-
公开(公告)号：CN106504276A
公开(公告)日：2017-03-15
申请号：CN201610938472.0
申请日：2016-10-25
Applicant: 桂林电子科技大学
IPC: G06T7/33
Abstract: 本发明公开了一种非局部立体匹配算法的组合匹配代价算法和视差联合填充算法，该算法使用基于最小生成树的代价聚合的非局部立体匹配算法，在预处理阶段使用基于改进的最小生成树的算法去除原始图像的噪音，增强纹理信息，获得增强图像。然后在匹配代价阶段不仅使用原始图像的信息，还使用增强图像的信息。这样即得到了图像的局部信息，也能获得全局信息，在后期的代价聚合起一定的作用。在最后的视差细化部分，针对视差不连续和误匹配问题，提出了联合权重填充算法。实验表明，与其他的非局部立体匹配算法相比，该算法的误匹配率低，对边缘区域，重复纹理和遮挡区域有很强的鲁棒性。实验结果证明了本发明算法的有效性。
-
公开(公告)号：CN114529482B
公开(公告)日：2024-03-29
申请号：CN202210157461.4
申请日：2022-02-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于小波多通道深度网络的图像压缩感知重建方法，其特征在于，包括如下步骤：1）训练数据预处理对局部图像块进行二阶小波变换；2）线性映射；3）小波变换；4）多通道图像重建；5）特征融合；6）计算损失函数Loss；7）判断误差是否达到设定值。这种方法能更好地表示不同的图像内容、并且恢复更多的细节特征。
-
公开(公告)号：CN114708281B
公开(公告)日：2024-03-22
申请号：CN202210392717.X
申请日：2022-04-15
Applicant: 桂林电子科技大学
IPC: G06T9/00 , H04N19/176 , H04N19/85 , G06N3/0464 , G06N3/0985 , G06V10/74 , G06V10/80
Abstract: 本发明公开了一种基于自适应非局部特征融合网络的图像压缩感知重建方法，其特征在于，包括如下步骤：1)训练数据预处理；2)获取测数据yi；3)构造图像块压缩观测值yi协同重构组Yi；4)采用线性映射网络F获得初始重建图像块协同重构组Zi；5)将协同重构组Zi进行特征交互得到协同联合重建特征Zc；6)采用全局残差网络Fr对图像块zi进行增强重建获得重建图像z′i；7)采用图像块稀疏约束损失函数对网络训练进行约束。这种方法采用非局部特征为图像块重建提供互补信息，能有效恢复图像中的高频信息。
-
公开(公告)号：CN114898439B
公开(公告)日：2024-03-19
申请号：CN202210614368.1
申请日：2022-06-01
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06V20/40 , G06V10/82 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种基于分段策略和多头卷积注意力的视频人脸识别方法，包括如下步骤：1）对视频人脸数据集进行预处理；2）对步骤1）中得到的视频帧图像集进行分段线性映射、位置嵌入操作；3）深度特征提取；4）识别；5）损失函数进行训练；6）完成人脸识别。本技术方案分段策略有效去除了跨度较大的视频帧面部姿态、大小等变化较大而对特征提取施加的冗余噪声，并结合提出的多头卷积注意力模块有效提取冗长视频序列的上下文信息，同时大幅降低了模型的复杂程度，分段损失函数的设计加速了网络的训练并提高模型抗干扰的能力，最终使得模型具有更好的识别性能。
-
公开(公告)号：CN117407808A
公开(公告)日：2024-01-16
申请号：CN202311475888.X
申请日：2023-11-07
Applicant: 桂林电子科技大学
IPC: G06F18/2431 , G06F18/214 , G06F18/213 , G06V10/764 , G06V10/40 , G06N3/08 , G06N3/0442
Abstract: 本发明公开了一种基于分数的扩散模型生成回放的类增量学习方法，所述方法包括如下步骤：1)训练分类器；2)建立基于分数的扩散模型；3)训练鉴别器；4)基于分数的扩散模型的生成回放。本技术方案利用基于分数的扩散模型生成高质量的旧类样本来记忆旧类信息，并使扩散模型和鉴别器能够以与分类器相同的方式来增量式地学习新类别，以此避免顺序更新模型时遭受的灾难性遗忘问题，从而有效地提升分类性能。
