-
公开(公告)号：CN116828189A
公开(公告)日：2023-09-29
申请号：CN202310710867.5
申请日：2023-06-15
IPC: H04N19/154 , H04N19/86 , H04N19/186 , H04N19/21 , H04N19/137 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及嵌入双重注意力机制的深度学习视频微小运动放大方法。本发明在深度网络的编码器部分加入了坐标注意力机制，把位置信息引入通道注意力特征图，捕获运动目标的远程依赖关系和精确的位置信息，并互补地用于纹理特征提取，增强运动对象纹理特征表示，从而有效减少放大视频的亮度、色彩和纹理的失真；同时在放大器部分嵌入自注意力机制，捕获前后帧形状差异特征的全局上下文信息，有效消减视频帧伪影、噪声和细节轮廓变形等问题。测试结果表明，本发明在运动放大处理后视频的主观视觉及客观评价中有较好的性能，减少了放大后视频帧的振铃伪影和模糊。
-
公开(公告)号：CN118863121B
公开(公告)日：2025-04-29
申请号：CN202410828162.8
申请日：2024-06-25
Applicant: 杭州师范大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/2433 , G06F18/214 , G06N3/0442 , G06N3/0464 , H02J3/00
Abstract: 本发明公开了一种基于堆叠集成模型的分布式区域发电功率预测方法，该预测方法以CNN网络和LSTM网络作为基础模型，结合多头注意力机制进行综合特征加权融合，既能够学习输入序列中的空间依赖关系，捕捉局部结构特征，又能捕捉序列中的短期依赖关系；同时，元模型采用GRU网络，避免了过拟合的风险，并且具有高效的计算性能、对快速变化和短期模式的敏感性、适应不同区域差异性的能力以及综合考虑子区域预测结果的能力。此外，通过GAT网络选择代表性发电站，使发电站能够更好的学习到该区域中其他发电站的时空特征信息和发电站本身的特征信息，能够更好地选出的代表整个子区域的光伏发电情况的发电站。
-
公开(公告)号：CN119761860A
公开(公告)日：2025-04-04
申请号：CN202411952014.3
申请日：2024-12-27
Applicant: 杭州师范大学
IPC: G06Q10/0637 , G06Q50/06 , G06N3/045 , G06N3/0442 , G06F18/213 , G06F18/2411
Abstract: 本发明公开了基于多种模态分解的多时间尺度光伏发电功率预测方法，其使用不同的信号处理方法分别对历史功率数据进行信号分解，获取两个子序列集合，并作为新特征加入数据样本集中，有效地避免了单一分解方法可能遗漏某些易于混叠的模态子序列的问题，解决了模态分解子序列可能出现信息量少、特征信息不足的问题。同时，对获取的两个子序列集合进一步进行信号分解，并将信号分解结果作为新特征加入数据样本集中，通过整合一步分解和两步分解得到的子序列、原始光伏发电功率数据及天气特征，有效地提取多样化且信息明确的特征，提高了分解结果的质量，从而提升预测性能。
-
公开(公告)号：CN118863121A
公开(公告)日：2024-10-29
申请号：CN202410828162.8
申请日：2024-06-25
Applicant: 杭州师范大学
IPC: G06Q10/04 , G06Q50/06 , G06F18/2433 , G06F18/214 , G06N3/0442 , G06N3/0464 , H02J3/00
Abstract: 本发明公开了一种基于堆叠集成模型的分布式区域发电功率预测方法，该预测方法以CNN网络和LSTM网络作为基础模型，结合多头注意力机制进行综合特征加权融合，既能够学习输入序列中的空间依赖关系，捕捉局部结构特征，又能捕捉序列中的短期依赖关系；同时，元模型采用GRU网络，避免了过拟合的风险，并且具有高效的计算性能、对快速变化和短期模式的敏感性、适应不同区域差异性的能力以及综合考虑子区域预测结果的能力。此外，通过GAT网络选择代表性发电站，使发电站能够更好的学习到该区域中其他发电站的时空特征信息和发电站本身的特征信息，能够更好地选出的代表整个子区域的光伏发电情况的发电站。
-
公开(公告)号：CN118096922A
公开(公告)日：2024-05-28
申请号：CN202410299406.8
申请日：2024-03-15
Applicant: 杭州师范大学
IPC: G06T11/00 , G06N3/0475 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于风格迁移和遥感影像生成地图的方法，本发明具构建的地图生成网络模型包括编码器、风格转换模块和解码器；通过融合多头自注意力机制与残差模块作为风格转换器，来捕捉地图特征之间的长程依赖关系；在解码器上采样阶段结合传统转置卷积与Carafe算子来更好地利用邻域信息提高上采样的质量；并对地图生成网络模型进行优化训练，将遥感影像输入经过训练后得到的最优模型中，输出相应的地图图像。本发明为上采样操作提供更精准的特征信息，通过上采样核预测和特征重组进行上采样操作，使生成的地图在道路、建筑物、边缘细节和地图内容色彩饱和度等方面有良好的视觉提升效果。解决了现有技术在生成地图时的细节丢失和内容不清晰问题。
