-
公开(公告)号：CN116188271A
公开(公告)日：2023-05-30
申请号：CN202310239578.1
申请日：2023-03-14
Applicant: 桂林电子科技大学
IPC: G06T3/40 , G06T7/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于DCT特征增强网络的图像压缩感知重建方法，其特征在于：包括如下步骤：1）对图像进行分块卷积压缩采样；2）采用亚像素上采样网络对观测向量进行初始重建；3）采用DCT特征增强网络对初始重建图进行深度重建；4）基于DCT特征约束函数进行网络训练。本发明提出的图像重建方法显式学习图像的DCT特征，有效恢复图像的高频细节信息，提升重建精度。
-
公开(公告)号：CN110380701B
公开(公告)日：2023-01-03
申请号：CN201910613033.6
申请日：2019-07-09
Applicant: 桂林电子科技大学
Abstract: 本发明涉及滤波器技术领域，且公开了一种具有陡峭衰减特性的复合滤波器，包括安装盒，安装盒的上端呈开口设置，且通过卡接机构连接有盒盖，安装盒内固定连接有滤波器主体，滤波器主体的两端接线端分别穿过安装盒的两侧竖直侧壁设置；卡接机构包括连接块、固定槽、卡槽、第一弹簧、固定块和拉绳，两个连接块对称固定连接在盒盖的下端，固定槽开设在连接块靠近安装盒一侧的侧壁上，卡槽开设在安装盒对应固定槽的侧壁上，第一弹簧固定连接在固定槽的槽底，固定块固定连接在第一弹簧远离固定槽槽底的一端，且与固定槽滑动连接。本发明使得拆装十分地方便快捷，并与对其进行组装维修等。
-
公开(公告)号：CN110866929B
公开(公告)日：2022-12-27
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：CN114821100A
公开(公告)日：2022-07-29
申请号：CN202210385383.3
申请日：2022-04-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于结构组稀疏网络的图像压缩感知重建方法，所述方法为：为图像块构造相似组，将图像块与其相似组输入卷积神经网络；将图像块相似组输入边缘轮廓重构分支，通过其中的局部残差递归网络和亚相素层，获得对图像边缘轮廓的重建；将图像块相似组输入局部细节重构分支，通过其中的密集连接网络和多尺度编解码网络模块，获得对图像细节纹理的重建；将两分支重建图像进行融合，输出得到对原始图像的重建图；训练中，设计并采用结构组稀疏约束损失函数进行训练约束。这种方法能节约计算资源、能提高图像的重建精度。
-
公开(公告)号：CN109859106B
公开(公告)日：2022-07-05
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：CN112200090B
公开(公告)日：2022-07-01
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：CN112070784B
公开(公告)日：2022-07-01
申请号：CN202010965729.8
申请日：2020-09-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于上下文增强网络的感知边缘检测方法，其特征在于，包括如下步骤：1）获取图像训练数据集训练边缘检测模型；2）特征提取；3）降维加权；4）双向递归；5）分类；6）输出。这种方法通过捕捉多尺度上下文信息之间的内在联系提升边缘检测的准确性，具有速度快的优点。
-
公开(公告)号：CN114387553A
公开(公告)日：2022-04-22
申请号：CN202210052157.3
申请日：2022-01-18
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于帧结构感知聚合的视频人脸识别方法，包括：采用人脸检测模型检测视频数据中每一帧中所含的面部区域并裁剪为固定尺寸的图像，作为输入视频帧；采用跨尺度特征提取网络提取输入的每一个视频帧的特征表示；采用帧结构感知聚合模块为每个特征表示赋予权重；将每个特征图降维、并根据权重进行聚合，得到视频人脸特征向量；集训练模型、并微调网络参数；采用人脸识别网络框架完成最后的识别任务。这种特征提取网络能适应面部特征比例变化的同时，保持对不同尺度特征的高效学习，同时结合帧间关系的挖掘对上下文信息进行有效建模，能够利用各个视频帧的特征及其空间结构信息，最终获得更具鲁棒性的视频人脸特征表示用于识别。
-
公开(公告)号：CN108765296B
公开(公告)日：2022-04-12
申请号：CN201810600397.6
申请日：2018-06-12
Applicant: 桂林电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于递归残差注意力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）数据预处理；2）建立重建模型；3）残差注意力网络支路第一个残差注意力模块特征提取；4）递归网络支路第一个递归模块特征提取；5）特征融合；6）图像重建。这种方法能解决预处理操作带来的噪声，且获得更多高频信息来丰富图像细节，同时能减少网络参数，在增加层数的同时而不增加新的参数，能提高超分辨率重建的精度。
-
公开(公告)号：CN112308884A
公开(公告)日：2021-02-02
申请号：CN202011227714.8
申请日：2020-11-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量核范数的视频背景减除方法，用改进的张量核范数去表征视频背景的低维特性，使得背景约束更加接近实际视频背景的秩，为前景背景更加准确的分离提供了一定的保证；用L1,1,2范数去建模视频前景的稀疏性，加强了视频前景的时空连续性和管稀疏性，从而达到了较好的背景前景分离效果。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.023 seconds)
