本文涉及地面塌陷监测技术领域，更具体地，涉及一种基于孪生神经网络融合的地面塌陷监测方法，所述方法包括:获取地面塌陷的监测范围，并布设控制点和标靶点；获取实时InSAR扫描图像，并对其第一预处理，得到InSAR塌陷场图像；获取若干实时3D局部扫描图像，并对其第二预处理，通过孪生神经网络对其处理获取若干3D局部塌陷场图像；制定权重规则，并依照权重规则对若干3D局部塌陷场图像权重标记后拼接，得到带有权重标记的3D全局塌陷场图像；通过孪生神经网络对InSAR塌陷场图像和带有权重标记的3D全局塌陷场图像拼接，得到InSAR无缝塌陷场融合图像，并对其监测，获取监测结果。该方法可以弥补单一技术手段的不足，实现对地面塌陷的高精度和全覆盖的监测。

本文提供了一种模型训练方法、电子设备及存储介质，该方法包括:将第一训练样本数据输入待训练模型，得到第一训练样本数据的第一输出特征；根据第一输出特征和第一训练样本数据的历史输出特征，对待训练模型进行第一阶段对比学习训练，得到待训练模型对应的中间模型；将第二训练样本数据输入所述中间模型，得到第二训练样本数据的第二输出特征；根据第二输出特征和第二训练样本数据所对应的第三输出特征，对中间模型进行第二阶段对比学习训练；第三输出特征为将第二训练样本数据输入对比学习模型得到的，对比学习模型为第一阶段对比学习训练得到的中间模型。本申请实施例可以使得训练得到的模型的特征可以同时具备可判别性和可迁移性。

本文公开了一种基于ResNet‑50时间压缩的胃镜图片分类方法、装置和存储介质，涉及医学图像智能处理技术领域，所述方法包括:获取胃镜图片；对所述胃镜图片进行预处理；将预处理后的所述胃镜图片输入至ResNet‑50网络模型中，所述ResNet‑50网络模型的前三种残差结构中每种残差结构之后设置有分支分类器，最后一种残差结构之后设置有主干分类器；依次获取所述ResNet‑50网络模型中每个分类器的分类结果，根据获取到的分类结果确定所述胃镜图片的最终分类结果。解决了现有技术中人眼观察胃镜图片时由于医生经验水平等影响导致人为判断会存在误诊并且需要耗费大量时间的问题，达到了将胃镜图片输入至ResNet‑50网络模型之后即可自动输出分类结果，在基本不影响分类准确度的情况下节省测试时间的效果。

本技术提供一种电力设备故障维修方案展示方法及系统，方法包括:根据输入电子手册终端的电力设备的基础数据，确定所述电力设备的目标三维数字模型；根据输入电子手册终端的所述电力设备的故障信息，从所述电子手册终端中获取对应的故障维修方案；基于所述目标三维数字模型，对所述故障维修方案的故障维修过程进行展示。所述系统执行所述方法。本发明通过将电力故障维修方案的维修过程进行直观的展示，使技术人员在电子手册的辅助下可以更加高效的完成电力设备的故障维修工作。

 本技术公开了一种基于KAN‑Mamba的多源遥感图像语义分割方法及装置，用于提高遥感图像语义分割的准确度，包括KAN‑Mamba特征提取网络和Uper_Head解码器；所述KAN‑Mamba特征提取网络包括一个Stem卷积神经网络和四阶段的KAN‑Mamba特征提取模块，通过KAN‑Mamba特征提取网络对融合遥感图像进行分阶段的特征提取，获取多尺度特征；所述Uper_Head解码器，包括侧边特征构建单元、池化单元、特征融合单元和分类层，通过侧边特征构建单元和池化单元对多尺度特征进行侧边特征构建、池化操作，再通过特征融合单元进行逐级的特征融合，接着通过BottleNeck层进行通道融合，最后通过分类层得到语义分割标签。本发明对于多源遥感图像的语义分割准确率更高、模型收敛更快、细节信息更精确。

 本技术公开了一种基于混合分布的双层采样医学影像预训练方法及系统，结合了基于高斯分布的中心裁剪策略和基于局部梯度方向分布的掩码选择策略，用于提高医学图像预训练和分割的精度。高斯分布的中心裁剪策略通过利用符合高斯分布的基准中心点进行裁剪，使得裁剪区域更加集中于图像的主要部分；而基于局部梯度方向分布的掩码选择策略通过捕捉图像的形状特征，有效选择出医学影像中信息量较大的前景部分，从而在掩码重建过程中提高模型对图像关键特征的理解和分析能力。实验结果表明，本发明方法显著提升了医学影像分割的精度和可靠性。

 本技术公开了一种在线喷泉码的组合度分布设计及优化方法，包括:基于理想弧子分布、鲁棒弧子分布、纹波减少度分布和无标度LT码四种基本度分布，设计组合度分布；利用海洋捕食者算法在特定解码成功率或等效符号错误率下，以最小解码开销为约束，优化所述组合度分布的系数。该优化方法通过增加组合度分布中成员度分布的数量，并以特定符号错误率下的最小解码开销为目标函数，对成员的比例系数进行优化，从而提升喷泉码的性能。仿真结果表明，采用本发明所提方法设计与优化的组合度分布能够显著提升喷泉码的性能。

 本技术属于计算机视觉技术领域，公开一种基于快慢运动双分支网络的微表情识别方法。对微表情视频片段进行空间归一化和时间归一化处理，从中提取快运动和慢运动；设计快慢运动双分支网络，得到快运动特征和慢运动特征；通过特征相加的方式将快运动特征与慢运动特征进行融合，得到融合特征；采用分类器模块对融合特征进行分类，达到微表情识别。本发明快运动分支专注整体运动，捕获长期、整体的运动信息；慢运动分支专注细节运动，捕获短期、细节的运动信息，获得了性能提升。设计一种添加累积注意力的时空建模机制，在每阶段添加标记注意力模块实现累积注意力。而且本发明以像素差表示运动，简化了实现过程，降低计算复杂度。

 本技术提供了一种基于可控生成的图像处理方法、系统、终端和介质，包括:获取图像处理任务的条件信号以及信息提取模型，构建第一损失函数；选择预训练的扩散模型；基于扩散模型和第一损失函数进行迭代，包含：M1，从序列蒙特卡洛的初始分布中采样多个样本；M2，建立建议分布的优化估计和无条件的转移概率分布，获得序列蒙特卡洛的权重方程；M3，重采样得到新的样本；重复M1‑M3直至设定的迭代步数，得到最后的权重方程和采样的多个样本，得到最终生成的图像。本发明在文本条件图像生成、分割图条件图像生成、人脸图条件图像生成和风格图条件图像生成等任务中，能够实现高质量的多样的且免训练的图像条件生成，满足通用处理的需求。

 本技术公开一种基于动态线锚的轨道线检测方法，包括:收集包含轨道目标的图像和轨道线实例标注，并进行预处理，获得由原始图像张量和掩膜图像张量组成的数据集；根据获取的数据集，采用基于动态线锚和轨道对比学习的端到端的深度神经网络结构，训练获得轨道线检测模型；将待检测的图像输入到训练完成的轨道线检测模型，输出轨道线检测结果。本发明通过动态线锚和轨道对比学习的结合，有效提取轨道线特征，提高了轨道线检测的准确率，有效的改善了真实环境下面目前对复杂轨道线检测的准确度，更有利于今后自动驾驶领域的发展。