-
公开(公告)号：CN113379606A
公开(公告)日：2021-09-10
申请号：CN202110934749.3
申请日：2021-08-16
Applicant: 之江实验室
Abstract: 本发明属于计算机视觉、图像处理领域，涉及一种基于预训练生成模型的人脸超分辨方法，包括：步骤一、采集并将低分辨率图像输入至特征提取模块，提取特征信息；步骤二、将特征信息输入至编码器，得到通道数为输入尺寸8倍的隐式矩阵，隐式矩阵通过分离模块特征分解后获得隐式向量，与人脸标签数据通过级联方式，分别输入至预训练生成模型中，得到生成特征；步骤三、将生成特征传递给解码器，并融合特征提取模块提取的特征信息，经解码操作后输出目标高分辨率图像。本发明可以将低分辨率的人脸进行高倍率的放大，最高可以获得64倍的超分结果，并且超分辨结果保持较好的保真性，使放大的图像在保真度和纹理真实度方面有更好的改进。
-
公开(公告)号：CN117174161A
公开(公告)日：2023-12-05
申请号：CN202311078766.7
申请日：2023-08-25
Abstract: 本发明公开了一种基于频域变换增强的表型预测方法，包括：获取不同作物植株的基因数据和表型数据并对其进行预处理；对预处理后的基因数据进行数值映射；对数值映射后的基因序列进行离散傅里叶变换，判断每个窗口是否为蛋白质编码区，并根据判断结果对蛋白质编码区进行特征增强；将特征增强后的基因序列进行处理，采用低频特征、高频去噪后的特征、小波逆变换后的低频特征以及作为标签的预处理后的表型数据对三流网络进行优化训练；将待检测基因序列的特征输入到训练好的三流网络中，输出表型预测结果。本发明还公开了一种基于频域变换增强的表型预测装置。本发明利用基因编码区的先验提高表型预测效果，实现时频上的基因到表型的非线性关系。
-
公开(公告)号：CN115861771A
公开(公告)日：2023-03-28
申请号：CN202310122939.4
申请日：2023-02-16
IPC: G06V10/82 , G06V10/764 , G06V20/70 , G06N3/08
Abstract: 本发明公开了一种用于图像识别的关键知识蒸馏方法、装置，通过构建图像训练集和测试集；构建第一图像识别神经网络及其训练方式，作为第一模型，并采用图像训练集进行训练；构建第二图像识别神经网络及其训练方式，作为第二模型；从第一模型和第二模型中选定进行知识蒸馏的特征层；采用图像训练集，对第二模型进行训练，在训练过程中，用语义重要性度量法，计算第二模型选定特征层的特征图与第一模型选定特征层的特征图之间语义的重要性，将重要性大的知识作为关键知识并分配大的权重值，将权重值加入特征层知识蒸馏损失函数中，联合图像识别任务相关的损失函数训练第二模型，将训练好的第二模型部署至运行设备，对测试集中待识别图像进行识别。
-
公开(公告)号：CN115331732B
公开(公告)日：2023-03-28
申请号：CN202211238697.7
申请日：2022-10-11
Applicant: 之江实验室
IPC: G16B20/30 , G16B40/00 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于图神经网络的基因表型训练、预测方法及装置，根据现有公开的基因位点与表型的相关性，构建图神经网络：节点代表基因位点，边代表两个基因位点同时与某个表型相关，且边的权重代表基因位点之间的关联程度；采集样本的基因数据，并收集各个样本对应的表型数据；训练过程中，对输入的基因数据基于其位点探测概率值进行编码；将编码数据输入构建的图神经网络；采用均匀采样进行节点邻域选择，并通过邻域节点的权重与卷积核参数更新各个节点；将每个节点的输出结果进行拼接，并将其输入多层感知器，输出表型分类结果；将分类结果与真值进行比较，训练与验证图神经网络；再将待分类的基因数据输入训练好的图神经网络进行表型分类。
-
公开(公告)号：CN115019215B
公开(公告)日：2022-12-09
申请号：CN202210947014.9
申请日：2022-08-09
Applicant: 之江实验室
IPC: G06V20/17 , G06V20/10 , G06V10/82 , G06V10/764 , G06V10/26 , G06V10/778
