-
公开(公告)号：CN118094487B
公开(公告)日：2024-07-02
申请号：CN202410510256.0
申请日：2024-04-26
Applicant: 成都信息工程大学
IPC: G06F18/27 , G06F18/214 , G06F18/15 , G01W1/14 , G06N3/0442 , G06N3/045 , G06N3/0464
Abstract: 本发明提供基于时空感知机制的多源气象要素预测降水的方法及系统，涉及数据处理领域，该方法包括：建立降水预测模型，其中，降水预测模型至少包括图像块嵌入层、时空特征提取网络和通道感知网络；建立训练样本；使用训练样本训练降水预测模型；获取目标区域在目标时间的多气象要素预报数据；对目标区域在目标时间的多气象要素预报数据进行预处理；通过训练后的降水预测模型基于预处理后的目标区域在目标时间的多气象要素预报数据，预测目标区域在目标时间的降水预测信息，具有提高降水预测的精度的优点。
-
公开(公告)号：CN110211165B
公开(公告)日：2022-08-05
申请号：CN201910497153.4
申请日：2019-06-10
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于异步深度强化学习的图像多模态配准方法，所述配准方法包括以下内容：将不同模态(如CT、MRII)的两张图片堆叠输入神经网络进行处理并输出当前的状态值信息和策略动作的概率分布信息；根据概率分布信息在环境中移动动态图像并返回一个奖励值；判断当前网络状态值信息是否达到阈值；对当前图像配准进行采样并输出最终结果。通过基于强化学习(A3C算法)，提出一种自定义的奖励函数，加入循环卷积结构以充分利用时空信息，并采用蒙特卡洛进行图像配准，提高了配准的性能，相比于现有配准方法配准结果更接近标准的配准图像，面对差异大的图像配准更加稳定。
-
公开(公告)号：CN114581499A
公开(公告)日：2022-06-03
申请号：CN202210156588.4
申请日：2022-02-21
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度强化学习的多模态医学图像刚性配准算法，这是一种新的端到端的多模态图像配准方法，由异步优势演员评论家(A3C)进行训练，能够模仿人类专家的逐步配准过程，增强了配准结果的可解释性。鉴于多模态配准任务在计算复杂度方面的严峻挑战，本发明将强化学习与注意力机制结合，使智能体能够捕捉更加抽象的高维特征，避免引入参数量巨大的深层次神经网络，保持了网络轻量高效的特性，这使得模型易于训练，且具有强大的鲁棒性和泛化能力，能够驱动模型能够沿着正确的方向扭曲移动图像。
-
公开(公告)号：CN108765332B
公开(公告)日：2022-05-06
申请号：CN201810502466.X
申请日：2018-05-23
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于非局部均值框架的图像去噪处理方法，涉及图像处理技术，采用与图像局部区域结构一致的椭圆搜索窗口，根据图像的局部结构，对椭圆搜索窗口的尺寸大小和去噪算法内平滑参数数值的进行自适应调整，以更好地对待去噪像素点的灰度值进行估计。本发明在不同噪声环境下的去噪效果有比较好的鲁棒性。本发明通过对图像局部区域的直方图信息和图像矩阵信息的分析，实现基于非局部均值算法的图像块大小自适应、平滑参数数值自适应以及搜索窗口形状自适应，从而有效地对图像细节部分进行噪声抑制并尽可能地保留住细节部分的纹理信息，实现对传统非局部均值算法的改进，实验效果证明改进算法在去噪效果和纹理部分提升明显。
-
公开(公告)号：CN109064418B
公开(公告)日：2022-03-08
申请号：CN201810758901.5
申请日：2018-07-11
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于非局部均值的非均匀噪声图像去噪方法，包括：步骤1：使用评价算子R对非均匀噪声图像先进行像素粗分类；步骤2：对噪声图像中的每一个像素，根据其周围邻域像素的粗分类结果，采取多数投票方法，对该像素的类别进行细分类，分为：低噪声高纹理、中等纹理、高噪声次纹理、平滑区域的其中一类；步骤3：对细分类后的每一个类别，自适应的选择滤波参数和邻域块大小，使用非局部均值去噪算法进行像素去噪；达到消除噪声的效果和纹理保留效果之间的平衡。
-
Patent Agency Ranking
公开(公告)号：CN113903197A
公开(公告)日：2022-01-07
申请号：CN202111232127.2
申请日：2021-10-22
Applicant: 成都信息工程大学 , 成都璟鱼互动科技有限公司
