-
公开(公告)号：CN112927253A
公开(公告)日：2021-06-08
申请号：CN201911241148.3
申请日：2019-12-06
Applicant: 四川大学
Abstract: 本发明公开了一种基于卷积神经网络的岩心FIB‑SEM图像分割方法，主要涉及岩心序列图像的图像分割技术。包括以下步骤：(1)建立岩心FIB‑SEM图像数据集；(2)构建卷积神经网络：将通道注意力模块嵌入到编码阶段，并使用改进的特征金字塔注意力模块提取多尺度特征，在解码模块使用多尺度空间注意力提取精细边界，在上采样阶段使用亚像素卷积模块恢复原始分辨率；(3)网络训练与参数优化，得到效果最好的模型；(4)使用步骤(1)得到的测试集进行网络分割结果测试；本发明方法通过利用卷积神经网络进行岩心FIB‑SEM孔隙提取，无需人工操作，且提高分割精度。
-
公开(公告)号：CN112634429A
公开(公告)日：2021-04-09
申请号：CN201910952752.0
申请日：2019-10-09
Applicant: 四川大学
Abstract: 本发明公开了一种基于混合深度生成模型的岩心三维图像重建方法，包括以下步骤：(1)对二值三维岩心CT图像进行预处理，构建训练样本集；(2)基于变分自编码器与生成对抗网络的融合网络，构建三维重建混合网络模型；(3)定义基于孔隙度的约束函数；(4)设计网络优化训练策略；(5)基于上述模型与训练策略，完成对岩心CT图像的三维重建。本发明可提高网络训练的稳定性，对均质、非均质岩心CT图像均有较好的重建效果，在石油地质领域有重要的应用价值。
-
公开(公告)号：CN112634428A
公开(公告)日：2021-04-09
申请号：CN201910952183.X
申请日：2019-10-09
Applicant: 四川大学
Abstract: 本发明公开了一种基于双向循环生成网络的多孔介质三维图像重建方法，主要包括如下步骤：采集并制作二维图像和对应三维图像数据集，用于网络的训练和测试；设计基于二维图像重建三维图像的双向循环生成网络的网络结构(3D‑BicycleGAN)；设计三维的GAN损失函数，以对形态进行约束；设计三维的模式分布损失函数，以对重建结构的纹理信息进行约束；设计三维的孔隙度损失函数，以对重建结构的孔隙度进行约束；基于上述的数据集、网络和损失函数，完成训练，获得图像三维重建的模型3D‑BicycleGAN；基于所述的3D‑BicycleGAN模型，完成二维图像的三维重建。本发明可以快速地对输入二维图像进三维重建，在石油地质等领域有重要的应用价值。
-
公开(公告)号：CN112422993A
公开(公告)日：2021-02-26
申请号：CN201910771568.6
申请日：2019-08-21
Applicant: 四川大学
IPC: H04N19/82 , H04N19/86 , H04N19/154 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种结合卷积神经网络的HEVC视频质量增强算法框架，所提框架分为两个部分：首先在编码端对I帧构建CNN环路滤波网络IFN‑ND，以此替代HEVC原有的环路滤波器，这样就提升了I帧的质量。I帧作为后续P帧的参考帧，其质量的提升能够减少残差并初步提高P帧的质量；在解码端针对P帧构建了CNN后处理网络PQEN‑ND对解码后的P帧质量进行进一步的提升。算法框架还从码流信息中提取HEVC压缩噪声分布信息，加入到所提卷积神经网络中，以进一步提升网络效果。实验结果表明，所提算法框架能够显著地提升压缩视频质量。本发明可广泛应用于数字电影拍摄传输、文体活动直播、远程教育培训和目标检测等领域。
-
公开(公告)号：CN112243123A
公开(公告)日：2021-01-19
申请号：CN201910641451.6
申请日：2019-07-16
Applicant: 四川大学
IPC: H04N19/11 , H04N19/13 , H04N19/59 , H04N19/70 , H04N19/184
Abstract: 本发明从HEVC标准算法在无损编码模式下压缩效率低入手，公开了一种基于无损编码的HEVC码率优化算法。首先，在HEVC的帧内预测过程中采用三点邻近像素的预测方法，提高了预测像素精度；然后，对HEVC中有损编码模式和无损编码模式的预测残差进行比较和分析，对原有的HEVC标准算法的熵编码进行改进优化，主要是幅值信息的编码过程和莱斯参数的更新过程。本发明公开的码率优化方法，在解码端能够无失真地解码恢复视频的前提下，相比较HEVC标准算法能够节省更多的编码码率，得到更高的压缩比。
-
Patent Agency Ranking
公开(公告)号：CN107204042B
公开(公告)日：2021-01-08
