-
公开(公告)号：CN102542526A
公开(公告)日：2012-07-04
申请号：CN201110354860.1
申请日：2011-11-10
Applicant: 浙江大学
IPC: G06T3/00
Abstract: 本发明公布了一种图像去色方法，现有的图像去色方法采用统一的转换公式，用亮度值作为灰度图像的像素值，导致原始彩色图像中大量细节对比信息的丢失。本发明以原始彩色图像作为输入，通过传统去色方法计算得到初始灰度图像和单通道图像；然后计算原始彩色图像的梯度场和初始灰度图像的梯度场，并对两个梯度场进行比较；对于梯度场差值小于阈值的部分，直接得到目标灰度图像；对于差异大于阈值的部分，利用线性拟合求解目标梯度场，计算得到权重向量，然后利用权重向量和泊松方程对初始灰度图像和三个单通道图像进行局部融合，获得目标灰度图像。本发明保证了原始彩色图像中的细节对比信息不会因去色过程而丢失；且目标灰度图像保持整体平滑。
-
公开(公告)号：CN101986345B
公开(公告)日：2012-06-06
申请号：CN201010532524.7
申请日：2010-11-04
Applicant: 浙江大学
IPC: G06T5/00
Abstract: 本发明公开了一种图像去模糊方法。此方法由三个有效步骤组成：首先利用各向异性扩散规律对模糊图像进行去噪处理，获得平滑图像；其次利用冲击滤波对平滑图像进行边缘增强，获得锐化图像；最后将锐化图像与模糊图像进行比较，获得模糊图像的抖动轨迹，然后利用模糊图像的抖动轨迹与模糊图像进行规范化维纳滤波，获得清晰图像。通过将基于各向异性扩散规律的平滑操作与使用冲击滤波的锐化操作相结合，此过程能够在去除噪声的同时最大限度的增强图像边缘，接下来的抖动轨迹求解过程采用了一种带任意阶惩罚项的快速估计方法，结合傅里叶变换加速，在求解速度上获得了显著的提升。
-
公开(公告)号：CN101986345A
公开(公告)日：2011-03-16
申请号：CN201010532524.7
申请日：2010-11-04
Applicant: 浙江大学
IPC: G06T5/00
Abstract: 本发明公开了一种图像去模糊方法。此方法由三个有效步骤组成：首先利用各向异性扩散规律对模糊图像进行去噪处理，获得平滑图像；其次利用冲击滤波对平滑图像进行边缘增强，获得锐化图像；最后将锐化图像与模糊图像进行比较，获得模糊图像的抖动轨迹，然后利用模糊图像的抖动轨迹与模糊图像进行规范化维纳滤波，获得清晰图像。通过将基于各向异性扩散规律的平滑操作与使用冲击滤波的锐化操作相结合，此过程能够在去除噪声的同时最大限度的增强图像边缘，接下来的抖动轨迹求解过程采用了一种带任意阶惩罚项的快速估计方法，结合傅里叶变换加速，在求解速度上获得了显著的提升。
-
公开(公告)号：CN100476875C
公开(公告)日：2009-04-08
申请号：CN200710066718.0
申请日：2007-01-15
Applicant: 浙江大学
IPC: G06T5/00
Abstract: 本发明公开了图像处理中一种基调平移和削弱图像噪声的快速处理方法。本发明的方法由三个步骤组成：首先对图像主区域进行基调向量的提取；其次根据目标基调向量和规约强度构建出规约函数；最后根据规约函数构建对应的偏移映射表，通过对原图像像素经查表偏移替换得到新的图像。通过对像素和平均基调的差异大小进行合理的划分，对不同段进行不同强度的规约，实现不同像素差异的分级，使此方法能够适应于不同强度噪声的削弱。根据映射函数构建对应的偏移映射表，使得指数函数的运算不需要实时重复进行，只需实时查表即可，处理速度达到常数级别。运用空间代价换取时间代价的原则，实现基调平移和削弱图像噪声的快速处理。
-
公开(公告)号：CN101008981A
公开(公告)日：2007-08-01
申请号：CN200710066930.7
申请日：2007-01-26
Applicant: 浙江大学
IPC: G06K9/00
CPC classification number: G06K9/346 , G06K9/00234
Abstract: 本发明公开了一种人脸图像合成中虚影的自动消除方法。在两张或多张人脸图像合成出一张新的人脸图像的过程中，通过一组特定的合成公式，消除了传统合成方法所带来的大量虚影和重影。传统合成方法在标定的人脸特征点有误差时放大了这些误差，使合成结果出现虚影和重影，降低了图像质量，严重的使人脸局部区域无法辨认。本方法针对这一问题进行改进，无论输入的特征数据是否有误差，合成出的人脸图像都能既融合原图像的脸部特征，又清晰平滑基本没有重影，视觉效果良好。
-
Patent Agency Ranking
公开(公告)号：CN119849584A
公开(公告)日：2025-04-18
申请号：CN202510332803.5
申请日：2025-03-20
Applicant: 浙江大学