-
Patent Agency Ranking
公开(公告)号：CN117131153A
公开(公告)日：2023-11-28
申请号：CN202310928224.8
申请日：2023-07-26
Applicant: 桂林电子科技大学
IPC: G06F16/33 , G06F16/35 , G06F40/289 , G06F40/211 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种文本匹配方法、装置、系统以及存储介质，属于文本匹配领域，方法包括：导入原始文本数据集，对原始文本数据集进行分词处理得到多个分词后文本句子；将所有分词后文本句子两两分为一组得到多个分词后文本句子组；分别对各个分词后文本句子组进行更新得到目标文本句子组；分别对各个目标文本句子组进行预测，得到文本匹配结果。本发明提高了特征提取的效果，增强了数据效率以及模型的泛化能力，同时，减少了计算量，较好的节省了训练成本，能够更好的获取句子的全局信息，解决了长文本匹配中的长程依赖等问题。
-
公开(公告)号：CN112308884B
公开(公告)日：2023-06-16
申请号：CN202011227714.8
申请日：2020-11-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量核范数的视频背景减除方法，用改进的张量核范数去表征视频背景的低维特性，使得背景约束更加接近实际视频背景的秩，为前景背景更加准确的分离提供了一定的保证；用L1,1,2范数去建模视频前景的稀疏性，加强了视频前景的时空连续性和管稀疏性，从而达到了较好的背景前景分离效果。
-
公开(公告)号：CN114898439A
公开(公告)日：2022-08-12
申请号：CN202210614368.1
申请日：2022-06-01
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06V20/40 , G06V10/82 , G06V10/774 , G06N3/04
Abstract: 本发明公开了一种基于分段策略和多头卷积注意力的视频人脸识别方法，包括如下步骤：1）对视频人脸数据集进行预处理；2）对步骤1）中得到的视频帧图像集进行分段线性映射、位置嵌入操作；3）深度特征提取；4）识别；5）损失函数进行训练；6）完成人脸识别。本技术方案分段策略有效去除了跨度较大的视频帧面部姿态、大小等变化较大而对特征提取施加的冗余噪声，并结合提出的多头卷积注意力模块有效提取冗长视频序列的上下文信息，同时大幅降低了模型的复杂程度，分段损失函数的设计加速了网络的训练并提高模型抗干扰的能力，最终使得模型具有更好的识别性能。
-
公开(公告)号：CN112286891A
公开(公告)日：2021-01-29
申请号：CN201910670468.4
申请日：2019-07-24
Applicant: 桂林电子科技大学
IPC: G06F16/18 , G06F16/215 , G06F11/08 , H04L1/00
Abstract: 本发明涉及一种嵌入式以太网数据采集方法，解决的是实时性低并不能兼顾可靠性的技术问题，通过采用步骤一，FPGA系统初始化，在系统中安装Libpcap函数库；步骤二，FPGA系统设置n1条通道，根据Libpcap函数库采用乒乓方法在n1条通道中轮换进行数据包捕获；步骤三，将数据的数据包格式设置为源端口地址、目标端口地址、数据长度、校验码、数据内容传输给PC系统，所述校验码包含有数据序列信息；步骤四，PC系统接收到传输的数据后，进行数据过滤；步骤五，PC系统进行数据识别处理的技术方案，较好的解决了该问题，可用于中。
-
公开(公告)号：CN112164011A
公开(公告)日：2021-01-01
申请号：CN202011085140.5
申请日：2020-10-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于自适应残差与递归交叉注意力的运动图像去模糊方法，其特征在于，包括：1）去模糊网络框架的建立；2）浅层特征提取；3）自适应残差过程；4）递归交叉注意力过程；5）图像重建；6）判别网络模型。这种方法能解决运动模糊图像的非均匀性问题，去除伪影且获取更多的图像高频特征，重建出纹理细节丰富的高质量图像。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.02 seconds)