-
Patent Agency Ranking
公开(公告)号：CN118247176A
公开(公告)日：2024-06-25
申请号：CN202410427190.9
申请日：2024-04-10
Applicant: 杭州师范大学
Abstract: 本发明公开了一种夜光遥感影像去云雾方法和装置，方法包括以下步骤：获取夜光遥感影像真实云雾数据集并构建扩充模拟云雾数据集；搭建双分支去云雾网络模型，其中CNN分支引入通道注意力模块和像素注意力模块捕获图像的局部特征，Transformer分支引入基于Swin Transformer的去云雾模块捕获图像的全局特征并与局部特征融合；构建包括均方差损失、感知损失和边缘损失的总损失函数，利用数据集及总损失函数对模型进行训练并保存；将新的有云雾图像输入模型得到去云雾清晰图像。本发明方法能有效捕捉夜光遥感影像中的局部和全局信息，提高对云雾遮挡区域的识别能力，实现更加智能、便捷和精确的端到端去云雾效果。
-
公开(公告)号：CN118093141A
公开(公告)日：2024-05-28
申请号：CN202410402563.7
申请日：2024-04-03
Applicant: 杭州师范大学
IPC: G06F9/48 , G06F9/50 , G06N3/0499 , G06N3/0985 , G06N3/092 , G06N7/01
Abstract: 本发明公开了一种基于元强化学习的边缘计算自适应任务编排调度方法，本发明利用原始策略梯度来处理高维且复杂的任务编排调度问题，通过元强化学习算法赋予模型快速适应动态环境的能力，基于概率分布和可用性数组来选择目标服务器，避免了将任务编排调度到异常服务器；同时克服了应用元强化学习时的动态环境敏感性，提高了方法整体的鲁棒性。本发明与现有技术相比，降低了任务失败率和任务完成时间，提高了系统稳定性，实现了负载平衡并且能够更好地适应动态的边缘计算环境，从而提高服务质量。有效地解决了大多数智能编排调度算法训练数据需求大、学习次数多、成本高和适应性差等问题，实现在动态边缘计算环境中的高效编排调度。
-
公开(公告)号：CN119625056A
公开(公告)日：2025-03-14
申请号：CN202411584621.9
申请日：2024-11-07
Applicant: 三峡大学
IPC: G06T7/73 , G06T7/00 , G06N3/082 , G06N3/0464 , G06N3/045
Abstract: 本申请提供一种绝缘子检测方法，包括以下步骤：S1、构建多姿态绝缘子串目标检测数据集；S2、构建绝缘子检测网络模型；S3、选定合适的位置进行网络剪枝，使得绝缘子检测网络模型轻量化；S4、训练绝缘子检测网络模型；S5、对待检测绝缘子串目标进行检测，将含有绝缘子串目标的图片输入训练好的绝缘子检测网络模型，输出图片中绝缘子串目标所在的每个外接矩形框位置的检测结果，通过以上步骤解决了现有目标检测方法在完成绝缘子目标检测任务时存在的多姿态的绝缘子串目标不能精确识别、复杂环境下的绝缘子目标识别效果差和大长宽比的绝缘子串识别准确率低等问题。
-
公开(公告)号：CN114359151B
公开(公告)日：2024-08-06
申请号：CN202111481981.2
申请日：2021-12-06
Applicant: 三峡大学
Abstract: 组合SegNet网络和局部Nakagami分布拟合模型的超声图像分割方法，包括：(1)利用超声图像集和分割真值集对SegNet网络进行训练，预训练的SegNet网络进行超声图像的粗分割；(2)将SegNet网络的粗分割结果转化为初始化水平集函数，利用局部Nakagami分布拟合模型实现精分割，既能克服SegNet网络分割超声图像所出现的边缘定位精度不足问题，也能克服水平集分割方法的初始化敏感问题，从而实现高精度且高效率的超声图像自动分割。
-
公开(公告)号：CN117830884A
公开(公告)日：2024-04-05
申请号：CN202311583446.7
申请日：2023-11-24
Applicant: 三峡大学
IPC: G06V20/40 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06V30/148 , G06N3/084
Abstract: 一种基于人工智能模型的水尺验潮方法，包括：Step1、水尺图像数据的采集与预处理；Step2、水尺图像数据集的制作；Step3、YOLOv5s网络的轻量化改进与水尺数据集的预训练；Step4、水尺图像中字符的识别与水尺的读数；Step5、潮位值的计算。在YOLOv5s网络模型的基础上，将主干特征提取网络更换为PP‑LCNet网络，减少了参数量的计算，提高了检测速度，并使用DIoU‑NMS非极大值抑制方法，加速了最小化预测框和真实框的中心点距离的收敛，提高了检测精度。本发明通过实验验证，与其他算法相比，本发明具有明显的性能优势，在保证较高检测速度的同时，也能满足实际检测的精度要求，且模型占用内存小，适合后续摄像头的嵌入式开发。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.037 seconds)