IPC: G06N3/084 , G06N3/092 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 基于特征模式一致性约束的网络风控神经规则更新方法和装置，其方法包括：S1、确定需要更新的神经规则，主要包括基于卷积神经网络的深度图像分类器中的神经规则；S2、对神经规则的输入数据，在一个约束好的范围内，进行随机强化；S3、运行神经规则，基于特征模式一致性约束算法和分类结果计算损失；S4、通过反向传播优化损失，实现神经规则的更新。本发明能够在引入较小额外计算开销的前提下，完成以网络风控为目的神经规则更新提供了网络风控效果更好的神经规则更新方法，能够更有效地提高目标网络的安全性和鲁棒性；提供了一种灵活的，可以在网络的任意使用阶段，包括初始阶段和事后阶段，以即插即用的方式实现网络风控的神经规则更新方法。
-
公开(公告)号：CN119518709A
公开(公告)日：2025-02-25
申请号：CN202411529530.5
申请日：2024-10-30
Applicant: 浙江大学
IPC: H02J3/00 , G06Q10/04 , G06Q10/0631 , G06Q50/06 , G06F18/2415 , G06N3/042 , G06N3/045 , G06N3/08 , G06N5/045
Abstract: 基于多粒度树状图神经网络的电力系统调度与优化方法与系统，其方法包括：步骤1.构建电网状态样本数据集；步骤2.对电网数据进行图表示与特征提取；步骤3.构建层次化多粒度电网信息粗化模型；步骤4.构建电网信息图扰动模型；步骤5.构建树状神经网络自适应路径选择模型；步骤6.根据多粒度树状神经网络模型执行电力系统的解释与调度决策。本发明考虑电力系统的图网络结构特性，将电网建模为图数据，并在现有图神经网络模型的基础上，引入多粒度图粗化、可学习扰动以及自适应路径选择模块以构建多层次结构的树状模型，从而分析全局以及不同范围尺度的局部等各个粒度级别的电力系统状态与表征，提升模型的预测准确性和决策的可解释性。
-
公开(公告)号：CN119446144A
公开(公告)日：2025-02-14
申请号：CN202411356079.1
申请日：2024-09-27
Applicant: 浙江大学
Abstract: 基于预训练语言模型的中文唇语识别提升方法和装置，其方法包括：构建纠错数据集，通过同音词增强和混淆矩阵数据增强方法拓展数据集规模；对纠错数据集进行预处理，通过分词模型将字符映射为对应的令牌，然后再通过嵌入层映射为词嵌入。通过预训练语言模型对纠错句子进行特征提取；预训练语言模型输出的特征通过线性错误预测层输出错误字符的位置，线性错误纠正层对错误字符进行纠正；基于错误检测损失函数和错误纠正损失函数训练纠错网络，并且在训练过程中使用填充策略提升模型的纠错准确率；基于训练好的唇语纠错网络对唇语识别结果进行改善。本发明有效地降低了自回归和非自回归模型的字符错误率，并且易于迁移到其他模型。
-
公开(公告)号：CN119026686A
公开(公告)日：2024-11-26
申请号：CN202410876691.5
申请日：2024-07-02
Applicant: 浙江大学
IPC: G06N5/04 , G06F16/332
Abstract: 本发明公开了人工智能技术领域的一种具像化的大模型推理辅助方法，包括以下步骤：步骤一，输入问题：以原始问题的文本描述#imgabs0#为输入，通过大语言模型对问题进行初步理解和分析；步骤二，规划阶段：识别阶段所需的关键元信息，元数据包括选择绘图工具和创建初始图像；步骤三，迭代推理阶段：根据语言模型给出的指令逐步更新图像，生成图文结合的思维链；步骤四，联合推理阶段：多模态大语言模型结合图像和文字信息，对整个思考过程进行解释和推理。本发明通过将抽象的推理问题具像化为图像，允许大语言模型接受问题的文本描述作为输入，并使用自我生成的图像作为增强推理的额外信息通道，能够减少先验知识的引入，从而提高方法的普适性。
-
公开(公告)号：CN119005277A
公开(公告)日：2024-11-22
申请号：CN202410989398.X
申请日：2024-07-23
Applicant: 浙江大学
Abstract: 基于预训练模型参数融合的模型微调方法，包括以下步骤：1)选择是否采用现有的参数融合算法，若是，则跳转至步骤2，否则随机生成线性组合权重p并跳转至步骤3；2)通过该参数融合算法对预训练模型A与预训练模型B进行参数融合，并根据公式m＝pa+b逆向推导出p，其中a和b分别代表两个预训练模型的参数，p为线性组合权重，m为融合后模型的参数；3)通过p构建出模型P，并对P进行优化；4)通过公式m＝pa+b对两个预训练模型进行合并，得到模型M；5)对模型M进行微调。利用神经网络的学习能力获取最优的模型参数组合，尽可能消除两个模型之间的损失障碍，从而使模型在后续的微调中表现出更加优秀的性能。本方法克服了传统方法中条件过于理想，而在实际合并过程中很难达到理想状态的问题，从而更有效地消除了两个待合并模型之间的损失障碍，让合并后的模型在经过微调后的效果更加优秀。
-
-
-
-
-
-
-
-
-
Search Results
177
records
(took 0.046 seconds)
