-
公开(公告)号：CN117523312A
公开(公告)日：2024-02-06
申请号：CN202311736200.9
申请日：2023-12-18
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/40 , G06V20/10
Abstract: 本发明公开了一种基于双分支空谱特征交叉融合网络的高光谱图像分类方法，包括：1）数据预处理；2）光谱支路特征提取；3）空间支路特征提取；4）空谱交叉注意力融合；5）高光谱图像像元分类。这种方法用有限数量的标记训练样本捕获足够的光谱和空间特征，缓解小样本的问题，并且在融合中构建双分支交互性，促进充分融合，能提高高光谱图像分类性能。
-
公开(公告)号：CN116092159A
公开(公告)日：2023-05-09
申请号：CN202310041250.9
申请日：2023-01-11
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06V10/774 , G06V20/52 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种身份识别方法、装置、系统以及存储介质，属于图像识别领域，方法包括：S1：从预设监控摄像机中获得原始行人图像以及原始人脸图像；S2：通过预构建行人模型对原始行人图像进行特征提取得到原始行人特征；S3：通过预构建人脸模型对原始人脸图像进行特征提取得到原始人脸特征；S4：根据原始行人特征以及原始人脸特征进行校准分析得到校准后行人特征以及校准后人脸特征。本发明能够用于任何不同空间维度的不同模型特征融合，可以在单峰分支之间以最小的网络结构变化进行添加，允许每个分支用现有的预训练权值进行初始化，很好地解决了中间层融合难以实现的问题。
-
公开(公告)号：CN115984392A
公开(公告)日：2023-04-18
申请号：CN202310035119.1
申请日：2023-01-10
Applicant: 桂林电子科技大学
IPC: G06T9/00 , G06T7/13 , G06N3/0455
Abstract: 本发明公开了一种基于Transformer增强残差自编码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）对图像观测值y进行初始线性重建；2）设计并采用基于Transformer进行特征增强的残差自编码网络进行深度重建；3）基于全局‑局部联合损失函数进行网络训练。这种方法能更好地捕捉局部和全局特征，有效增强特征信息，精确重建原始图像。
-
公开(公告)号：CN111310852B
公开(公告)日：2022-08-12
申请号：CN202010154538.3
申请日：2020-03-08
Applicant: 桂林电子科技大学
IPC: G06K9/62 , G06V10/774 , G06V10/764
Abstract: 本发明公开一种图像分类方法及系统，涉及数字图像处理技术领域。该方法包括：利用第一图像训练集训练得到特征提取网络模型；利用变分自编码网络、第一图像训练集、特征提取网络模型，以及三种损失函数的加权和，得到与最小的加权和对应的变分自编码网络的解码网络；利用解码网络随机生成伪样本图像集；利用伪样本图像集和第二图像训练集训练全连接神经网络模型，得到分类模型；利用分类模型对待分类图像进行分类。本发明的图像分类方法利用变分自编码网络对第一图像进行分解重构，计算并最小化三种损失函数的加权和，利用与最小的加权和对应的变分自编码网络的解码网络生成伪样本图像集，能完全舍弃旧类样本图像数据，降低内存的占用率。
-
公开(公告)号：CN114067399A
公开(公告)日：2022-02-18
申请号：CN202111352121.9
申请日：2021-11-16
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种面向非配合场景的人脸重建与识别方法，其特征在于，包括如下步骤：1）构造三元组人脸数据集；2）三元组损失约束编码；3）亚像素卷积解码；4）多损失约束判别；5）训练生成对抗网络；6）重建与识别。这种方法在低分辨率和较大偏姿的情况下，仍然能够重建出清晰真实的正面人脸图像,并获得较高的识别率。
-
Patent Agency Ranking
公开(公告)号：CN113919410A
公开(公告)日：2022-01-11
申请号：CN202110978496.X
申请日：2021-08-25
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种增量式图像分类方法及系统。该方法包括：将获取到的训练样本集分为多组；通过多组训练样本对贝叶斯神经网络模型进行训练，通过训练好的贝叶斯神经网络模型对图像进行分类；在贝叶斯神经网络模型的训练过程中，本发明为了缓解由于权值重要性累积所导致的模型分类能力下降问题，引入一个权值选择机制，对权值进行筛选后有针对性地稀释部分权值的正则强度。这种方法在容量固定的场景下，能最大限度地维持了模型对未来图像样本的分类能力，同时又能保护旧任务的分类精度，有效地缓解了基于正则化的增量式图像分类模型的分类能力无法长久保持的问题。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.026 seconds)
