-
公开(公告)号：CN117422626A
公开(公告)日：2024-01-19
申请号：CN202311498757.3
申请日：2023-11-10
Applicant: 郑州大学
Abstract: 本发明涉及图像处理技术领域，具体涉及一种车载图像处理方法及相关产品。一种车载图像处理方法包括：获取车载图像，车载图像通过双目图像摄取装置获得，包括第一目图像与第二目图像；利用第一编码器对车载图像进行处理，得到第一特征、第二特征，第一特征表征第一目图像专有区域的特征，第二特征表征第一目图像与第二目图像交叠区域的特征；利用第二编码器对车载图像进行处理，得到第三特征、第四特征，第三特征表征第二目图像专有区域的特征，第四特征表征第二目图像与第一目图像交叠区域的特征；根据获取的特征得到车载图像处理数据。本发明提高了车载图像数据的恢复效率。
-
公开(公告)号：CN114662497A
公开(公告)日：2022-06-24
申请号：CN202210173809.9
申请日：2022-02-24
Applicant: 郑州大学
Abstract: 本发明适用于计算机视觉与图形图像处理技术领域，提供了一种基于协同神经网络的虚假新闻检测方法，包括文本特征提取模块、视觉语义特征提取模块、视觉篡改特征提取模块、相似性度量模块和多模态融合模块，还如下步骤：步骤S1：文本特征提取模块和视觉语义特征提取模块负责提取文本和视觉的语义特征，并将它们映射到同一空间；步骤S2：视觉篡改特征提取模块负责提取视觉物理特征和篡改特征；通过五个子网络的共同工作，很好地捕捉了多模态新闻数据中不同模态数据的相似性、文本和图像的语义层次特征以及视觉模式的一些物理层次特征，使得在复杂场景下的虚假新闻检测比现有模型更适合。
-
公开(公告)号：CN113312483A
公开(公告)日：2021-08-27
申请号：CN202110613933.8
申请日：2021-06-02
Applicant: 郑州大学
Abstract: 本发明适用于文本分类技术领域，提供了一种基于自注意力机制和BiGRU的文本分类方法，包括如下步骤：步骤S1：使用自注意力机制生成新的字嵌入作为文本表示；步骤S2：使用CNN提取文本局部特征；步骤S3：利用BiGRU获取文本上下文语义信息和长距离依赖关系；步骤S4：对CNN和BiGRU的输出进行融合；步骤S5：使用全连接层，结合Softmax函数获得文本分类结果；利用自注意力机制关注对分类贡献较大的文本部分，使用含有不同尺寸卷积核的多通道CNN提取不同粒度的文本局部特征，同时通过含有跳层连接结构的堆叠BiGRU网络提取文本间上下文语义信息和长距离依赖关系，最后将CNN和BiGRU的输出进行特征融合，训练分类器对不同类型的文本信息进行分类。
-
公开(公告)号：CN119475413A
公开(公告)日：2025-02-18
申请号：CN202411447253.3
申请日：2024-10-16
Applicant: 郑州大学
Abstract: 本发明涉及电子信息技术领域，公开了基于区块链的身份认证隐私保护机制研究系统，包括：数字身份管理模块、身份代理机构、用户认证模块、应用服务模块、区块链和星际文件系统；所述数字身份管理模块用于负责在区块链上部署智能合约，定义并公布公共参数如系统属性集N，在用户访问时提供服务；所述身份代理机构用于负责通过用户注册的DI D获取区块链上的加密数据，通过使用区块链、分布式数字身份、CP‑ABE和智能合约技术在身份认证流程中实现了用户身份信息数据的访问控制和隐私保护，因为区块链和I PFS都具有分布式特点，当部分节点出现故障时并不会影响整个方案从而解决了单点故障问题。
-
公开(公告)号：CN119206773A
公开(公告)日：2024-12-27
申请号：CN202411145965.X
申请日：2024-08-20
Applicant: 郑州大学
IPC: G06V40/10 , G06V20/52 , G06V10/62 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/24 , G06V10/20 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及计算机视觉领域，公开了一种跨模态特征互补与特征投影网络系统，包括模态互补模块、跨模态特征投影模块、多通道特征挖掘模块和训练与优化模块，所述模态互补模块用于减小红外光I R图像和可见光VI S图像之间的模态差异；所述跨模态特征投影模块用于将不同模态的特征数据投影到一个共享的特征空间中；所述多通道特征挖掘模块用于在共享特征空间中，进一步挖掘和聚合多层次、多通道的跨模态特征。通过模态互补模块，能够有效地减少VI S和I R图像之间的模态差异，采用空洞卷积和小卷积核卷积方式提取粗粒度和细粒度的特征，并通过特征权重进行模态互补，确保在不丢失关键信息的前提下，实现模态特征的互补，这大大提高了跨模态特征的相似性。
-
Patent Agency Ranking
