-
公开(公告)号：CN117333473A
公开(公告)日：2024-01-02
申请号：CN202311386026.X
申请日：2023-10-23
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/771 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于图像块和缺陷过滤的缺陷检测方法，包括如下步骤：获取按照是否含有缺陷以及缺陷类型分类构建训练数据集；使用一个预训练的深度神经网络模型提取训练数据集中图像的特征图；输入特征图应用聚合函数得到多层次的图像块特征；根据类别保存一份正常图像的图像块特征的副本后，分别对正常图像的图像块特征和缺陷图像的图像块特征进行下采样；将下采样后的缺陷图像的图像块特征进行缺陷过滤，筛除其中的正常图像块特征，存入可拓展的图像块仓库；将待检测图像作为输入，根据测试图像中的图像块特征的类别，确定测试图像的类别，即是否含有缺陷以及缺陷的种类，该方法依据图像块特征在高维空间的距离来进行缺陷检测。
-
公开(公告)号：CN116796184A
公开(公告)日：2023-09-22
申请号：CN202310289243.0
申请日：2023-03-23
Applicant: 杭州电子科技大学
IPC: G06F18/214 , G06N3/08 , G06F18/213 , G06N3/0464 , G06F16/901
Abstract: 针对分布于未知域的图像的分类预测问题，源数据集和目标数据集的不匹配分布将导致源模型在目标域的性能显著下降，而目前已提出的针对跨域视觉表示的分布对齐方法没有考虑到跨域内部数据结构的差异。本发明通过样本结构特征的相似性，利用样本的CNN特征构建密集连接实例图。每个节点对应样本的CNN特征，该特征由标准卷积网络提取。然后，将图卷积网络应用于实例图，并将图结构信息沿着设计的网络学习加权图的边缘进行传播以更新节点。本发明利用类均值构造类原型进行分类，还考虑了实例节点的比较监督学习，以学习实例节点上类语义信息。本发明为了更好地学习和减少领域之间类别语义信息的差异，采用软标签进行领域之间知识蒸馏。
-
公开(公告)号：CN115964644A
公开(公告)日：2023-04-14
申请号：CN202310029224.4
申请日：2023-01-09
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于K最相近要素的数据融合方法。本发明从数据结点的构成要素出发，以数据要素的属性值、量化知识等特性为依据，根据设定的最少最相近要素对和数据要素所在向量的间隔区间数分析数据要素的最相近情况，并以此聚集相似数据结点。同时，对已聚集的数据结点子集中每个数据要素组，提供一种由占主导的最相近数据要素决定其目标数据要素的融合方式。本发明旨在通过直接有效的聚集融合策略，提高医学等领域数据融合的效率和可靠性以及基于融合结果的决策精准性。
-
公开(公告)号：CN115131252B
公开(公告)日：2022-11-29
申请号：CN202211064191.9
申请日：2022-09-01
Applicant: 杭州电子科技大学
Inventor： 宋颖 , 彭伟民 , 其他发明人请求不公开姓名
IPC: G06T5/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于二次编解码结构的金属物体表面高光去除方法，包括如下步骤：S1、采集原图像建立训练集，并根据数据集中含有高光的原图像，获得高光区域与非高光区域的像素分类训练集；S2、构建高光检测网络，将高光图像输入到高光检测网络，结合兴趣区域掩码输出高光检测的分类结果；S3、根据分类结果，计算损失并更新高光检测网络；S4、构建高光去除网络，输出高光去除结果；S5、根据无高光真值和S4的输出，计算损失并更新高光去除网络。该方法在保证物体颜色一致性与不失真的前提下，去除金属物体表面的高光构成一个适用性广的高光去除网络架构。
-
公开(公告)号：CN114972373B
公开(公告)日：2025-04-18
申请号：CN202210449033.9
申请日：2022-04-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于视差分割的目标检测方法，建立3个网络结构相同的检测分支，用于进行多尺度目标识别，与其他多尺度网络不同的是，每个检测分支只接收经视差分割后、对应距离尺度下的图像信息，除此之外，在图像信息被传入每个分支前，其分辨率都进行了指定的变换，以加强目标的特征信息表达能力，在网络的最后，各个尺度分支的检测结果经过放缩、合并后，得到完整的检测结果。与其他多尺度检测方法相比，基于视差分割的多尺度检测网络对于中远距离小目标的检测更为精确可靠。
-
Patent Agency Ranking
公开(公告)号：CN116070846A
公开(公告)日：2023-05-05
申请号：CN202310019706.1
申请日：2023-01-06
Applicant: 杭州电子科技大学
IPC: G06Q10/0631 , G06Q10/0639
Abstract: 本发明提供一种基于泛化表示的数据资产的价值分配与价值评估方法，包括以下步骤：步骤(1)获取数据资产，利用基于泛化表示的数据资产的价值分配方法，得到价值分配比例；步骤(2)对基于泛化表示的数据资产进行价值评估，得到数据拥有者、加工者、销售者、数据平台的评估价值。本发明旨在促进数据要素产的流通，实现数据要素的增值，从数据资产的相关概念组合和多源多模态数据的泛化表示出发，提供了一种基于泛化表示的数据资产的精准价值分配方法，包括传统生产要素、数据要素和算法的价值分配方法，为数据资产拥有者、加工者、销售者、数据平台等相关主体提供了一种基于泛化表示的价值量化评估方法。
-
公开(公告)号：CN114972373A
公开(公告)日：2022-08-30
申请号：CN202210449033.9
申请日：2022-04-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于视差分割的目标检测方法，建立3个网络结构相同的检测分支，用于进行多尺度目标识别，与其他多尺度网络不同的是，每个检测分支只接收经视差分割后、对应距离尺度下的图像信息，除此之外，在图像信息被传入每个分支前，其分辨率都进行了指定的变换，以加强目标的特征信息表达能力，在网络的最后，各个尺度分支的检测结果经过放缩、合并后，得到完整的检测结果。与其他多尺度检测方法相比，基于视差分割的多尺度检测网络对于中远距离小目标的检测更为精确可靠。
-
-
-
公开(公告)号：CN118411372B
公开(公告)日：2024-09-13
申请号：CN202410884592.1
申请日：2024-07-03
Applicant: 杭州电子科技大学
IPC: G06T7/10 , G06T5/50 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/09
Abstract: 针对现有基于轮廓的实例分割方法存在的轮廓节点之间关联性较弱导致分割准确性不足的问题，本发明公开了一种基于残差图卷积网络与卷积门控循环单元的实例分割方法，属于实例分割领域。方法包括：步骤(1)将待分割的图像输入到特征提取网络，得到图片特征、实例中心热点图和轮廓节点偏移量序列。步骤(2)根据实例中心热点图以及轮廓节点偏移量序列，获取初始轮廓。步骤(3)将初始化轮廓与图片特征输入RGCN变形网络，以增强各轮廓节点之间的关联，并得到更新后的轮廓。步骤(4)将更新后的轮廓与图片特征输入CGRU变形网络，完成实例分割。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.021 seconds)
