-
公开(公告)号：CN116563625A
公开(公告)日：2023-08-08
申请号：CN202310505919.5
申请日：2023-05-06
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06T7/00 , G06N20/20 , G06N3/0895
Abstract: 本发明公开了一种基于联邦学习和对比学习的医学图像分类方法，在联邦学习的训练中，将当前训练轮次的本地模型和上一轮次的全局模型与本地模型结合起来进行训练，减少本轮模型与上一轮全局模型特征表示之间的距离，增加本轮模型与上一轮本地模型特征表示之间的距离，运用模型之间的监督对比损失，让客户端的本地模型在训练过程中逐渐靠近全局模型。这种方法能有效地减轻数据异构性所带来的性能下降问题，增加模型的泛化能力。
-
公开(公告)号：CN116542929A
公开(公告)日：2023-08-04
申请号：CN202310505574.3
申请日：2023-05-06
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习网络DenseNet的AOI缺陷检测方法，包括数据增强、缺陷检测网络和损失函数设计，包括：对工业产品缺陷数据进行扩充；设计缺陷检测网络学习产品数据特征实现缺陷识别；设计损失函数约束检测网络模型。本发明能在生产检测中快速识别出有缺陷的产品，并且识别精度高，甚至能识别出人眼难以观测到的细微缺陷，减少漏检与误检，还可以及时调整检测性能；模型的轻量化还降低了实际部署时的存储资源的开销，减少了计算时间；在样本类别极不平衡的情况下也可以很好地学习到正负样本特征，实现快速准确检测的效果。
-
公开(公告)号：CN119358628A
公开(公告)日：2025-01-24
申请号：CN202411423926.1
申请日：2024-10-12
Applicant: 桂林电子科技大学 , 桂林奥普计算机网络集团有限公司
IPC: G06N3/0895 , G06N3/098 , G06V10/82 , G06V10/771
Abstract: 本发明提出了一种基于联邦学习的自监督预训练方法，以提升肝癌图像分割效果。医学图像分割旨在准确提取感兴趣区域，以辅助诊断与治疗，但传统方法依赖大量标注数据，在医学领域难以获得。本方法利用ViT编码器对无标注的肝癌遮掩图像进行特征学习，并通过ViT解码器重建遮掩像素块，随后传递嵌入特征给下游任务；结合当前本地模型与上一轮全局模型，优化训练过程，减少当前模型与全局模型特征表示距离，同时增加与本地模型特征表示距离，通过对比使客户端模型逐步接近全局模型，获得较优全局模型对肝癌图像进行分割。本方法有效缓解数据异构性导致的性能下降，提高模型的泛化能力，解决数据标签不足的问题，从而推动人工智能辅助医疗领域的应用。
-
公开(公告)号：CN118298162A
公开(公告)日：2024-07-05
申请号：CN202410579604.X
申请日：2024-05-11
Applicant: 桂林电子科技大学
IPC: G06V10/25 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于感受野融合金字塔的恶劣场景下目标检测方法，首先，设计一种基于仿射变换的特征增强模块，将其嵌入轻量级主干网络中，同时结合注意力机制以增强低维度特征图的语义信息，使得增强后的特征图进入感受野融合金字塔，对不同尺度的输出特征图进行提取和融合，生成包含不同尺度和更丰富语义信息的特征图。最后，采用无锚框目标检测头对目标进行预测，并计算损失。通过在RTTS数据集和ExDark数据集上的实验，结果显示相较于其他研究者的方法，本发明保证模型轻量化的同时显著提升了恶劣场景下检测精度。
-
公开(公告)号：CN116523787A
公开(公告)日：2023-08-01
申请号：CN202310498419.3
申请日：2023-05-05
Applicant: 桂林电子科技大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T3/40
Abstract: 本发明涉及一种基于LAB空间和多尺度特征金字塔的低照度图像增强方法，包括以下步骤：将原始图像转换到LAB色彩模式，所述LAB色彩模式包括明度值、A通道值和B通道值，所述原始图像为三通道图像；基于原始图像的明度值，计算原始图像的光照注意力图，所述光照注意力图为单通道图像；将原始图像与所述光照注意力图按像素位置相乘，得到乘积图；将所述乘积图输入到膨胀卷积的全卷积神经网络，得到噪声注意力图，所述噪声注意力图为三通道图像；将原始图像、所述光照注意力图和所述噪声注意力图输入到多尺度特征金字塔网络，得到增强去噪图像。通过图像增强算法来恢复隐藏在黑暗区域的图像细节，提高图像可见度，从而改善图像质量。
