-
公开(公告)号：CN117994124A
公开(公告)日：2024-05-07
申请号：CN202410286237.4
申请日：2024-03-13
Applicant: 安徽工业大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于分阶段引导扩散采样的中国水墨画风格迁移方法，包括如下步骤：S1、利用公开的中国水墨画图像数据集，制作扩散模型去噪Unet网络的训练数据集；S2、依据步骤S1制作的数据集来对去噪Unet网络进行训练，保存训练参数；S3、构建一个包括内容、风格以及色彩方面损失的分阶段引导扩散采样算法，用于图像引导生成；S4、将内容图像和风格图像作为网络的输入，利用学习得到的参数以及设计的采样算法得到风格化结果作为输出。本发明通过水墨画风格领域的针对性训练以及设计的采样算法，有效提升了中国水墨画风格迁移的内容保真度以及所生成的水墨画纹理真实感，在艺术图像生成等领域中有着广泛的应用前景。
-
公开(公告)号：CN116029902A
公开(公告)日：2023-04-28
申请号：CN202310057582.6
申请日：2023-01-17
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于知识蒸馏的无监督真实世界图像超分辨方法，属于图像处理技术领域。本发明主要包括以下步骤：1、获取真实世界图像数据集，并将数据集中的图像进行预处理；2、构建一个基于教师模型与学生模型的知识蒸馏网络用于模型训练；3、基于构建的知识蒸馏网络和预处理的数据集对网络模型进行训练；4、依据学习的模型参数，将一幅真实世界中的具有多样退化的低分辨图像作为网络的输入，得到清晰的高分辨率图像。本发明通过结合拥有优良性能的知识蒸馏模型和对抗生成网络，生成了重建效果不错的高分辨率图像，在医疗、遥感等领域中有着广泛的应用前景。
-
公开(公告)号：CN106327525B
公开(公告)日：2019-05-07
申请号：CN201610817643.4
申请日：2016-09-12
Applicant: 安徽工业大学
Abstract: 本发明公开了一种机房重地越界行为实时监测方法，属于图像处理与视频监测技术领域。本发明将提取的前景图与阴影区域进行逻辑与运算，从而得到精确的运动目标前景图；然后从精确的运动目标前景图中找到所有运动目标轮廓，并使用CONTOUR中的矩形来画运动目标轮廓；确定矩形区域的脚的位置，用求出的脚的位置坐标和待监测规则矩形区的位置坐标进行比较，从而可以判断出运动目标是否越界。本发明改变了传统监控系统被动提供视频画面的状态，能够主动对视频监控中的人进行定位、跟踪、分析和判断，并能够克服光照的变化以及外界环境的影响，避免自然条件变化对监测的干扰。
-
公开(公告)号：CN105869133B
公开(公告)日：2019-02-26
申请号：CN201610356503.1
申请日：2016-05-20
Applicant: 安徽工业大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于非因果分数阶次微分的图像锐化方法，属于图像处理技术领域。本发明利用因果分数阶次微分和反因果分数阶次微分的组合来实现对待锐化图像的非因果分数阶次微分，通过调节微分阶次的值来调节最终的幅频增益，进而调节对噪声的抵抗性以及对图像细节信息的敏感度，然后将最终的非因果分数阶次微分图像以一定形式加入到原始待锐化图像中，得到最终的锐化图像。本发明基于非因果分数阶次微分的新颖算法进行微分运算，在增强图像细节信息的同时，能够有效地抑制噪声，在抑制噪声影响的同时，能够极大地增强图像的细节，能广泛应用于图像分析和自动目标识别等领域。
-
公开(公告)号：CN106204570B
公开(公告)日：2019-01-22
申请号：CN201610527860.X
申请日：2016-07-05
Applicant: 安徽工业大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于非因果分数阶梯度算子的角点检测方法，属于图像处理技术领域。本发明是利用因果、反因果分数阶次积分和因果、反因果分数阶次微分的组合来实现待检测灰度图像的非因果分数阶次梯度运算的，具体步骤为：首先读取图像，生成灰度矩阵f(x,y)；再计算f(x,y)在x和y两个方向的非因果分数阶梯度Dx，Dy；计算梯度方向的乘积DxDy；使用高斯核分别对DxDy滤波；计算角点强度量；最后进行非极大值抑制，即得到精确的图像角点。本发明基于非因果分数阶梯度的新颖算法进行梯度和角点能量运算，能够更好地提高角点检测精度，适用于图像配准与匹配、图像融合以及目标识别等计算机视觉领域。
-
Patent Agency Ranking
公开(公告)号：CN108960171A
公开(公告)日：2018-12-07
申请号：CN201810762885.7