IPC: G09B5/06
Abstract: 本发明属于多媒体教育技术领域，公开了一种基于桌面投影的自闭症儿童生活教育之叠被子教学装置及方法，教学装置包括计算机、投影仪、摄像头、平板电脑、兔子玩偶，大小为17*13cm的迷你枕头、大小为45*25cm的迷你被子、一个大小为106*72cm的被子(普通尺寸)和白底桌面；所述投影仪与计算机连接，用于显示过程所涉及的全部动画；所述摄像头与计算机连接，用于在正式的教学部分中进行图像识别，检验该步骤所得结果是否正确。本发明采用的桌面互动形式会让自闭症儿童在学习过程中更有兴趣；本发明第一阶段采用的教学方式具有可执行性；本发明从训练到实践的方法可以帮助自闭症儿童进行知识的迁移。
-
公开(公告)号：CN113516126A
公开(公告)日：2021-10-19
申请号：CN202110750847.1
申请日：2021-07-02
Applicant: 成都信息工程大学
IPC: G06K9/32 , G06K9/34 , G06K9/38 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/13 , G06T7/136
Abstract: 本发明涉及一种基于注意力特征融合的自适应阈值场景文本检测方法，包括，通过设备捕捉场景图片，将场景图片输入到构建好的神经网络中，神经网络包括三个处理模块；特征提取模块用于对图片进行特征提取，其中卷积层加入的通道注意力模块能够动态调制图片各通道的权重，通过增强文本特征权重来提高网络的表示能力，特征融合将特征提取模块中下采样得到的不同尺度的的特征进行金字塔方式的特征融合，融合了低层特征的高分辨率和高层特征的语义信息，提高了分割的鲁棒性。图像分割模块是将特征融合模块得到的特征进行预测得到概率图和阈值图，在通过网络中学习概率图像素的最佳阈值，最后在概率图上利用最佳阈值生成最佳二值图，得到检测的文本区域。
-
公开(公告)号：CN112037145A
公开(公告)日：2020-12-04
申请号：CN202010899828.0
申请日：2020-08-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于自适应局部转向核的MRI图像上采样方法，方法包括：输入准备好需要进行上采样和去噪的待处理MRI图像，首先用计算得到的局部转向核LSK来调整插值权值以适应图像的几何结构；再通过自适应锐化来增强噪声图像上LSK分布的趋势，有助于去除噪声和增强边缘细节；最后使用Rician偏差校正，校正直接将加权平均框架应用于MRI数据集时，Rician噪声分布的不对称性而产生的偏差,经过此重建过程得到的上采样结果图像能够在去噪的同时保留更多的上下文细节。
-
公开(公告)号：CN117252756A
公开(公告)日：2023-12-19
申请号：CN202310945726.1
申请日：2023-07-31
Applicant: 成都信息工程大学
IPC: G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于对称视觉注意力网络的高效图像超分辨率方法，利用大核卷积的大感受野来提高图像的重建质量，以瓶颈式感受野结构和对称式注意力结构提升深度特征的提取能力，使网络的学习能力进一步增强，使用不同的高效卷积组合，大大减少了参数的数量，同时保持了较大的感受野，以确保重建质量。然后根据感受野大小形成瓶颈注意力块，通过对称结构得到对称大核注意力模块。通过实验对比结果，说明本发明提出的方法可以达到减少网络参数数量，提升网络性能和效率的目的，实现了轻量化的高效图像超分辨率途径。
-
公开(公告)号：CN116563653A
公开(公告)日：2023-08-08
申请号：CN202310384889.7
申请日：2023-04-12
Applicant: 成都信息工程大学
IPC: G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于深度强化学习的图像风格逐步迁移方法，该方法将一步风格迁移的过程拆分为逐步风格迁移的过程，将准备好的内容图片和风格图片放入到环境中，环境的初始状态设置为内容图片，风格图片用于计算反馈奖励，环境中计算反馈奖励的网络使用预训练的VGG模型，反馈奖励是状态和风格图片经过VGG模型提取得到的多层特征图的格拉姆矩阵距离的相反数。使用深度强化学习控制风格化程度的增加，在风格迁移的早期步骤中保留内容图像的更多细节和结构，并在后续步骤中合成更多风格模式，并且，本发明采用的模型是轻量级的，参数少，计算复杂度低，并且是一种用户易于控制风格化程度的风格迁移方法，避免了繁琐的手动设置超参数调整风格化程度。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.028 seconds)
