-
公开(公告)号：CN113052298A
公开(公告)日：2021-06-29
申请号：CN202110268146.4
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于胶囊网络的三维模型检索方法，包括：将输入的三维模型转换为离散体素形式，建立卷积神经网路，将体素化形式的三维模型作为待测数据输入到卷积神经网络模型中，卷积神经网络模型输出识别结果，即为待测三维模型的检索结果。本发明中，卷积神经网络模型中包括特征提取模块、胶囊网络模块以及全连接层。其中特征提取模块用于提取模型更多的低级特征，并且引入了尺寸和步长都较小的池化层，可以减少冗余特征；胶囊网络模块使用向量神经元保存特征空间信息，解决了传统卷积神经网络大量池化层的引入导致特征信息丢失的问题，动态路由算法优化了胶囊权重的迭代计算过程，取得了较好的识别效果。
-
公开(公告)号：CN111583113A
公开(公告)日：2020-08-25
申请号：CN202010360557.1
申请日：2020-04-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的红外图像超分辨率重建方法，属于计算机视觉领域。该方法对已有的算法SRGAN的生成网络及损失函数两个方面进行改进：在生成网络结构的改进中，生成网络结合传统双三次插值的方法；在损失函数的改进中，为了在有好的视觉效果的同时获得高的客观评价指标(峰值信噪比和结构相似度)，在生成网络的损失函数中加入逐像素均方误差损失。改进后的算法与原始SRGAN算法相比，重建后的图像的低频区域更加平滑，减少伪影，高频细节更加清晰，并且客观评价指标峰值信噪比PSNR和结构相似度SSIM都有提高。
-
公开(公告)号：CN111582111A
公开(公告)日：2020-08-25
申请号：CN202010353013.2
申请日：2020-04-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于语义分割的细胞各成分分割方法，属于图像处理技术领域。本发明基于所创建的基于编码解码的语义分割网络，结合去池化和跳层连接的方式，充分利用细胞图像的多尺度特征和像素的位置信息，对细胞各成分进行粗提取；然后通过灰度共生矩阵得到纹理特征，结合灰度共生矩阵所得的图像纹理信息改进超像素分割算法，分割出细胞各成分的精细边缘；最后将细胞各成分的粗提取结果和精细边缘进行融合，得到最终的细胞各成分分割结果。本发明可以用于细胞结构分析等技术领域，能够实现细胞各成分的自动准确分割。
-
公开(公告)号：CN111462485A
公开(公告)日：2020-07-28
申请号：CN202010243136.0
申请日：2020-03-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于机器学习的交通路口拥堵的预测方法，属于机器学习技术领域。本发明所述方法通过多种结构性特征预测相应交通路口的拥堵程度，对设备需求低，速度快；同时可以预测长时间内的路口拥堵的程度，采用不稳定模型作为基学习器训练，最后通过集成学习和模型融合减少了模型的偏差和方差，保证了模型在实际场景中的预测结果的泛化能力。
-
公开(公告)号：CN120020861A
公开(公告)日：2025-05-20
申请号：CN202311546688.9
申请日：2023-11-20
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T5/73
Abstract: 本发明公开了一种基于非锐面掩膜的遥感图像云雾去除方法。该发明使用分割方法确定大气光，以量化对比度和颜色灰度；利用暗通道的先验知识对传输图进行估计，确定物体之间的接近度，最后采用基于非锐面掩膜的引导滤波方法对投射图进行了优化。现有的遥感图像去云算法通常存在光晕和伪影问题。本发明提出的基于非锐面掩膜的遥感图像去云方法，对暗通道法进行了改进。该方法不需要能够有效去除光晕和伪影，并且在各种性能指标上都取得了更优秀的结果。
-
Patent Agency Ranking
公开(公告)号：CN119963826A
公开(公告)日：2025-05-09
申请号：CN202311474999.9
申请日：2023-11-08
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/26 , G06V20/10 , G06V10/74 , G06V10/762 , G06V10/764 , G06N3/088
Abstract: 本发明公开了一种基于均值偏移聚类的高光谱影响无监督分割方法。该发明利用均值偏移迭代和改进的线性聚类算法对高光谱遥感影像进行无监督的语义分割。现有的高光谱影像分割通常存在两个问题：一是监督分类方法需要的数据集不足；二是无监督方法对先验知识有较高的要求。本发明提出的基于均值偏移聚类的高光谱影响无监督分割方法，参考并结合了均值偏移迭代方法，并对线性聚类方法进行了改进，该方法不需要分割类的数量作为输入参数，也不需要关于影像和研究区域的先验知识。