申请日：2018-07-12
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于特征迁移学习的转换手势识别到身份识别的方法，属于模式识别和生物识别技术领域。本发明的主要步骤包括：步骤1、制作同时包含手势类型标签和用户身份标签的手势训练集；步骤2、构建手势识别网络和特征迁移网络模型；步骤3、基于制作的数据集，训练手势识别网络；步骤4、基于制作的数据集，训练特征迁移网络；步骤5、依据学习的特征迁移网络模型参数，输入一个动态手势，识别出对应的用户身份。本发明提出基于双向门限循环网络的手势识别网络，并采用特征迁移网络将手势识别转换到身份识别，在信息安全、医学防尘等领域有着广泛的应用前景。
-
公开(公告)号：CN120050481A
公开(公告)日：2025-05-27
申请号：CN202510195783.1
申请日：2025-02-21
Applicant: 安徽工业大学
IPC: H04N21/81 , H04N21/854 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于无训练策略与多主体注意力对齐的图生视频生成方法，属于图生视频技术领域。本发明通过主体感知和注意力解开处理将不同的主体隔开的同时计算注意力的时候仅对一个主体自身的信息进行对齐，并屏蔽了其余的主体，注意力的计算中需要将每个主体的帧特征和文本特征进行对齐，解开的注意力可以将每个主体提取出来并与之相对应的文本特征进行对齐，并且其余对象在处理时不参与计算，这样就使得每个主体在最后结果中只表现与自身文本相对应的动作。
-
公开(公告)号：CN119380060A
公开(公告)日：2025-01-28
申请号：CN202411519635.2
申请日：2024-10-29
Applicant: 安徽工业大学
IPC: G06V10/762 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/0499 , G06N3/048 , G06N3/0985 , G06N3/0895
Abstract: 本发明公开了基于跨视图编码与图约束的不完整多视图对比学习方法，属于计算机视觉技术领域。本发明将经过跨视图编码器来捕获样本高级表示，以此为中心构造关系图，由于同一实例的不同视图特征在语义上是一致的，因此不同视图中的同一实例可以共享相似的关系图，通过该方式，能够使得不同视图的高级特征表示在特征空间中进行拉近并对齐；然后再采用自监督高置信度引导进一步增强其自身的表征学习；此外，为了更加关注实例间的邻居关系，通过引入图约束将重构数据反向推动到表示学习过程中，并允许它们相互协作以实现更好的聚类。
-
公开(公告)号：CN117496210A
公开(公告)日：2024-02-02
申请号：CN202311478754.3
申请日：2023-11-06
Applicant: 安徽工业大学
IPC: G06V10/762 , G06V10/774 , G06V40/10 , G06V10/778
Abstract: 本发明公开了一种应用于无监督行人重识别的一致性距离度量方法，属于计算机视觉技术领域，包括以下步骤：S1：对于目标域无标签数据，利用样本在特征空间的原始距离进行聚类，得到初始的伪标签；S2：基于原始距离和初始伪标签，计算视角相关的全局相机修正项和局部相机修正项；S3：利用构造的修正项来重新计算修正后样本间相机无关的距离，并以此重新进行聚类，得到优化后的伪标签；S4：利用优化后的伪标签对模型进行微调。本发明可以确保行人图像在特征空间的距离度量不受视角差异的影响，进而得到更好的聚类结果和更可靠的伪标签。
-
公开(公告)号：CN116168107A
公开(公告)日：2023-05-26
申请号：CN202310180484.1
申请日：2023-02-24
Applicant: 安徽工业大学
IPC: G06T11/00 , G06N3/08 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于参考图片的人脸草图着色方法，属于图像处理技术领域。本发明包括以下步骤：1、制作成对的草图与真实图片的训练集；2、构建人脸草图编码器获得人脸草图的结构特征和参考图片编码器获得参考图片的特征，使用交叉注意力机制进行特征融合，在解码阶段使用Transformer在融合的特征上建立长距离依赖关系；3、基于构建的编码器‑解码器网络和制作的训练集训练网络模型；4、根据学习得到的模型参数，输入人脸草图和真实的人脸参考图片，得到具有参考图片色彩风格的真实图片。本发明在合成的真实感人脸的不同部位间建立长距离依赖关系，使生成的人脸图片局部细腻、逼真，在全局上也具有一致性、连贯性特点。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.031 seconds)
