公开(公告)号：CN111476715A

公开(公告)日：2020-07-31

申请号：CN202010259590.5

申请日：2020-04-03

Applicant: 三峡大学

Inventor： 孙水发 ,  施云飞 ,  许安宁 ,  董方敏 ,  黄志勇 ,  但志平

IPC: G06T3/40 ,  G06T5/50 ,  G06T7/246

Abstract: 本发明提供了一种基于图像变形技术的拉格朗日视频运动放大方法，通过光流法估计视频中感兴趣区域特征点的运动信息并将运动位移放大，然后以放大前后的特征点坐标为牵引点，使用保持图像内容的图像变形技术来实现图像的运动放大。该方法比当前的运动放大技术具有更少的模糊和振铃伪影，只要少量人工干预即可处理每一帧图像。输入的图片序列来自静止的相机，可以人为选取放大区域和设定放大倍数，整个系统能够自动检测和追踪特征点，重新估计运动后通过图像变形技术对目标区域进行变形，最后重建前景背景得到放大后的视频序列，使得视频中目标的物理运动得到放大。

公开(公告)号：CN114022809B

公开(公告)日：2024-12-24

申请号：CN202111265525.4

申请日：2021-10-28

Applicant: 三峡大学

Inventor： 但志平 ,  张骁 ,  李勃辉 ,  方帅领

IPC: G06V20/40 ,  G06V10/44 ,  G06V10/46 ,  G06V10/56 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明涉及基于改进自编码网络的视频运动放大方法，利用改进自编码网络对视频中的细微变化进行放大，所述方法包括：对视频数据进行分解处理，采用分解的前后连续两帧图像作为编码器的输入；利用编码器提取连续两帧图像的形状特征，作为放大器的输入；利用放大器对两帧图像形状特征的像素位移差值进行放大，得到放大的形状特征；利用解码器对前帧图像的纹理特征进行上采样，并将纹理特征与放大的形状特征结合，得到放大帧并输出。本发明的方法实现了视频运动放大图像中形状、纹理特征的完美融合，减少了视频运动放大的亮度、色彩、纹理损失，使浅层特征信息得以保留。

公开(公告)号：CN117910453A

公开(公告)日：2024-04-19

申请号：CN202311723235.9

申请日：2023-12-13

Applicant: 三峡大学

Inventor： 但志平 ,  张岩珂 ,  张洪志 ,  高准

IPC: G06F40/205 ,  G06F40/216 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明公开了一种基于图卷积网络的半监督谣言检测方法，首先进行数据集的构造与整理，然后使用标记数据集对谣言检测网络进行训练，并使用谣言检测网络预测未标记数据,将预测的未标记数据打上伪标签，并入标记数据集,最后使用合并后的标记数据集重复训练模型，并根据损失函数优化模型，直到得到最优模型；该方法通过设置图卷积网络，能更好地提取高维特征，实现对少量样本的有效利用，对无标记样本的准确预测，有效解决了现有监督模型的谣言检测任务需要人工标注大量样本所导致的检测滞后和样本标注不一致的问题。

公开(公告)号：CN117541505A

公开(公告)日：2024-02-09

申请号：CN202311472766.5

申请日：2023-11-07

Applicant: 三峡大学 ,  国网湖北省电力有限公司宜昌供电公司

Inventor： 但志平 ,  付秋月 ,  孙航 ,  朱佳 ,  韩进 ,  管诗衡 ,  赵宇辉 ,  谢黎

IPC: G06T5/73 ,  G06T5/77 ,  G06T3/4007 ,  G06T9/00 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 基于跨层注意力特征交互和多尺度通道注意力的去雾方法，具体来说，跨层注意力特征交互模块利用编码层的多尺度跨层特征学习层级权重，然后将这些跨层特征聚合传递到对应解码层，从而减少了去雾网络重构清晰图像过程中的特征稀释。此外，为了挖掘对于去雾网络非常重要的特征通道信息，本文设计了多尺度通道注意力机制，利用不同空洞率的空洞卷积提取多尺度特征信息，形成一个多尺度上下文并行学习的通道注意力机制，可以更有效的为去雾网络的特征分配权重。

公开(公告)号：CN115545039A

公开(公告)日：2022-12-30

申请号：CN202211186199.2

申请日：2022-09-27

Applicant: 三峡大学

Inventor： 但志平 ,  蒋保洋 ,  张洪志 ,  刘致远

IPC: G06F40/30 ,  G06F40/289 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种多模态谣言检测方法及系统，属于大数据处理技术领域，包括：获取事件检测源数据；采用预训练transformer模型提取所述事件检测源数据的文本特征和视觉特征；基于交叉注意力机制，将所述文本特征和所述视觉特征进行多模态融合，得到多模态融合特征；对所述多模态融合特征进行谣言检测，得到谣言事件检测结果。本发明通过引入预训练transformer模型分别提取文本特征和视觉特征，并进行多模态融合后进行检测分类，相比现有方法，更好地利用社交媒体上多模态帖子的信息，检测效果更好，鲁棒性更强。