-
公开(公告)号：CN119850941A
公开(公告)日：2025-04-18
申请号：CN202311350299.9
申请日：2023-10-18
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/26 , G06V20/70 , G06V20/64 , G06V10/764 , G06V10/44
Abstract: 本发明公开了一种基于泰勒级数构建曲面的三维点云语义分割方法。以往的基于点的点云语义分割网络，通过附加更多信息，例如欧几里得距离、注意力机制，或应用各种变换，例如图形构造、体素化，间接地从几何形状中学习。这些操作可能会导致复杂的预处理和大量的计算。本发明以PointNet++作为基础网络，采用3D点云作为输入数据，利用最远点采样进行点云下采样，获得下采样的中心点之后，利用球查询获得点云的邻域点。在局部几何形状特征提取模块，利用泰勒级数将点云转换为三角形曲面，缓解了以往的局部几何形状信息提取方法带来的带来信息丢失，或者在变换过程中带来局部细节几何形状的变形问题。
-
公开(公告)号：CN118779453A
公开(公告)日：2024-10-15
申请号：CN202410907715.9
申请日：2024-07-08
Applicant: 电子科技大学
IPC: G06F16/35 , G06N3/045 , G06F40/211 , G06N3/0442 , G06N3/048 , G06F40/30 , G06F18/2415
Abstract: 本发明聚焦于法律领域内的案例叙述，关注以句号作为自然分割单位的独立语句单元，通过一系列句法分析手段，将实例句，归置到中文学界认可的一级或次级句型类别中，如主谓句结构或是非主谓句结构等。本发明提出了Word vector fusion‑Bert‑GAT(WBGAT)模型，克服语义嵌入表示技术还无法满足长程相关、一词多义等现实需求以及模型token单元的数量限制。本发明所提出的算法模型通过运用图网络模型框架，通过构建图网络来捕捉并传递单词间的内在信息，从而习得更能体现整个句子语义情境下的单词新表征。本发明所提出的算法模型通过运用图网络模型框架，通过构建图网络来捕捉并传递单词间的内在信息，从而习得更能体现整个句子语义情境下的单词新表征。并针对法律文本进行分析，将文本按照逗号拆分成单句，然后构建词共现、依法句存、篇章‑主题三种图，通过一种融合函数，将三种图进行自适应融合，融合成一个词向量，然后引入GAT进行分类。
-
公开(公告)号：CN118587574A
公开(公告)日：2024-09-03
申请号：CN202310216785.5
申请日：2023-03-03
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V20/10 , G06V10/40 , G06V10/26 , G06V10/778
Abstract: 本发明公开了一种基于轻量化网络的建筑物提取方法。随着对城市化的高需求和高分辨率遥感图像的可用性，建筑提取已成为研究界进行密集研究的一个重要课题。本文网络通过按照1×1卷积层进行本地和全球连接来连接不同的块，从而同时访问中高频信息，实现网络的特征提取阶段以此来提高建筑物提取网络的速率，达到网络的轻量化。有效密集块和内部有效剩余块，利用多层次的连接可以帮助提出的方法学习多层次的特征，并帮助网络迅速分散信息从低到高，同时进行反向传播。在这种情况下，网络共享所有块之间的信息，从而获得更好的重构结果。
-
公开(公告)号：CN118587428A
公开(公告)日：2024-09-03
申请号：CN202310194858.5
申请日：2023-03-03
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于局部非局部特征聚合的三维点云语义分割方法。该发明针对现有的特征学习过程是噪声敏感的，且其只考虑相邻区域的局部信息交互，然后通过层次结构获取全局上下文，通常会导致自下而上的特征学习，从而导致提取的特征信息受离群点的影响，且存在特征冗余的情况，提出了一种基于局部信息与非局部特征信息加权求和的方法。本发明以3D点云为输入，在点局部单元中采用相对坐标作为局部特征；在点的非局部特征提取模块中，我们使用采样点作为查询点，通过注意力机制来计算采样点在这一层中与整个点云的相关度，然后进行MLP作为非局部信息，最后进行加权和，以实现点局部特征和点非局部特征的融合，以此提取更具代表性的特征。
-
-
-
-
-
-
-
-
-
Search Results
188
records
(took 0.024 seconds)
