-
公开(公告)号：CN113536977A
公开(公告)日：2021-10-22
申请号：CN202110720374.0
申请日：2021-06-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种面向360度全景图像的显著目标检测方法。本发明的输入是一张等距柱状投影图片，进入模型后会经过预处理得到六张等角度立方体贴图。而后深度特征提取网络将分别提取这两种图片的多级深度空间特征。接着在双型特征融合网络中采用通道注意力机制对其进行特征强化，并利用多尺度空洞卷积模块融合等距柱状投影和等角度立方体贴图的各层深度特征。最后将融合得到的多层复合特征信息依次投入多层信息融合记忆网络，将高级与低级语义信息逐级记忆、筛选、融合，最后得到显著性目标预测图。本发明有效地利用360度全景图像的等角度立方体贴图多角度空间信息来应对等距柱状投影产生的畸变问题，更精准地实现对360度全景图片的显著性目标的预测。
-
公开(公告)号：CN113536973A
公开(公告)日：2021-10-22
申请号：CN202110718760.6
申请日：2021-06-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于显著性的交通标志检测方法，本发明方提出一种端到端的卷积神经网络模型。本方法针对交通标志检测任务做出优化，提出了一个以基于VGGNet的特征金字塔网络为主干的显著性检测模型。网络在自下而上过程中的不同尺度特征图上提取了图片中的不同层级的信息，并在金字塔网络自上而下通路中进行融合。通过将特征聚合模块添加在自上而下通路中的每个融合操作之前，可以有助于全局引导模块中包含的深层次特征图中的高级语义信息与较浅层次的特征无缝进行融合。通过这两个建立在池化操作上的模块有助于高级语义信息逐步精细，使本网络模型生成的显著性图拥有更加丰富的细节。其结果为一张像素值在[0，1]的灰度图，图中的1表示为交通标志所在区域，0表示为背景区域，成功实现对交通标志的检测任务。
-
公开(公告)号：CN112784698A
公开(公告)日：2021-05-11
申请号：CN202011637358.7
申请日：2020-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于深层次时空信息的无参考视频质量评价方法，包括如下步骤：S1，内容感知特征提取，利用Resnet‑50预训练的深度神经网络，提取顶层的语义层特征后进行聚合，对特征图进行均值聚合与标准差聚合；S2，对时间记忆效应进行建模，在特征整合方面，采用GRU网络对长期依赖关系进行建模，在质量聚合方面，提出主观启发的时间池化模型并将其嵌入到网络中；现有的NR‑VQA方法无法很好地对VQA任务中的长期依赖关系建模，为了解决这个问题，我们求助于GRU，它是带有门控制的递归神经网络模型，能够集成特征并学习长期依赖关系，本发明中使用GRU集成内容感知功能并预测逐帧质量得分。
-
公开(公告)号：CN111914852A
公开(公告)日：2020-11-10
申请号：CN202010494739.8
申请日：2020-06-03
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于编解码结构的多模态显著性对象检测方法。本发明在已有的彩色图像算法模型的基础之上，将深度图像作为先验信息，补充到算法之中。本发明方法可分为两部分：一部分以彩色图像为输入，基于编解码结构的深度学习技术，实现显著性检测；另一部分用于处理深度图像，用轻量级的神经网络学习深度特征，并将特征信息补充到第一部分，从而提高整体模型的识别精度。本发明方法能够简单高效的利用深度图像，从中学习特征，增强算法的识别精度和稳定性，能够为现有部署的显著性检测算法提供快捷、低廉的更新手段。
-
公开(公告)号：CN111680702A
公开(公告)日：2020-09-18
申请号：CN202010467331.1
申请日：2020-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种使用检测框实现弱监督图像显著性检测的方法。本发明的方法是首先使用全连接条件随机场CRF方法处理不带图像类别信息的检测框标注数据，得到初始的粗糙显著图伪标签作为第一轮模型训练的监督信息，再利用显著图伪标签数据训练图像显著性检测网络模型，接着对显著图伪标签进行更新，即使用显著图更新策略处理模型在训练图像数据上预测得到的显著图，得到下一轮训练所需的显著图伪标签，然后进行迭代精炼的过程，重复模型训练和显著图更新过程，最后微调模型，使模型适应测试的显著性检测数据集。该方法使用不带图像类别信息的检测框标注作为模型的弱监督信息，有效提高弱监督显著性检测方法的性能。