申请号：CN201710406622.8
申请日：2017-06-02
Applicant: 四川大学
IPC: G06T17/10
Abstract: 基于单幅图像的岩心三维重建基本目标是使重建结构的三个正交切面都具有训练图像的统计特征或形态特征。对于具有明显非均质特征的二维训练图像，不存在三个正交切面都具有与该训练图像相似形态的三维结构，此时不能够采用利用该训练图像同时控制三个正交切面的重建方式。因此本发明专利针对如何利用单幅具有非均质特征图像实现岩心三维重建目标。本发明首先提出二维训练图像形态完备性判决方法，根据该分析方法可以准确预测能够出现在三维结构各正交切面上的具体形态，从而对给定的训练图像能够指出合适的重建方式，并对特征区域提取、特征区域修复等环节提出相应的措施。
-
公开(公告)号：CN112188217A
公开(公告)日：2021-01-05
申请号：CN201910584104.4
申请日：2019-07-01
Applicant: 四川大学
IPC: H04N19/625 , H04N19/61 , H04N19/70 , G06T9/00
Abstract: 本发明公开了一种结合DCT域和像素域学习的JPEG压缩图像去压缩效应方法。主要包括以下步骤：针对JPEG压缩图像，分别构建基于卷积神经网络的DCT域网络和像素域网络结构模型；利用训练图像集，分别训练构建的两个卷积神经网络模型；使用训练得到的两个卷积神经网络，分别对JPEG压缩图像进行预测输出；使用加权平均的方式，将两个网络的预测结果进行融合；将融合后的图像张量重组成图像，得到最终的去压缩效应处理结果。本发明所述方法可以减少JPEG压缩图像中存在的压缩效应，并在一定程度上恢复图像在压缩过程中丢失的细节信息。本发明方法可以应用于图像及视频压缩、数字多媒体通信等领域。
-
公开(公告)号：CN111986078A
公开(公告)日：2020-11-24
申请号：CN201910425975.1
申请日：2019-05-21
Applicant: 四川大学
Abstract: 本发明公开了一种基于引导数据的多尺度岩心CT图像融合重建的方法。包括以下步骤：(1)采用多种退化方法对高质量图像进行退化，并根据盲参考图像质量评价方法，选出最适当的退化方式；(2)根据高质量图像以及其退化后图像构建多级映射字典；(3)以低分辨率图像为引导数据，遍历低质量图像提取其模式，并在多级映射字典中搜索最为相似的模式；(4)将搜索得到的模式与低质量图像中提取到的模式进行融合。对于多幅不同尺度下的岩心CT图像，该方法能够重建出具有高质量大视域的三维岩心CT图像，具有较好的应用价值。
-
公开(公告)号：CN111914594A
公开(公告)日：2020-11-10
申请号：CN201910383943.X
申请日：2019-05-08
Applicant: 四川大学
Abstract: 本发明提供了一种基于运动特征的群体情绪识别方法，主要涉及利用多通道群体情绪识别网络对场景视频序列中的情绪进行分析。该方法包括：构建多通道群体情绪识别网络，利用该网络并行提取不同时序的低级运动特征，将各个通道提取的低级特征在时间维度上重新排列融合，并经过3D残差模块得到全局高级特征，实现群体情绪的识别。本发明有效避免手动提取特征的偏差和耗时长等问题，使得其适应能力更强。此外，利用多通道网络对长视频序列分时序进行特征提取，充分考虑了帧与帧之间的时间相关性，并将低级时序特征在时间维度上重新排列融合，降低特征之间的耦合性，提高群体情绪识别的准确率及效率。
-
公开(公告)号：CN111914091A
公开(公告)日：2020-11-10
申请号：CN201910375005.5
申请日：2019-05-07
Applicant: 四川大学
IPC: G06F16/36 , G06F40/295 , G06F16/35 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种联合信息抽取方法。该方法实现从输入文本中联合抽取出实体和关系信息，由联合抽取模块和强化学习模块组成。联合抽取模块采用端到端设计，包含词嵌层、编码层、实体识别层和联合信息抽取层。其中词嵌层采用Glove预训练词嵌库和基于字符粒度的词嵌表示相结合的方式。编码层使用双向长短记忆网络对输入文本进行编码。实体识别层和联合信息抽取层使用单向长短记忆网络进行解码。强化学习模块用于去除数据集中的噪声，其策略网络由卷积神经网络构成。策略网络包含预训练和再训练两个过程，在预训练中，使用预训练数据集对其进行监督训练。在再训练过程中，获取联合抽取网络的奖励来对策略网络进行更新，是一个非监督学习过程。
-
-
-
-
-
-
-
-
-
Search Results
393
records
(took 0.027 seconds)
