-
公开(公告)号：CN108573287B
公开(公告)日：2021-10-29
申请号：CN201810446279.4
申请日：2018-05-11
Applicant: 浙江工业大学
Abstract: 一种基于深度神经网络的图像编解码器的训练方法，所述训练方法包括以下步骤：第一步、空间解耦：用于解除编解码器和生成模型的耦合，并解除隐变量编码与重建模块的耦合；第二步，时间分治：在训练编解码器的不同阶段优化不同的损失函数并使用不同的学习速率来提高训练的速度与稳定性。本发明提供了一种有效避免多个误差函数相互干扰的基于深度神经网络的图像编解码器的训练方法。
-
公开(公告)号：CN113240763A
公开(公告)日：2021-08-10
申请号：CN202110377350.X
申请日：2021-04-08
Applicant: 浙江工业大学
Abstract: 一种基于SPRNN和多尺度参考模态的快速MRI辅助重建方法，包括如下步骤：步骤1输入u倍欠采样的参考模态图像和全采样的参考模态图像步骤2由深度亚像素递归神经网络得到重构后的待定模态图像图1给出了深度亚像素递归神经网络fSPRNN(yu,y′；Θ)的设计方案。本发明将亚像素卷积、数据一致性算子、多尺度参考模态与多模态MRI辅助重建技术相结合，基于递归神经网络对高倍欠采样的MR图像进行逐步重建，能够有效降低输入数据中的大量伪影对重构效果的影响，能有效提升待定模态的MRI图像的重建质量。
-
公开(公告)号：CN112731282A
公开(公告)日：2021-04-30
申请号：CN202011430717.1
申请日：2020-12-09
Applicant: 浙江工业大学
IPC: G01S3/802
Abstract: 一种基于虚拟子阵交织的声阵列空间滤波方法，所述方法包括波束成形方法和波达方向估计方法。一种基于虚拟子阵交织的声阵列空间滤波系统，所述系统包括：超密集微声虚拟阵列，用于设置阵列框架，模拟声波的多径现象；声阵列空间滤波模块，用于将输入声源进行白噪声削弱进行波束成形和波达方向计算。本发明利用超密集微声阵列的冗余特性，构建出多种不同的虚拟子阵，利用子阵间不同的阵列流行对同一目标形成多种不同的测量结果，以加权平均的方式滤除结果中的随机噪声及干扰，可以提高阵列波束成形的指向性及波达方向估计的精度。
-
公开(公告)号：CN112634385A
公开(公告)日：2021-04-09
申请号：CN202011102983.1
申请日：2020-10-15
Applicant: 浙江工业大学
Abstract: 一种基于深度拉普拉斯网络的快速磁共振成像方法，包括如下步骤：步骤1输入u倍欠采样的MR图像步骤2由深度拉普拉斯网络得到重构后的MR图像图1给出了深度拉普拉斯网络fLap(·；Θ)的一个范例。本发明将MR图像的采样原理与深度学习技术相结合，基于拉普拉斯金字塔思想对高倍欠采样的MR图像进行逐层重构，能够有效降低输入数据中的大量伪影对重构效果的影响，能有效地提升MR图像的重建速度和精度。
-
公开(公告)号：CN112581550A
公开(公告)日：2021-03-30
申请号：CN202011391478.3
申请日：2020-12-02
Applicant: 浙江工业大学
Abstract: 一种基于生成对抗网络的非匹配图像风格转换方法，包括以下步骤：1)同时输入属于A风格图像xa以及属于B风格图像xb进入风格转换神经网络中；2)根据源域图像，网络生成器生成对应的目标域风格图像；3)将源域与生成的目标域图像经过分割网络，通过形状一致性损失进行约束；4)将源域与生成的目标域图像经过感知网络，通过感知损失进行一致性约束；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，实现将图像的风格进行有效的转换。通过精心设计的网络结构，能够有效地提高转换图像的质量且适应于更广阔的应用场景范围。
-
Patent Agency Ranking
公开(公告)号：CN112580783A
公开(公告)日：2021-03-30
申请号：CN202011487738.7
申请日：2020-12-16
Applicant: 浙江工业大学
