网络并设计混合损失函数；训练得到噪声自监督学习去噪模型；最后输入待去噪的真实图像，送入噪声自监督学习去噪模型中，由去噪网络输出对应的真实图像去噪图作为去噪后的图像。本发明针对基于单一噪声的自监督去噪方法无法有效应对真实探地雷达图像中多种噪声干扰、基于遮挡的盲去噪方法丢失异常区域的特征细节问题，用随机噪声水平的多种噪声生成自监督噪声数据，提升去噪网络的泛化能力，并用滤波去噪方法生成预去噪图像作为网络训练时的约束，显著提高了对探地雷达图像中的复杂噪声的去噪性能。
-
公开(公告)号：CN116306875B
公开(公告)日：2023-08-01
申请号：CN202310559996.9
申请日：2023-05-18
申请人： 成都理工大学
IPC分类号： G06N3/08 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10
摘要： 本发明公开了一种基于空间预学习与拟合的排水管网样本增量学习方法，属于图像分类识别领域，包括（1）获取初始数据集，（2）训练得到能识别排水管网多种缺陷类别的初始模型，（3）为下次学习出现的未知新数据预分配空间，微调初始模型，（4）执行增量学习任务时，从数据集中选择部分训练数据，与上一模型的特征空间进行拟合，并同时为下一学习任务进行空间预分配。本发明通过提前为可能出现的新排水管网图像数据预分配空间，同时在新排水管网图像数据学习时进行新数据选择，并使其尽可能拟合预先分配的空间，使模型能避免新旧数据因特征差异大造成的模型整体识别性能下降，提升识别准确率。
-
公开(公告)号：CN116306875A
公开(公告)日：2023-06-23
申请号：CN202310559996.9
申请日：2023-05-18
申请人： 成都理工大学
IPC分类号： G06N3/08 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06V20/10
摘要： 本发明公开了一种基于空间预学习与拟合的排水管网样本增量学习方法，属于图像分类识别领域，包括（1）获取初始数据集，（2）训练得到能识别排水管网多种缺陷类别的初始模型，（3）为下次学习出现的未知新数据预分配空间，微调初始模型，（4）执行增量学习任务时，从数据集中选择部分训练数据，与上一模型的特征空间进行拟合，并同时为下一学习任务进行空间预分配。本发明通过提前为可能出现的新排水管网图像数据预分配空间，同时在新排水管网图像数据学习时进行新数据选择，并使其尽可能拟合预先分配的空间，使模型能避免新旧数据因特征差异大造成的模型整体识别性能下降，提升识别准确率。
-
公开(公告)号：CN116447528A
公开(公告)日：2023-07-18
申请号：CN202310355850.2
申请日：2023-04-06
申请人： 成都理工大学
摘要： 本发明公开了一种基于图神经网络和LSTM网络的管道油气泄漏检测方法，包括采集光纤温度数据及预处理，对数据进行异常温度标记，切割成样本段；将样本段转化为图结构数据；构建由图神经网络和LSTM网络构成的融合网络，用图结构数据训练得到训练好的图神经网络和LSTM网络融合模型，用于待测区域泄漏检测。本发明提出了一种新的异常温度定位方法，采用图神经网络构建各信号节点的空间关系并捕捉信号的空间特性，采用LSTM网络捕捉信号的时域特性，相比于现有技术，本方法综合考虑了信号的空间相关性与时序性，能够准确检测与定位城市地下管廊的温度异常事件，检测精度高，实用性强，速度快。
-
公开(公告)号：CN116563169A
公开(公告)日：2023-08-08
申请号：CN202310830951.0
申请日：2023-07-07
申请人： 成都理工大学
IPC分类号： G06T5/00 , G06V10/44 , G06T7/11 , G06N3/09 , G06V10/774
摘要： 本发明公开了一种基于混合监督学习的探地雷达图像异常区域增强方法，包括以下步骤：构建一包含真实图像集合、仿真图像集合和仿真图像标签集合的数据集；构造一混合监督双循环增强网络；采用半监督和无监督的方式交替训练网络得到模型；将一需要进行异常区域增强的雷达真实图像，输入训练好的模型中，输出一对异常区域增强后的图像。本发明克服了仿真图像与真实图像特征存在差异、无监督方法对真实图像信息利用效率低等问题，提升了增强网络对真实图像信息的利用效率，提高了增强网络在真实图像上的异常区域显著性增强泛化能力，从而有效增强探地雷达图像中的异常区域的显著性。
-
公开(公告)号：CN116563173B
公开(公告)日：2023-09-08
申请号：CN202310845396.9
申请日：2023-07-11
申请人： 成都理工大学
摘要： 本发明公开了一种基于多噪声自监督学习的探地雷达图像去噪方法，包括大量获取探地雷达的真实图像，构成数据集；构造一多噪声自监督学习去噪网络并设计混合损失函数；训练得到噪声自监督学习去噪模型；最后输入待去噪的真实图像，送入噪声自监督学习去噪模型中，由去噪网络输出对应的真实图像去噪图作为去噪后的图像。本发明针对基于单一噪声的自监督去噪方法无法有效应对真实探地雷达图像中多种噪声干扰、基于遮挡的盲去噪方法丢失异常区域的特征细节问题，用随机噪声水平的多种噪声生成自监督噪声数据，提升去噪网络的泛化能力，并用滤波去噪方法生成预去噪图像作为网络训练时的约束，显著提高了对探地雷达图像中的复杂噪声的去噪性能。
-
公开(公告)号：CN116563169B
公开(公告)日：2023-09-05
申请号：CN202310830951.0
申请日：2023-07-07
申请人： 成都理工大学
IPC分类号： G06T5/00 , G06V10/44 , G06T7/11 , G06N3/09 , G06V10/774
摘要： 本发明公开了一种基于混合监督学习的探地雷达图像异常区域增强方法，包括以下步骤：构建一包含真实图像集合、仿真图像集合和仿真图像标签集合的数据集；构造一混合监督双循环增强网络；采用半监督和无监督的方式交替训练网络得到模型；将一需要进行异常区域增强的雷达真实图像，输入训练好的模型中，输出一对异常区域增强后的图像。本发明克服了仿真图像与真实图像特征存在差异、无监督方法对真实图像信息利用效率低等问题，提升了增强网络对真实图像信息的利用效率，提高了增强网络在真实图像上的异常区域显著性增强泛化能力，从而有效增强探地雷达图像中的异常区域的显著性。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.071 秒)