-
公开(公告)号：CN113313683A
公开(公告)日：2021-08-27
申请号：CN202110589228.9
申请日：2021-05-28
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于元迁移学习的无参考视频质量评价方法，实现步骤为：获取预训练集、元训练支持集和查询集；构建图像质量评价网络模型G；对图像质量评价网络模型G进行迭代训练；构建基于元迁移的视频质量评价网络模型H；对视频质量评价网络模型H进行元训练；获取视频质量评价结果。本发明将预训练好的图像质量评价网络模型的图像失真特征提取模块的结构及权值参数迁移到视频质量评价网络模型的特征提取网络，并为特征提取网络最后一个卷积层的卷积核分配可元训练的缩放系数，解决了现有技术迁移后的模型提取的特征与视频失真特征差异较大和模型在训练时所需更新的参数量很大的问题，提高了基于元迁移学习的无参考视频质量评价的准确度和效率。
-
公开(公告)号：CN113255786A
公开(公告)日：2021-08-13
申请号：CN202110601075.5
申请日：2021-05-31
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于脑电信号和目标显著特性的视频质量评价方法，实现步骤为：采集受试者的眼动数据；计算所有受试者观看每个视频时的目标区域注视信息；获取显著目标视频和非显著目标视频，并对其进行失真处理；采集每位受试者重复观看显著目标失真视频和非显著目标失真视频的脑电信号；获取每位受试者的单次脑电信号片段；获取训练样本集和测试样本集；对支持向量机分类器进行迭代训练；获取显著目标失真视频和非显著目标失真视频的质量评价结果。本发明在视频质量评价过程中，通过对显著目标视频和非显著目标视频所诱发的脑电信号进行分类，解决了现有技术中未考虑视频的目标显著特性对失真感知影响的问题，提高了视频质量评价的准确性。
-
公开(公告)号：CN108647663B
公开(公告)日：2021-08-06
申请号：CN201810476203.6
申请日：2018-05-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习和多层次图结构模型的人体姿态估计方法，主要解决人体姿态估计精度较低的问题。其包含：1)重新定义人体部件，将人体部件分为组合部件和关节点两种类型；2)利用卷积神经网络对人体部件进行分类和定位，并输出人体各部件的候选坐标；3)设计多层次图结构模型；4)对每一个人体部件，利用设计的多层次图结构模型，计算卷积神经网络输出的候选坐标属于人体部件最终坐标的所有概率，从中选取该部件的最高概率，将最高概率对应的候选坐标取做该部件的最终坐标，并输出，得到人体的姿态估计结果。实验结果表明，本发明能获得高精度的人体姿态估计结果，可用于行为识别、人机交互、运动分析领域中对人体姿态的估计。
-
公开(公告)号：CN113096015A
公开(公告)日：2021-07-09
申请号：CN202110381620.4
申请日：2021-04-09
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于渐进式感知和超轻量级网络的图像超分辨率重建方法，解决了现有技术超分后的图像存在的结构畸变和几何失真的现象，实现步骤为：构建低参数密度的内容重建生成网络；构建低参数密度的感知重建生成网络；生成训练集；训练内容重建生成网络；利用内容相关特征训练感知重建生成网络；对自然图像进行超分辨率重建。本发明采用渐进式的重建方式逐步重建出结构清晰的图像，同时由于构建的生成网络的拓扑结构简单、参数量少，易于用于计算资源受限的移动设备及专有芯片中。
-
公开(公告)号：CN112085102A
公开(公告)日：2020-12-15
申请号：CN202010944337.3
申请日：2020-09-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于三维时空特征分解的无参考视频质量评价方法，其步骤为：构建由时空失真特征学习模块、质量回归模块组成的质量预测网络，生成无参考的训练数据集和测试数据集，训练时空失真特征学习模块和质量回归模块，输出测试集中每个失真视频的质量评价分数值。本发明用于从输入的失真视频中准确且高效地提取时空域内容的质量感知特征，在网络的输出端得到对应的预测质量分数，具有评价无参考视频质量时结果更加准确、应用更广泛的优点。
-
Patent Agency Ranking
公开(公告)号：CN110279415A
公开(公告)日：2019-09-27
申请号：CN201910583773.X