Abstract: 本发明公开一种基于高光谱图像的大豆病虫害识别方法和装置，该方法包括：步骤一，利用无人机搭载的高光谱相机与RGB相机采集高光谱数据集及其对应的RGB数据集；步骤二，对采集的高光谱数据集进行数据增广；步骤三，对RGB图像进行植株区域分割后与对应的高光谱图像进行像素点相乘得到含植株区域的图像，对该图像进行预处理计算出各类别平均光谱特性曲线；步骤四，输入高光谱数据集至大豆病虫害识别网络模型，采用课程学习方式以及各类别平均光谱特性曲线进行模型训练；步骤五，采用训练好的大豆病虫害识别网络模型，对采集输入的高光谱图像进行预测分类，输出最终预测的虫害类别。本发明能有效提高大豆病虫害识别的准确度。
-
Patent Agency Ranking
公开(公告)号：CN114998999A
公开(公告)日：2022-09-02
申请号：CN202210856428.0
申请日：2022-07-21
Abstract: 本发明公开一种基于多帧输入与轨迹平滑的多目标跟踪方法和装置，方法包括：步骤S1：获取行人视频数据集并进行行人坐标以及行人轨迹的标注，并生成片段型轨迹数据；步骤S2：构造并训练基于多帧输入与轨迹平滑的行人多目标跟踪网络模型；步骤S3：基于训练得到的行人多目标跟踪网络模型进行推理，获取当前帧行人目标检测与特征提取结果以及其前几帧的行人目标检测与特征提取结果，即获取得到多帧图像目标的坐标及外观特征；步骤S4：利用多帧图像目标的坐标及外观特征进行最短特征距离匹配，并利用轨迹曲率平滑函数进行轨迹平滑，最终得到当前帧的轨迹。本发明具有耗时低，且对同类目标的遮挡问题鲁棒性较好的优点。
-
公开(公告)号：CN113436237B
公开(公告)日：2021-12-21
申请号：CN202110987333.8
申请日：2021-08-26
Applicant: 之江实验室
Abstract: 本发明涉及一种基于高斯过程迁移学习的复杂曲面高效测量系统，主要针对形貌随机复杂的2.5D连续曲面，由于训练数据集和测试数据存在的分布上的差异，利用高斯过程在低维隐空间对测试数据进行操作，使其分布逼近训练数据集，该系统包括点云自适应采样模块、曲面配准和稀疏误差重建模块、误差像素化和归一化模块、编码器模块、高斯过程处理模块、解码器模块、解归一化模块、点云空间映射模块，最终将稀疏的点云数据进行增强得到高质量高密度的点云数据。该系统针对接触式形貌测量传感器测量效率较低的问题，通过结合高斯过程和基于深度学习的超分辨技术，完成对稀疏测量数据的高精度加密，具有测量效率高、点云上采样精度高和曲面细节还原性高的优点。
-
-
公开(公告)号：CN116071239B
公开(公告)日：2023-07-11
申请号：CN202310202482.8
申请日：2023-03-06
Applicant: 之江实验室
IPC: G06T3/40 , G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于混合注意力模型的CT图像超分辨方法和装置，该方法包括：步骤一，获取已有的医学CT图像公开数据集和植物的原始高分辨率CT图像；步骤二，对所述植物的原始高分辨率CT图像进行多方式联合的实用退化操作，后构造高低分辨率图像数据对；步骤三，利用已有的医学CT图像公开数据集进行混合注意力模型的训练，训练完成后，继续使用高低分辨率图像数据对进行模型训练调整，得到最终调整好的混合注意力模型；步骤四，利用最终调整好的混合注意力模型，输入植物的低分辨率原始CT图像，输出目标高分辨率图像。本发明适用于农业中的CT图像，针对植物组织丰富的特点，实现植物组织的无损高精度检测和超分辨重建。
-
公开(公告)号：CN115019296A
公开(公告)日：2022-09-06
申请号：CN202210930782.3
申请日：2022-08-04
IPC: G06V20/62 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉领域，尤其涉及一种基于级联的车牌检测识别方法和装置，该方法包括：步骤一，通过摄像头获取视频图像，使用车牌检测模型，输出每张图像中检测到的车牌矩形边界框和包络框的位置；步骤二，基于步骤一车牌检测的结果，采用仿射变换以得到车牌的正面视角图；步骤三，将所述车牌的正面视角图输入到基于深度卷积神经网络的二分类器中，判断车牌是否为真正的车牌，是则保留，否则移除；步骤四：将步骤三去除假样例后的车牌，通过车牌识别技术实现车牌号码识别，获取检测图像中的所有车牌位置及号码。本发明实现方法简单，可移植性强，能够实现不限于移动摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准识别。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.05 seconds)
