-
公开(公告)号：CN115062551A
公开(公告)日：2022-09-16
申请号：CN202210935359.2
申请日：2022-08-05
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06F30/28 , G06N3/04 , G06N3/08 , G06F111/04 , G06F113/08 , G06F119/14
Abstract: 本发明提出了一种基于时序神经网络的湿物理过程参数化方法，方法首先基于时序预测神经网络去学习过去时刻大气状态、对流和云的动态变化关系，然后通过融合筛选这些学习到的特征来预测湿物理过程中湿度和温度变化趋势以及云水和云冰含量。最后，根据预测出的湿度变化趋势计算出当前的降水量。此外，在网络训练过程中加入了物理约束来保证该方法遵循一般的物理规律。该方法相比传统湿物理参数化方案和其他神经网络能够准确再现社区大气模式超参数版本SPCAM的模拟结果，模拟的湿物理过程中的湿度和温度变化趋势、云水和云冰含量，降水等偏差也远小于它们。
-
公开(公告)号：CN114581499A
公开(公告)日：2022-06-03
申请号：CN202210156588.4
申请日：2022-02-21
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度强化学习的多模态医学图像刚性配准算法，这是一种新的端到端的多模态图像配准方法，由异步优势演员评论家(A3C)进行训练，能够模仿人类专家的逐步配准过程，增强了配准结果的可解释性。鉴于多模态配准任务在计算复杂度方面的严峻挑战，本发明将强化学习与注意力机制结合，使智能体能够捕捉更加抽象的高维特征，避免引入参数量巨大的深层次神经网络，保持了网络轻量高效的特性，这使得模型易于训练，且具有强大的鲁棒性和泛化能力，能够驱动模型能够沿着正确的方向扭曲移动图像。
-
公开(公告)号：CN108765332B
公开(公告)日：2022-05-06
申请号：CN201810502466.X
申请日：2018-05-23
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于非局部均值框架的图像去噪处理方法，涉及图像处理技术，采用与图像局部区域结构一致的椭圆搜索窗口，根据图像的局部结构，对椭圆搜索窗口的尺寸大小和去噪算法内平滑参数数值的进行自适应调整，以更好地对待去噪像素点的灰度值进行估计。本发明在不同噪声环境下的去噪效果有比较好的鲁棒性。本发明通过对图像局部区域的直方图信息和图像矩阵信息的分析，实现基于非局部均值算法的图像块大小自适应、平滑参数数值自适应以及搜索窗口形状自适应，从而有效地对图像细节部分进行噪声抑制并尽可能地保留住细节部分的纹理信息，实现对传统非局部均值算法的改进，实验效果证明改进算法在去噪效果和纹理部分提升明显。
-
公开(公告)号：CN113159363B
公开(公告)日：2022-04-19
申请号：CN202011607205.8
申请日：2020-12-30
Applicant: 成都信息工程大学
IPC: G06Q10/04 , G06F16/951 , G06F16/906 , G06F16/955 , G06F40/289 , G06K9/62
Abstract: 本发明涉及一种基于历史新闻报道的事件趋势预测方法，首先确定待预测新事件领域，基于公开数据集或网络采集的数据获取同类事件；在每个同类事件内部，将描述同一具体事件的新闻聚类为一个子事件，根据事件内容的关联性和时间先后顺序，获得每个子事件后续事件分布信息；计算同类事件和待预测新事件的相似度获得相似事件；再在相似事件内部通过计算相似度得到当前子事件和相似事件中的子事件的相似度，根据前述两个相似度和事件分布信息，对当前子事件的发展趋势进行预测，本发明方法避免了人工趋势预测的主观性和随意性，能够全面且量化地给出未来事件发展的各种可能，有利于相关人员进行不确定场景下的分析和预测。
-
公开(公告)号：CN109064418B
公开(公告)日：2022-03-08
申请号：CN201810758901.5
申请日：2018-07-11
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于非局部均值的非均匀噪声图像去噪方法，包括：步骤1：使用评价算子R对非均匀噪声图像先进行像素粗分类；步骤2：对噪声图像中的每一个像素，根据其周围邻域像素的粗分类结果，采取多数投票方法，对该像素的类别进行细分类，分为：低噪声高纹理、中等纹理、高噪声次纹理、平滑区域的其中一类；步骤3：对细分类后的每一个类别，自适应的选择滤波参数和邻域块大小，使用非局部均值去噪算法进行像素去噪；达到消除噪声的效果和纹理保留效果之间的平衡。
-
Patent Agency Ranking
公开(公告)号：CN113516126A
公开(公告)日：2021-10-19
申请号：CN202110750847.1
申请日：2021-07-02
Applicant: 成都信息工程大学
IPC: G06K9/32 , G06K9/34 , G06K9/38 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/13 , G06T7/136
Abstract: 本发明涉及一种基于注意力特征融合的自适应阈值场景文本检测方法，包括，通过设备捕捉场景图片，将场景图片输入到构建好的神经网络中，神经网络包括三个处理模块；特征提取模块用于对图片进行特征提取，其中卷积层加入的通道注意力模块能够动态调制图片各通道的权重，通过增强文本特征权重来提高网络的表示能力，特征融合将特征提取模块中下采样得到的不同尺度的的特征进行金字塔方式的特征融合，融合了低层特征的高分辨率和高层特征的语义信息，提高了分割的鲁棒性。图像分割模块是将特征融合模块得到的特征进行预测得到概率图和阈值图，在通过网络中学习概率图像素的最佳阈值，最后在概率图上利用最佳阈值生成最佳二值图，得到检测的文本区域。
-
公开(公告)号：CN112686822B
公开(公告)日：2021-09-07
申请号：CN202011607204.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。
-
公开(公告)号：CN112365464B
公开(公告)日：2021-08-10
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
公开(公告)号：CN113159363A
公开(公告)日：2021-07-23
申请号：CN202011607205.8
申请日：2020-12-30
Applicant: 成都信息工程大学
IPC: G06Q10/04 , G06F16/951 , G06F16/906 , G06F16/955 , G06F40/289 , G06K9/62
Abstract: 本发明涉及一种基于历史新闻报道的事件趋势预测方法，首先确定待预测新事件领域，基于公开数据集或网络采集的数据获取同类事件；在每个同类事件内部，将描述同一具体事件的新闻聚类为一个子事件，根据事件内容的关联性和时间先后顺序，获得每个子事件后续事件分布信息；计算同类事件和待预测新事件的相似度获得相似事件；再在相似事件内部通过计算相似度得到当前子事件和相似事件中的子事件的相似度，根据前述两个相似度和事件分布信息，对当前子事件的发展趋势进行预测，本发明方法避免了人工趋势预测的主观性和随意性，能够全面且量化地给出未来事件发展的各种可能，有利于相关人员进行不确定场景下的分析和预测。
-
公开(公告)号：CN112365464A
公开(公告)日：2021-02-12
申请号：CN202011242653.2
申请日：2020-11-09
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
-
-
-
-
-
-
-
-
-
Search Results
175
records
(took 0.032 seconds)
