-
公开(公告)号：CN110866929A
公开(公告)日：2020-03-06
申请号：CN201911098771.8
申请日：2019-11-12
Applicant: 桂林电子科技大学
IPC: G06T7/12
Abstract: 本发明提出了一种图像轮廓分割方法及系统。所述分割方法包括如下步骤：首先获取原始图像的边缘指示函数和梯度矢量流，在迭代获取水平集函数的过程中，利用边缘指示函数、梯度矢量流和第n-1次迭代的水平集函数和偏置域，计算第n次迭代的权重因子、局部强度均值、全局强度均值和偏置域，进而计算水平集函数。本发明在计算水平集函数的过程中引入局部边缘特征(边缘指示函数)，从而能更好的保留图像的细节特征，减小弱边界和强度不均匀图像的边界泄露。本发明在计算水平集函数的过程还引入测地边缘项，全面利用图像的边缘信息，增强模型的分割性能，减小复杂背景的干扰，提高了弱边界图像和强度分布不均匀的图像的分割精度。
-
公开(公告)号：CN110263203A
公开(公告)日：2019-09-20
申请号：CN201910345614.6
申请日：2019-04-26
Applicant: 桂林电子科技大学
IPC: G06F16/583 , G06F16/28
Abstract: 本发明公开了一种结合皮尔逊重构的文本到图像生成方法，其特征在于，包括如下步骤：1）数据预处理；2）建立图像生成模型；3）条件融合；4）特征向量生成；5）判别器判别；6）多尺度联合损失；7）网络训练；8）图像生成。该方法能重构判别器的输出，获得与网络的输入线性相关的特征向量，同时限制判别器的判别能力，使得生成器训练时更容易收敛并提高生成样本的质量和多样性。
-
公开(公告)号：CN110046226A
公开(公告)日：2019-07-23
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：CN109859106A
公开(公告)日：2019-06-07
申请号：CN201910079727.6
申请日：2019-01-28
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于自注意力的高阶融合网络的图像超分辨率重建方法，其特征在于，包括如下步骤：1）建立重建模型；2）CNN网络特征提取；3）自注意力模块中的自注意力支路特征提取；4）自注意力模块中的主干支路特征提取；5）特征的高阶融合；6）图像重建。这种方法能有效的解决因预处理带来的额外计算量，且能恢复出更多的纹理细节来重建出高质量的图像。
-
-
Patent Agency Ranking
公开(公告)号：CN107220594A
公开(公告)日：2017-09-29
申请号：CN201710316806.5
申请日：2017-05-08
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于相似度保留堆叠自编码器的人脸姿态重建与识别方法，其特征是，包括如下步骤：1）多角度人脸图像的姿态角度步进减小；2）目标姿态特征提取；3）构建相似度保留自编码器的总损失函数；4）堆叠相似度保留自编码器；5）训练并微调网络；6）重建与识别：将重建好的正脸图像和网络的最高隐含层特征分别使用线性判别分析法，即LDA法进行降维来提取具有判别性的人脸特征，并用最近邻分类器完成人脸识别。这种方法能够消除人脸图像的姿态角度偏转影响、能够提取到人脸对于多姿态变化更具鲁棒性的特征，且提取到的姿态特征能和原始正脸图像的特征相匹配，从而提高识别率。
-
公开(公告)号：CN107180248A
公开(公告)日：2017-09-19
申请号：CN201710436670.1
申请日：2017-06-12
Applicant: 桂林电子科技大学
CPC classification number: G06K9/6267 , G06K9/6256 , G06N3/084
Abstract: 本发明公开了基于联合损失增强网络的高光谱图像分类方法，其特征是，包括如下步骤：1）PCA降维；2）空间领域块提取；3）编码路径特征提取；4）分类任务训练目标建立；5）解码路径特征提取与重建；6）网络联合训练；7）高光谱测试分类。这种方法可在同一网络结构下，通过端到端的训练方式，联合学习重建损失及分类判别损失函数，从而充分利用高光谱图像的空谱信息，自动削弱CNN对不重要特征变量的学习，以此来降低高光谱分类模型的复杂度，同时，减少高光谱图像分类方法对标签样本的依赖性、提升分类精度。
-
公开(公告)号：CN104504118A
公开(公告)日：2015-04-08
申请号：CN201410845467.6
申请日：2014-12-31
Applicant: 桂林电子科技大学 , 桂林宇辉信息科技有限责任公司
CPC classification number: G06F9/448
Abstract: 本发明公开了一种工作流建模数据的存储和读取方法，所述方法包括基于XPDL的基本图形转换成XML文档和XML文档转换成基于XPDL的基本图形；所述基于XPDL的基本图形转换成XML文档，包括如下步骤：（1）通过加载动态连接库把需要的建模图形元素加载到建模工具中。（2）拖拽图形元素到建模编辑区域，建模工具自动创建与之对应的组件。（3）将创建好的组件序列化，生成基于XPDL的基本图形相对应的XML文档。所述XML文档转换成基于XPDL的基本图形，包括如下步骤：（1）通过反序列化操作，把XML文档转化为组件。（2）通过调用组件绘制图形元素的方法，把组件转化为基本图形。本发明是一种高效率的工作流建模数据存储和读取方法。
-
公开(公告)号：CN104112286A
公开(公告)日：2014-10-22
申请号：CN201410376417.8
申请日：2014-08-01
Applicant: 桂林电子科技大学
Abstract: 本发明提供了一种基于几何结构特征和自相似性的图像压缩感知重构方法。包括判定图像块的结构类型；使用同步正交匹配追踪算法对每个图像块获得重构估计值；为每个图像块进行局部和非局部相似块匹配；产生初始解集，进行优化，得到候选解集，进而得到图像块的优化重构估计值；将图像块按顺序拼接起来；重构图像。本发明能够有效减少图像压缩感知重构的不确定性，获得对图像更准确的重构估计。
-
公开(公告)号：CN104077761A
公开(公告)日：2014-10-01
申请号：CN201410293009.6
申请日：2014-06-26
Applicant: 桂林电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于自适应稀疏表示的多聚焦图像融合方法，根据原始图像中结构特征的不同将子块进行分类，使原始图像分为相同模型、平滑模型和细节模型。然后将相同模型直接放入融合结果图像中，对平滑模型和细节模型分别采用算术平均法和稀疏表示法进行图像块融合。本发明的有优点是能够分割出平滑模型和细节模型，减少稀疏编码的图像块数，从而在确保融合图像主观效果和客观性能指标均优的基础上，缩短了运算时间。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.033 seconds)
