-
公开(公告)号：CN119762652A
公开(公告)日：2025-04-04
申请号：CN202510265593.2
申请日：2025-03-07
Applicant: 杭州电子科技大学丽水研究院
Abstract: 本发明公开了一种基于深度去噪的三维高斯渲染方法。首先基于图片序列或者视频获取场景点云和相机位姿，然后基于获取的点云构造神经辐射图；对得到的神经辐射图进行深度去噪；通过端到端训练得到训练好的场景表达；最后通过训练得到的场景表达实现三维高斯渲染。本发明专注于解决光栅化过程中由于采样不充分引入的噪声问题。通过利用深度去噪技术，本发明能够有效去除渲染结果中的“伪影”，可以大幅提升渲染结果的清晰度与真实感，为高质量图形生成与显示提供了一种可靠的技术支持。
-
公开(公告)号：CN117029858A
公开(公告)日：2023-11-10
申请号：CN202311052725.0
申请日：2023-08-21
Applicant: 杭州电子科技大学丽水研究院
IPC: G01C21/34
Abstract: 本发明公开了一种基于改进式蚁群算法的外卖员路径规划系统及方法。本发明系统包括订单信息授权模块、外卖员当前位置获取模块、商家及配送位置获取模块、路况匹配模块、外卖员配送路径规划模块和外卖员配送路径导航模块。相比于外卖员自行寻找配送路径，本发明专利提出的外卖员路径规划系统通过小程序获取外卖员订单信息，系统将外卖员位置以及商家位置和订单配送位置与地图上的路况信息进行对应，并且通过改进式遗传算法对外卖员配送路径进行规划。同时系统及时更新订单信息，及时对路径进行重新规划，提高了外卖员配送的效率。
-
公开(公告)号：CN116071606A
公开(公告)日：2023-05-05
申请号：CN202310210827.4
申请日：2023-03-07
Applicant: 杭州电子科技大学丽水研究院
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/40 , G06N3/047 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于多尺度多注意力实例学习的sMRI图像分类方法，首先获取数据集，构建多尺度多注意力实例学习模型，通过空间金字塔池化模块将不同大小脑区转化为相同尺度；通过patch‑net处理模块获取相应的局部特征增强；通过注意力多实例学习模块来增强全局特征；通过分类器得到分类结果；最后通过训练多尺度多注意力实例学习模型。本发明是采取了区域块的分析方法，能获取对大脑病变影响更大的位置，引入了双注意机制，能增强到局部和全局的特征；本发明采用了将分割数据和脑区数据结合的多模态数据，加强分类效果。
-
公开(公告)号：CN119762351A
公开(公告)日：2025-04-04
申请号：CN202510265590.9
申请日：2025-03-07
Applicant: 杭州电子科技大学丽水研究院
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于退化预测的真实图像超分变率方法。首先进行数据集获取及预处理；通过退化预测网络从低分辨率图像中提取退化特征信息；将得到的退化特征信息与低分辨率图像送入重建网络进行增强，生成最终的高分辨率图像。本发明通过使用一种退化感知的重建模块，并将其嵌入到Transformer架构中，能够利用学习到的退化信息并通过自注意机制更好地挖掘高层语义信息并恢复纹理细节；能够从LR图像中预测其退化特征，处理真实退化的低分辨率图像，不受合成退化的限制。
-
公开(公告)号：CN118485904A
公开(公告)日：2024-08-13
申请号：CN202410503650.1
申请日：2024-04-25
Applicant: 杭州电子科技大学丽水研究院
IPC: G06V10/82 , A63F13/822 , G06V10/26 , G06V10/764 , G06N3/088 , G06N3/0464 , G06T7/70 , A63F13/85
Abstract: 本发明涉及机器视觉技术领域，更具体地说，本发明涉及一种基于CNN图像处理的三消游戏辅助系统及方法，方法包括：一种基于CNN图像处理的三消游戏辅助方法，包括以下步骤：步骤1：对游戏界面的图像进行截取，获得棋盘的图像；步骤2：采用Mask‑RCNN方法对获得的图像进行无监督学习，获得预训练模型；步骤3：利用预训练模型对棋盘内的棋子进行分割，得到棋子的分类和位置；步骤4：根据图像处理结果模拟棋盘；步骤5：基于三消游戏的逻辑，设计三消游戏算法R，确定最优操作；本发明提出一种新颖的三消游戏算法，能够辅助用户得出最佳操作。
-
Patent Agency Ranking
公开(公告)号：CN116797785A
公开(公告)日：2023-09-22
申请号：CN202310327951.9
申请日：2023-03-30
Applicant: 杭州电子科技大学丽水研究院