Abstract: 一种高维深度学习模型向低维迁移知识的跨维度知识迁移方法，1)将n‑1维数据x扩充形成伪n维数据y；2)将y输入教师网络，提取n维特征；3)将教师网络提取的n维特征在第n维度上求特征的均值；4)将x输入学生网络，提取n‑1维特征；5)通过损失函数约束，使学生网络的特征输出逼近教师网络的特征输出；6)按步骤1)～5)重复设定次数，直到学生网络的特征输出与教师网络的特征输出相差小于预设阈值；7)按照步骤1)～6)的方法，可迁移到维度n‑2，直到维度m。当只有低维数据或为了提高算法速度只能采用低维数据时，采用本发明可以得到一个低维模型，其中存储了高维模型的知识，且具备了与高维模型相近的特征提取能力。
-
公开(公告)号：CN111985332A
公开(公告)日：2020-11-24
申请号：CN202010696163.3
申请日：2020-07-20
Applicant: 浙江工业大学
Abstract: 一种基于深度学习的改进损失函数的步态识别方法，包括以下步骤：步骤1、获取行人步态数据集；步骤2、对步骤1得到的训练数据进行预处理，利用中心线原则将数据切割成64*64；步骤3、搭建深度卷积神经网络；步骤4、设计损失函数；步骤5、初始化神经网络参数；步骤6、训练搭建好的神经网络，将步骤2得到的训练样本作为输入，对应的实际身份标签作为输出，成批次地输入到网络中，计算损失后，通过反向传播算法，调整网络参数和损失函数的权重；步骤7、使用训练好的网络对未知数据进行识别，分为注册与识别两个阶段。通过本发明的方法能够更好的保留时间和空间维度上的运动信息，在背包、穿大衣等复杂场景下达到更好的识别效果。
-
公开(公告)号：CN111723905A
公开(公告)日：2020-09-29
申请号：CN202010433975.9
申请日：2020-05-21
Applicant: 浙江工业大学
Abstract: 一种基于线性规划的卷积神经网络自动配置方法，包括以下步骤：第一步、获取维度信息，即所需配置的卷积神经网络中各个网络层的输入及输出特征图的长、宽和通道数，如果是三维卷积神经网络则还需增加一个维度，此外为配合可能的网络结构优化算法，所获取的信息还包括其可能的参数；第二步、配合所获取的信息，求解针对不同卷积神经网络类别而设计的线性规划问题，即可获得目标卷积神经网络层的配置参数，包括已知的输入及输出通道数、卷积核维度、卷积操作的位移量和卷积填充尺寸。本发明只需给定特征图的维度即可生成有效的卷积神经网络配置，如配合遗传算法来优化神经网络结构，则可以降低遗传编码的维度，提高遗传算法的执行效率。
-
公开(公告)号：CN111666850A
公开(公告)日：2020-09-15
申请号：CN202010465810.X
申请日：2020-05-28
Applicant: 浙江工业大学
Abstract: 一种基于聚类生成候选锚框的细胞图像检测与分割方法，包括以下步骤：步骤1，制作数据集；步骤2，数据集样本维度特征统计，设置ISODATA聚类算法初始参数，通过聚类算法统计样本维度信息，生成样本维度比例；步骤3，细胞的特征提取与融合，包括以下步骤：3.1、特征提取网络的搭建；3.2、特征多尺度融合；步骤4，癌细胞目标区域候选框的生成，将融合后的特征与目标样本维度比例送入RPN网络中进行目标区域生成；步骤5，癌细胞图像的检测目标结果精炼；步骤6，癌细胞图像的分割Mask生成。本发明使生成的候选锚框更加贴合真实样本维度规律，降低了候选框回归的难度，提升了算法回归速度，提升了检测和分割的性能。
-
公开(公告)号：CN111488905A
公开(公告)日：2020-08-04
申请号：CN202010147000.X
申请日：2020-03-05
Applicant: 浙江工业大学
Abstract: 一种基于高维PCANet的鲁棒图像识别方法，包括鲁棒特征提取和基于卡方距离的最近邻分类，鲁棒特征提取过程将特征图的平坦式卷积和立体式卷积结合起来，立体式卷积充分考虑通道之间的相关性，平坦式卷积能够对输入图像的每一个通道进行充分的主方向分解，所得到的模式图相较于原始PCANet具有更为丰富的特征，能够有效提升PCANet的鲁棒性；分类过程包括：步骤1，在高维柱状图特征空间中，基于卡方距离获取待识别图像到各训练图像的距离度量；步骤2，获取具有最小距离度量的训练样本所对应的类标，作为待识别图像的类标。本发明能够有效的处理待识别图像中的遮挡、光照变化、分辨率差异等变化，有效地提升了有偏移图像的识别率。
-
-
-
-
-
-
-
-
-
Search Results
139
records
(took 0.023 seconds)