申请日：2019-07-01
Applicant: 西安电子科技大学
IPC: A61B5/0484
Abstract: 本发明公开了一种基于脑电信号的图像失真阈值系数估计方法，主要解决现有技术没有充分考虑人类视觉特性造成图像质量评价准确率低的问题，其方案为，通过设计不同失真等级的刺激图像；采集受试者观察刺激图像引起的脑电信号；对采集后的脑电信号依次进行参考转换、基线校正、滤波和分段处理；对处理后的脑电信号计算受试者观察失真图像时判断准确率为50％的脑电信号阈值，得到受试者脑电信号阈值与图像失真等级的线性关系，估计出图像失真阈值系数。本发明充分考虑人类视觉感知特性，利用图像失真阈值系数，估计受试者在观察失真图像引起的脑电信号阈值，提高了图像质量评价的客观性和准确性，可用于图像质量评价、图像压缩及图像检测。
-
公开(公告)号：CN105550989B
公开(公告)日：2018-11-30
申请号：CN201510902416.7
申请日：2015-12-09
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于非局部高斯过程回归的图像超分辨方法，主要解决现有技术在纹理区域上超分辨效果不佳的问题。其实现步骤为：1.对输入图像进行非局部图像块网格采样，构造训练样本集；2.基于训练样本集学习高斯过程回归模型；3.对测试图像预处理并生成测试样本集；4.在测试样本集上应用学习好的高斯过程回归模型，预测并输出超分辨图像。本发明充分利用输入图像本身存在的图像块自相似性，通过非局部采样获取更多的非局部相似性信息，使得高斯过程回归模型的训练更为高效。仿真实验表明，本发明具有较好的超分辨能力，重建的图像能恢复更多的细节信息，更接近真实的高分辨图像，可广泛应用于图像压缩、刑事侦查、高清娱乐等领域。
-
公开(公告)号：CN108717531A
公开(公告)日：2018-10-30
申请号：CN201810487188.5
申请日：2018-05-21
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于Faster-RCNN的人体姿态估计方法，其步骤为：输入图像；进行人体部件分类；获取人体姿态图像数据与标签；用训练集图像数据与标签，训练深度网络Faster R-CNN模型；获得矩形检测框；确定空间约束关系的人体部件位置；确定关节点位置；连接相邻人体部件的关节点并输出，得到人体上半身的姿态。本发明将人体部件分为单一部件和组合部件，采用了Faster R-CNN，使用脖子对应的位置坐标为基准，能够在图像背景干扰下得到高精度的人体上半身姿态估计。本发明具有鲁棒、高精度、应用场景广的人体姿态估计的优点。
-
公开(公告)号：CN108647663A
公开(公告)日：2018-10-12
申请号：CN201810476203.6
申请日：2018-05-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习和多层次图结构模型的人体姿态估计方法，主要解决人体姿态估计精度较低的问题。其包含：1)重新定义人体部件，将人体部件分为组合部件和关节点两种类型；2)利用卷积神经网络对人体部件进行分类和定位，并输出人体各部件的候选坐标；3)设计多层次图结构模型；4)对每一个人体部件，利用设计的多层次图结构模型，计算卷积神经网络输出的候选坐标属于人体部件最终坐标的所有概率，从中选取该部件的最高概率，将最高概率对应的候选坐标取做该部件的最终坐标，并输出，得到人体的姿态估计结果。实验结果表明，本发明能获得高精度的人体姿态估计结果，可用于行为识别、人机交互、运动分析领域中对人体姿态的估计。
-
公开(公告)号：CN104182755B
公开(公告)日：2017-04-12
申请号：CN201410437632.4
申请日：2014-08-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于塔形PCA的乳腺钼靶X线图像块特征提取方法，主要解决现有技术提取的特征中不包含肿块中间密度大边缘密度小这一特征的缺点。其实现步骤是：(1)预处理；(2)构成塔形结构；(3)获得各图像层的灰度特征向量；(4)训练各图像层灰度特征的特征空间；(5)获得各图像层的主成分特征；(6)获得基于塔形PCA的乳腺钼靶X线图像块特征。本发明能使乳腺钼靶X线图像块的特征表示更为鲁棒，更为有效的表示图像特征，提高乳腺钼靶X线摄影图像中肿块区域检测的准确率，从而辅助放射科医生进行临床诊断。
-
-
-
-
-
-
-
-
-
Search Results
171
records
(took 0.031 seconds)