IPC: G06V10/26 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于特征提炼的伪装物体检测方法，首先获取伪装物体检测数据集，进行数据预处理；构建基于特征提炼的伪装物体检测模型；再通过训练集对构建好的基于特征提炼的伪装物体检测模型训练，对预测结果使用结构损失函数进行监督学习。最后对模型训练结果加以验证。本发明基于特征提炼的方式来构建伪装物体检测模型，对伪装物体图像的特征进行增强处理以及去除背景噪声，利用结构损失函数对结果进行监督学习，使得预测结果更加准确，具有较强的鲁棒性，从而实现对伪装物体的精确分割，对社会具有重要意义。
-
公开(公告)号：CN116245968A
公开(公告)日：2023-06-09
申请号：CN202310210835.9
申请日：2023-03-07
Applicant: 杭州电子科技大学丽水研究院
Abstract: 本发明公开了基于Transformer的LDR图像生成HDR图像的方法，首先构建基于Transformer的HDR图像生成模型，包括浅层特征对齐模块、金字塔融合模块和图像重建模块；通过浅层特征对齐模块进行特征对齐，通过金字塔融合模块对对齐后的特征进行处理，获得不同尺度的特征，将金字塔融合模块处理后的不同尺度的特征融合成一个尺度；再将融合后的特征送入图像重建模块进行图像重建；最后将图像重建模块输出的结果使用卷积操作得到3层的HDR最终图片。本发明可以更好地学习非局部特征并自适应地减少虚拟阴影。本发明提出了一种新的金字塔融合模块，使图像可以与较低计算成本和根据全局信息。
-
公开(公告)号：CN117217991A
公开(公告)日：2023-12-12
申请号：CN202311026041.3
申请日：2023-08-15
Applicant: 杭州电子科技大学丽水研究院
Inventor： 颜成钢 , 张文豪 , 陈雨中 , 魏宇鑫 , 汪奇挺 , 傅晟 , 付莹 , 郭雨晨 , 赵思成 , 孙垚棋 , 朱尊杰 , 高宇涵 , 王鸿奎 , 赵治栋 , 殷海兵 , 王帅 , 张继勇 , 李宗鹏 , 丁贵广
IPC: G06T3/40 , G06N3/0455 , G06N3/08 , G06N5/046
Abstract: 本发明公开了一种基于TensorRT的视频超分推理方法及装置，首先对视频超分网络进行训练；然后对网络算子进行分析，对常用算子进行整理，对不支持算子进行编写，对于可优化算子做算子融合；最后对于完整的视频超分网络结构，使用TensorRT编写并生成序列化引擎进行推理。本发明提出了视频超分推理落地的新方法，即是使用TensorRT该推理框架进行部署和加速，建立常用算子库将TensorRT算子和Pytorch算子进行对齐，优化部署过程，并能够比在训练框架下的推理有更好的速度和更低的显存占用。
-
公开(公告)号：CN116863192A
公开(公告)日：2023-10-10
申请号：CN202310448412.0
申请日：2023-04-24
Applicant: 杭州电子科技大学丽水研究院
IPC: G06V10/764 , G06V10/766 , G06V10/40 , G06V10/82 , G06V10/774 , G06V10/10 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于深度先验的深度估计空间划分优化方法，首先获取RGB图及对应的稀疏深度图，通过轻量化特征提取模块处理稀疏深度图，获得空间划分结果；再通过深度估计网络进行概率预测；最后将得到的空间划分结果和概率结合起来得到最终的深度图。本发明相较于传统的分类‑回归类单目深度估计方法增加了基于稀疏深度图的引导，在一定程度上提升了深度空间划分的质量，达到使深度估计结果更加准确的效果。
-
公开(公告)号：CN118469844A
公开(公告)日：2024-08-09
申请号：CN202410673350.8
申请日：2024-05-28
Applicant: 杭州电子科技大学丽水研究院
IPC: G06T5/60 , G06T5/73 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于Transformer和双域选择机制的图像散焦去模糊方法，包括步骤如下：步骤一：数据集获取及预处理；步骤二：构建一种基于Transformer和双域选择机制的图像散焦去模糊网络模型；步骤三：使用预处理后的数据集训练基于Transformer和双域选择机制的图像散焦去模糊的网络模型；步骤四：通过训练好的网络模型完成图像散焦去模糊测试。本发明通过深度提取初始特征和末尾特征，并通过剔除特征中的低频信息来增强高频信息。采用端到端的方法构建神经网络，其中利用Transformer模块在一个尺度上提取高质量的图像信息，并通过双域选择模块来保持空间细节的精确性。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.028 seconds)