公开(公告)号：CN115310421A

公开(公告)日：2022-11-08

申请号：CN202210822672.5

申请日：2022-07-12

Applicant: 三峡大学

Inventor： 但志平 ,  蒋保洋 ,  张洪志 ,  刘致远

IPC: G06F40/205 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种谣言检测方法、装置、设备、介质及计算机程序产品，该方法包括：将预处理谣言文本转化为输入矩阵，并将所述输入矩阵依次输入卷积层、池化层和全连接层，得到文本特征向量；对所述文本特征向量进行归一化处理，得到超像素序列，将所述超像素序列嵌入到所述预处理谣言文本对应的原始图像中，得到文本特征融合图像；将所述文本特征融合图像输入到包含卷积和池化的谣言分类模块，得到谣言检测结果。本发明通过文本特征提取，多模态特征融合以及谣言分类，解决了现有谣言检测方法存在的谣言检测单一以及检测局限性的问题。

公开(公告)号：CN112069831A

公开(公告)日：2020-12-11

申请号：CN202010850835.1

申请日：2020-08-21

Applicant: 三峡大学

Inventor： 但志平 ,  梁兆君 ,  张骁

IPC: G06F40/30 ,  G06F40/284 ,  G06F40/211 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明公开了基于BERT模型和增强混合神经网络的不实信息检测方法，包括：对待检测文本进行预处理；使用CNN网络对输入矩阵进行卷积、池化操作，拼接成特征序列；将特征序列作为BiLSTM网络的输入，分别利用前向LSTM单元、后向LSTM单元从前向、后向两个方向全面捕捉文本深层次的语义特征；利用注意力层生成含有注意力分布的语义编码，优化特征向量；利用输出层的分类器完成特征向量的分类检测，判断是否为不实信息。本发明结合了CNN、BiLSTM及注意力机制，不实信息检测精度高，不仅可以提取不实信息文本的局部短语特征和全局上下文特征，还可以提取出文本关键词，减少无关信息对检测结果的不合理影响。

公开(公告)号：CN119903224A

公开(公告)日：2025-04-29

申请号：CN202411811817.7

申请日：2024-12-10

Applicant: 三峡大学

Inventor： 但志平 ,  李琳 ,  鲁雨洁 ,  李碧涛

IPC: G06F16/906 ,  G06F16/9535 ,  G06F18/25 ,  G06N3/0442 ,  G06N3/049 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明公开了一种融合多维情感特征的中文仇恨言论检测方法，包括S1，进行社交媒体数据集的整理与构建；S2，对步骤S1的数据集进行数据预处理，获得仇恨言论检测模型的输入数据；S3，进行仇恨言论检测模型的搭建、训练以及验证；仇恨言论检测模型的网络结构包括文本编码层、情感特征层、BiLSTM层以及分类层；S4，使用仇恨言论检测模型对社交媒体中的评论进行测试与识别；该方法通过将BiLSTM的输出与RoBERTa句子特征融合，增强模型对局部与全局信息的理解能力。同时为了解决数据类别不均衡问题，模型采用焦点损失函数进行优化，通过减少易分类样本的权重来增加难分类样本的关注度，进而提高模型的鲁棒性。

公开(公告)号：CN118333900A

公开(公告)日：2024-07-12

申请号：CN202410463578.4

申请日：2024-04-17

Applicant: 三峡大学

Inventor： 但志平 ,  刘致远 ,  张洪志 ,  高准 ,  张岩珂

IPC: G06T5/73 ,  G06T5/60 ,  G06V10/80 ,  G06N3/044 ,  G06N3/0442 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开一种基于循环生成对抗网络的非配对去雾方法，包括以下步骤：S1、预处理数据集；S2、构建用于训练的循环生成对抗网络模型，在该模型的生成器网络及判别器网络中分别引入注意力机制；S3、将步骤S1得到的训练数据集依次输入循环生成对抗网络中进行模型训练；S4、将待处理的图像输入到训练完毕的生成网络模型中，得到去雾后的清晰图像；本发明采用非配对训练方法和优化的网络结构，并引入对比损失机制，显著提高图像去雾效果；该技术精确保留细节，避免色彩失真，并通过对比学习进一步优化性能，适用性广泛。

公开(公告)号：CN115578280A

公开(公告)日：2023-01-06

申请号：CN202211274638.5

申请日：2022-10-18

Applicant: 三峡大学

Inventor： 孙航 ,  方帅领 ,  但志平 ,  李勃辉 ,  蒋保洋 ,  张紫燕

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08 ,  G06V10/80 ,  G06V10/82

Abstract: 一种双分支遥感图像去雾网络的构建方法，它包括以下步骤：S1、构建U型下分支图像去雾子网；S2、构建非U型上分支图像去雾子网，该子网包含两个卷积层和多尺度残差空洞卷积模块，其中第一个卷积层用于增加输入图像的通道数，第二个卷积层用于将特征图的通道数恢复成原始输入图像的通道数；S3、构建图像融合模块，用于将U型下分支图像去雾子网的输出和非U型上分支图像去雾子网的输出进行融合；S4、将有雾图像送入U型下分支图像去雾子网和非U型上分支图像去雾子网，图像融合模块会将两个分支的输出进行融合，输出清晰的遥感图像，最后利用输出的清晰遥感图像来计算损失，从而约束网络的训练；通过以上步骤对双分支遥感图像去雾网络进行构建。