-
Patent Agency Ranking
公开(公告)号：CN118230141B
公开(公告)日：2025-04-29
申请号：CN202410332570.4
申请日：2024-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于设备指纹的深度伪造视频检测方法，包括如下步骤：步骤1、视频拍摄设备的指纹信息提取；步骤2、视频溯源，通过计算待检测视频指纹信息与参考视频指纹信息之间的PCE值，从而判定是否同一设备拍摄；步骤3、通过PCE值与阈值对比进行视频真伪检测。该方法利用视频中存在的设备指纹信息，对视频进行溯源以及真伪检测，并利用视频中不可更改的设备指纹信息，使得提出的方法具备一定的鲁棒性，为深度伪造视频检测提供全新的思路，具有实用价值。
-
公开(公告)号：CN119888166A
公开(公告)日：2025-04-25
申请号：CN202411802659.9
申请日：2024-12-09
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V10/143 , G06V10/80 , G06V10/94 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于特征融合增强的三模态显著性目标检测方法，该方法首先对三模态显著目标检测数据集中的训练集和测试集，分别进行预处理。其次构建基于特征融合增强的三模态显著性目标检测网络。最后将预处理后的训练集图像输入三模态显著性目标检测网络中，生成与输入图像同尺寸的预测图；再使用损失函数进行损失计算，通过反向传播进行优化，并通过预处理后的测试集图像进行测试。本发明提高了多模态显著性目标检测的精度，增强了多模态信息之间的互补性和全局感知能力。
-
公开(公告)号：CN119091273A
公开(公告)日：2024-12-06
申请号：CN202411098079.6
申请日：2024-08-12
Applicant: 杭州电子科技大学
IPC: G06V10/82 , G06V10/40 , G06V10/44 , G06V10/80 , G06V20/10 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的遥感图像显著目标检测方法，该方法首先获取光学遥感图像，构建。其次编码阶段，数据集数据通过构建骨干网络提取多级特征。然后通过空洞卷积构建高级语义信息处理模块GFM，基于多级特征，得到语义特征，并构建边缘提取模块EEM，提取边缘特征。最后在解码阶段，基于多级特征进行解码，并构建信息融合模块EFM，结合语义特征和边缘特征进行特征融合，输出目标检测结果。本发明能够更好的利用高级语义信息和边缘信息，得到准确的显著目标检测结果。
-
公开(公告)号：CN118735901A
公开(公告)日：2024-10-01
申请号：CN202410955963.0
申请日：2024-07-17
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的钢铁表面缺陷检测方法，该方法首先获取带钢表面缺陷数据集，并进行预处理。其次构建深度特征提取网络，进行特征提取，得到深度特征，并构建级联特征融合模块，进行深度特征的融合。然后基于深度特征提取网络相应阶段的输出特征，通过卷积注意力模块，进行特征的注意力增强，获得重标定的特征。最后基于重标定的特征和融合后的深度特征，进行边缘引导和显著目标融合，输出检测结果。本发明在处理复杂的缺陷场景时，能够准确进行缺陷检测。
-
公开(公告)号：CN118674955A
公开(公告)日：2024-09-20
申请号：CN202410594154.1
申请日：2024-05-14
Applicant: 杭州电子科技大学
IPC: G06V10/762 , G06V10/74 , G06V10/766 , G16H50/20
Abstract: 一种自动乳腺超声图像聚类方法，属于机器学习技术领域。本发明通过考虑生物数据聚类的子空间聚类算法和求解该算法的迭代优化算法，以及CAD系统的实际应用，能够提供更有效、快速和经济可行的三维ABUS影像的乳腺癌早期筛查方案；本发明提出封装数据的局部结构并对特征应用非负约束的图像表征方法，来兼顾数据的全局和局部结构特征；同时将流形正则化器合并到图像表征中以考虑数据的流形结构，由此得到GLSR算法框架；然后基于ADMM迭代方法开发了一种高效的迭代算法来保证我们提出的GLSR算法得到局部最优解并保证收敛。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.027 seconds)
