-
公开(公告)号：CN108334816B
公开(公告)日：2021-11-23
申请号：CN201810033455.1
申请日：2018-01-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法，其特征是，包括如下步骤：1）数据预处理；2）轮廓约束生成网络；3）对称约束对抗网络；4）训练平衡网络；5）重建与识别。这种方法能有效解决人脸图像的姿态角度偏转影响、提取到人脸在多姿态下更具鲁棒性的特征，特别在大角度姿态重建下将全局质量和局部细节相互约束，保持了正脸的轮廓特征信息，能满足实际应用中对多姿态人脸识别的高精度需求。
-
公开(公告)号：CN110046226B
公开(公告)日：2021-09-24
申请号：CN201910306242.6
申请日：2019-04-17
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于分布词向量CNN‑RNN网络的图像描述方法，其特征在于，包括如下步骤：1）分布表示词向量的生成；2）分布表示标签的生成；3）分布表示语义标签的生成；4）网络设计；5）生成图像的描述性语句。这种方法引入到原本的CNN‑RNN网络模型中使其可生成更精确的结果、使CNN子网提供给RNN子网更丰富的语义内容，使得整个CNN‑RNN网络模型依然能够保持结构化的优点，这种方法中低维稠密的分布表示可以轻松地嵌入海量词语构成完整的语义空间、视觉内容能够更好实现到语义空间的映射，基于分布表示词向量设计的监督信号能更准确的概括视觉内容和更充分的利用向量空间监督CNN优化方向。
-
公开(公告)号：CN112200090A
公开(公告)日：2021-01-08
申请号：CN202011084356.X
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交叉分组空谱特征增强网络的高光谱图像分类方法，包括：1）光谱特征交叉分组；2）多通道分组光谱特征提取；3）空间特征交叉分组；4）分组空间特征提取；5）光谱‑空间通道信息交互；6）高光谱图像像元分类。这种方法利用光谱‑空间特征信息，分别对光谱特征和空间特征进行交叉分组和特征提取操作，能有效减弱相邻光谱间相关性；采用通道自注意力和像素位置自注意力操作对交叉分组得到的特征进行增强，对空间特征和光谱特征进行信息交互及融合，将融合后特征用于分类，能够提高网络分类性能。
-
公开(公告)号：CN110969638A
公开(公告)日：2020-04-07
申请号：CN201911098926.8
申请日：2019-11-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于张量的背景减除方法及系统。该方法包括：获取观测张量；对观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；将观测张量分解为背景张量和前景张量；通过基于克罗内克基表示的张量稀疏检测方法约束背景张量，通过范数约束前景张量，得到最小化问题；通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；若否，更新拉格朗日乘子；若是，根据迭代核心张量和迭代因子，得到迭代背景张量；根据迭代背景张量和迭代前景张量完成前景和背景的分离。本发明能够快速准确的分离背景和前景。
-
公开(公告)号：CN106952229A
公开(公告)日：2017-07-14
申请号：CN201710151796.4
申请日：2017-03-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于数据增强的改进型卷积网络的图像超分辨率重建方法，包括数据增强和网络结构改进的步骤。一方面采用多角度旋转和翻转样本集的方式增加了样本的多样性，因此可以获得多角度背景的特征实现特征的旋转不变性；充分的特征信息有利于提高图像的重建精度。另一方面本方法的网络模型利用深层卷积神经网络提取特征，多层的卷积层有利于提取更高级，更加完整的特征，然后用反卷积层作为重建层对卷积层输出的特征映射进行处理，恢复图像分辨率，从而得到超分辨率图像。由于卷积层缺乏旋转不变性的特性，本方法另外样本的多样性达到增加参数的目的，从而更好的拟合网络最终实现提高重建精度，并加快网络训练的收敛速度的效果。
-
Patent Agency Ranking
公开(公告)号：CN106780751A
公开(公告)日：2017-05-31
申请号：CN201710044516.X
申请日：2017-01-19
Applicant: 桂林电子科技大学
IPC: G06T17/30
CPC classification number: G06T17/30
Abstract: 本发明公开了基于改进的屏蔽泊松算法的三维点云重建方法，包括如下步骤：获取模型三维点云数据；引入屏蔽因子，通过引入点和梯度的约束来对泊松算法进行预处理约束限制；使用八叉树分割对点云简化去噪，压缩存储，建立点云间拓扑结构，实现快速建立和高效查找八叉树邻节点；对每个点云法向量进行法向重定向，减少法向指向的二义性；计算向量场；求解屏蔽泊松方程，得到指示函数；对点云等值面提取，得到三维重建模型。本发明方法整体上提高了法向量精确度很好地去除伪封闭曲面，同时对孔洞有良好填充，对表面信息丰富的物体模型点云数据，能够使纹理细节更显著。本发明方法可以广泛用在逆向工程，文物修复，和医学图像等领域。
-
公开(公告)号：CN118072099A
公开(公告)日：2024-05-24
申请号：CN202410269441.5
申请日：2024-03-11
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82
Abstract: 本发明公开了一种基于联合蒸馏回放策略的类增量学习方法，所述方法包括如下步骤：1)训练初始任务的蒸馏模型；2)设置一个缓冲区存储初始任务的蒸馏数据；3)建立基于旧任务的蒸馏数据与新任务的原始数据的联合蒸馏模型；4)在下一个任务训练过程中回放联合蒸馏数据。本技术方案利用旧任务的蒸馏数据与新任务的原始数据联合蒸馏，充分考虑旧任务的类别特征信息，以此避免特征模糊。在此基础上，保持新旧任务蒸馏过程中使用相同的学习率，并寻找一个最优的缓冲区规模以存储蒸馏数据用于回放，从而有效地缓解类增量学习场景中的灾难性遗忘，提升图像的分类效果。
-
公开(公告)号：CN110969638B
公开(公告)日：2023-09-29
申请号：CN201911098926.8
申请日：2019-11-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于张量的背景减除方法及系统。该方法包括：获取观测张量；对观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；将观测张量分解为背景张量和前景张量；通过基于克罗内克基表示的张量稀疏检测方法约束背景张量，通过范数约束前景张量，得到最小化问题；通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；若否，更新拉格朗日乘子；若是，根据迭代核心张量和迭代因子，得到迭代背景张量；根据迭代背景张量和迭代前景张量完成前景和背景的分离。本发明能够快速准确的分离背景和前景。
-
公开(公告)号：CN116309395A
公开(公告)日：2023-06-23
申请号：CN202310184852.X
申请日：2023-03-01
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/10 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于图像分割的慢暂现源检测方法，所述方法包概括：S1:导入天文图像数据；S2:图像预处理后，通过将多个不同时刻的二维天空快照图像堆叠成一个三维的天空图像立方体，再进行切分S3：图像小立方体筛选，计算出各个小图像立方体的方差和，将超过阈值的图像小立方体作为网络的输入；S4:构建神经网络训练模型，通过神经网络提取三维图像立方体空间和时间上的特征并训练得到慢暂现源检测模型；S5:导入待检测图像数据，通过慢暂现源检测模型对图像进行图像分割得到检测结果图。这种方法兼顾时间和空间的信息，提取时空间联合特征，能减少对专业天文软件的依赖、简化检测步骤并且能提升检测精确性和检测效率。
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.023 seconds)