公开(公告)号：CN119106297A
公开(公告)日：2024-12-10
申请号：CN202411130125.6
申请日：2024-08-16
Applicant: 郑州大学
IPC: G06F18/23 , G06F18/214 , G06N3/044 , G06N3/094
Abstract: 本发明公开了一种针对轨迹聚类的粒度自适应迭代黑盒对抗攻击方法，包括如下步骤：S100：采样轨迹数据以及簇标签信息，形成由轨迹数据和对应的簇标签组成的对，形成轨迹数据集；S200：通过现有的轨迹数据集基于轨迹聚类任务训练深度循环神经网络，作为待攻击的目标模型；S300：筛选原始轨迹数据用于对抗攻击，利用嵌入提取器计算该轨迹中每个轨迹点的显著性得分，获得显著性点集；本发明可以有效的针对深度轨迹聚类模型生成高质量对抗样本，这种逐点嵌入引导和粒度自适应迭代的对抗轨迹样本生成方法针对目前主流的深度轨迹聚类模型均具有通用性和适应性。
-
公开(公告)号：CN116704284A
公开(公告)日：2023-09-05
申请号：CN202310639454.2
申请日：2023-06-01
IPC: G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种恶劣天气下目标检测的增强细化网络及方法，涉及交通图像处理领域。本发明的增强细化网络包括依次连接的自适应图像增强模块、特征细化模块和目标检测模块；所述自适应图像增强模块包括依次连接的限制对比度自适应直方图均衡化滤波器、自适应照明增强滤波器和拉普拉斯金字塔锐化结构；所述特征细化模块包括通过残差块依次连接的下采样层、特征细化层和上采样层。本发明使用数字图像增强技术先进行图像的增强处理，为了在图像增强时保留图像更多的细节特征，特征细化模块基于Unet的特征细化模块对模糊细节特征进行细化。
-
公开(公告)号：CN115666038A
公开(公告)日：2023-01-31
申请号：CN202211344233.4
申请日：2022-10-31
Applicant: 郑州大学 , 河南许继仪表有限公司
Abstract: 本发明公开了一种企业管理用设备故障管理装置及其使用方法，设备故障管理装置，包括机架、工具管理组件、设备故障管理系统、显示器、操作组件、接线收纳组件、运行指示灯和安装盖板，所述机架的内侧底部设置有工具管理组件，所述机架的内侧顶部设置有设备故障管理系统，所述机架的一侧端面中央设置有操作组件，所述机架的端面一侧固定安装有显示器；本发明的设备故障管理装置，体积小巧，整体支撑牢固；能够具有良好的工具收储功能，有效提高维修管理的方便性；而且，能够将连接线材进行收纳管理，从而有效避免线材发生散乱，提高收纳的方便性；同时，能够具有设备故障管理的功能，能够大大提高故障的解决效率，从而降低经济损失。
-
公开(公告)号：CN115661462A
公开(公告)日：2023-01-31
申请号：CN202211422579.1
申请日：2022-11-14
Applicant: 郑州大学
Abstract: 本发明适用于医学影像分割领域，提供了一种基于卷积和可变形自注意力机制的医学影像分割方法，包括S1：对CT图像进行预处理和数据增强；S2：构建基于卷积和可变形自注意力机制的U‑Net架构模型Med‑CaDA；S3：对步骤S2构建的U‑Net架构模型采用Dice损失函数；S4：采用Adam优化算法训练步骤S2构建的U‑Net架构模型；S5：采用Dice score和95％Hausdorff distance两个指标衡量分割准确性。本发明构建了一个U‑Net架构的分割模型，并且提出了基于卷积和可变形自注意力机制的CaDA块，既保留卷积在局部信息提取上的优势，又利用了可变形自注意力机制捕捉全局依赖的能力，在较低计算量的情况下实现良好的医学影像分割精度。
-
公开(公告)号：CN113313037A
公开(公告)日：2021-08-27
申请号：CN202110613253.6
申请日：2021-06-02
Applicant: 郑州大学
Abstract: 本发明适用于深度学习中视频异常行为检测技术领域，提供了一种基于自注意力机制的生成对抗网络视频异常检测方法，包括如下步骤：步骤S1：将含有连续t‑1帧的正常作视频帧为训练数据，按时间顺序堆叠起来输入生成器网络AttentionU‑net用来预测其下一帧；步骤S2：将生成的预测帧与实际帧共同输入liteFlownet光流网络中，保证视频帧之间的运动连续性；通过在生成对抗网络的U‑net生成器部分加入基于网格特征图分配权重的自我学习软注意力门控机制来提取特征，自注意力机制自动寻找图像的相关部分，提高对前景内容的响应，同时模型中加入强度损失函数，梯度损失函数和运动约束信息，判别器部分使用马尔可夫判别器，利用对抗学习来加强模型对视频中异常行为的检测能力。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.08 seconds)