-
Patent Agency Ranking
公开(公告)号：CN113989153A
公开(公告)日：2022-01-28
申请号：CN202111271072.6
申请日：2021-10-29
Applicant: 桂林电子科技大学
Abstract: 本发明属于图像增强技术，具体涉及一种基于循环卷积和多聚类空间的红外图像增强方法，包括如下步骤：S1，建立多尺度循环卷积模块，以若干半径不同的高斯卷积核建立多尺度卷积模块，并采用密集连接的方式将多层多尺度卷积模块连接起来处理图像细节；S2，采用K‑means算法对图像灰度值进行聚类分析图像聚类分析，采用最大贡献率法选取初始聚类中心；S3，采用二维高斯函数和旋转矩阵构建第i个角度的核函数作为模板核函数提取图像不同角度的轮廓信息。本实施例方法相对于现有的图像增强方法，输出的图像轮廓更清晰、细节信息更丰富，较原图像质量无论是细节、亮度等有了显著的提高。
-
公开(公告)号：CN118469879A
公开(公告)日：2024-08-09
申请号：CN202410634854.9
申请日：2024-05-22
Applicant: 桂林电子科技大学
Abstract: 本发明提供一种基于Retinex理论和色彩均衡模型的低照度图像增强方法。低光照图像增强旨在恢复夜间捕获的图像质量，进一步提高高级视觉计算机任务的性能。最近的许多方法有效地照亮了低光图像，但未能压缩固有的噪声，消除色彩偏差等。为了解决这一问题，本发明提出了一种基于Retinex方法和色彩均衡模型的低照度图像增强方法。具体而言，我们首先通过由两个特征混合注意(FHA)组成的解耦模块以密集连接的方式提取输入的灰度表示。然后，利用分量预测模块引导下的重建网络对原始RGB图像进行质量恢复。最后，采用基于全局通道注意机制的重建模块，在校正色彩偏差的同时保留细节。大量的实验表明，该方法在弱光图像增强方面具有优异的性能。
-
公开(公告)号：CN116823636A
公开(公告)日：2023-09-29
申请号：CN202310499941.3
申请日：2023-05-05
Applicant: 桂林电子科技大学
IPC: G06T5/00 , G06V10/74 , G06V10/82 , G06N3/0475 , G06N3/094 , G06N3/048 , G06N3/0464 , G06N3/088
Abstract: 本发明涉及一种基于压缩自编码的无监督低照度图像增强方法，包括以下步骤：初始化生成器和判别器的网络参数；生成器获取低照度图像，提取噪声矢量，生成一次虚假图像；判别器判断一次虚假图像是真实数据图像或虚假数据图像；生成器调整生成器的生成策略，得到一次新策略；生成器获取自身生成的一次虚假图像，再次生成二次虚假图像；判别器判断二次虚假图像是真实数据图像或虚假数据图像，判别器输出二次判断结果；生成器获取二次判断结果，调整生成器的生成策略，得到二次新策略。通过使用压缩自编码提高生成对抗网络的训练效率和泛化能力，减少图像失真和噪声，从而提高无监督低照度增强算法的效果。
-
公开(公告)号：CN116645281A
公开(公告)日：2023-08-25
申请号：CN202310505440.1
申请日：2023-05-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多阶段拉普拉斯特征融合的微光图像增强方法，将拉普拉斯金字塔分解为四个阶段，采用由粗到细的策略恢复微光图像，大尺度图像更关注高频信息，小尺度图像更关注低频信息，不同尺度特征的融合从而得到融合图像；在特征提取后传播修正后的特征，结合注意力和残差策略的机制，捕捉长期的图片中的上下文相互依赖关系；在拉普拉斯金字塔的第二阶段和第三阶段通过监督校正模块进一步保留图像的局部细节，并在向下一个阶段传播前对图像的亮度进行适当的调整。该方法能够同时减轻退化困难，并在避免增强图像流程中细节丢失、局部曝光过低等方面之间取得平衡。
-
公开(公告)号：CN116645273A
公开(公告)日：2023-08-25
申请号：CN202310633223.0
申请日：2023-05-31
Applicant: 桂林电子科技大学
IPC: G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种令单一图像超分辨率模型适配视频超分辨率任务的方法，其特征在于，包括如下步骤：1）浅层特征提取；2）时间特征提取；3）深层特征提取；4）超分辨率帧重建。这种方法将现有不同的单一图像超分辨率模型适配到视频超分辨率任务中并取得令人满意的性能，从而减少改编单一图像超分辨率模型适配视频超分辨率任务的难度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.024 seconds)
