-
公开(公告)号：CN115984613A
公开(公告)日：2023-04-18
申请号：CN202211664362.1
申请日：2022-12-23
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08 , G06V10/40 , G06N3/0464
Abstract: 本发明公开了一种眼底图像分类方法、装置、设备和存储介质。该方法包括：获取待分类的第一眼底图像；对第一眼底图像进行预处理，获得预处理后的第二眼底图像；将第二眼底图像输入至预先训练后的图像分类网络模型中进行图像分类，图像分类网络模型用于对第二眼底图像进行细粒度特征的注意力处理，并基于处理结果进行分类；根据图像分类网络模型的输出，确定第一眼底图像对应的分类结果。通过本发明实施例的技术方案，可以实现眼底图像的自动分类，提高眼底图像分类的效率和准确性。
-
公开(公告)号：CN114841888B
公开(公告)日：2023-03-28
申请号：CN202210526890.4
申请日：2022-05-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于低秩张量环分解和因子先验的视觉数据补全方法，该方法针对传统的基于张量分解的数据补全算法依赖初始秩选择而导致恢复结果缺乏稳定性与有效性的问题，设计了分层的张量分解模型，同时实现张量环分解和补全，对于第一层，通过张量环分解将不完全张量表示为一系列的三阶因子；对于第二层，使用变换张量核范数来表示因子的低秩约束，并且结合图正则化的因子先验来限制每个因子的自由度；本发明同时利用因子空间的低秩结构和先验信息，一方面使得模型具有隐式的秩调整，可以提高模型对秩选择的鲁棒性，从而减轻了搜索最优初始秩的负担，另一方面充分利用张量数据的潜在信息，进一步提高补全性能。
-
公开(公告)号：CN115019084A
公开(公告)日：2022-09-06
申请号：CN202210529783.7
申请日：2022-05-16
Applicant: 电子科技大学
IPC: G06V10/764
Abstract: 本发明涉及迁移学习和张量领域，具体为一种基于张量多属性特征迁移的分类方法；该方法结合张量体系和基于特征的迁移方法实现了对无标签数据集的有效分类。分类过程中，首先通过张量建模的方式建立有标签源域和无标签目标域的张量模型，然后使用动态分布自适应方法对源域样本张量和目标域样本张量每一个特征阶迭代进行了特征对齐，实现了源域样本和目标域样本多属性间统计特征的迁移。相较于传统的特征迁移方法提高了对无标签目标域数据样本的分类准确率。
-
公开(公告)号：CN114998620A
公开(公告)日：2022-09-02
申请号：CN202210528490.7
申请日：2022-05-16
Applicant: 电子科技大学
IPC: G06V10/56 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06V10/10
Abstract: 本发明公开了一种基于张量分解的RNNPool网络目标识别方法，属于机器学习技术领域。本发明方法首先针对三阶彩色图像，将RNNPool网络扩展至高阶，提取三阶彩色图像的行阶特征、列阶特征以及通道阶特征；然后针对三阶彩色图像中通道阶所代表的三原色分量与行、列两阶代表的空间坐标点明暗程度的区别，优化了通道阶的特征提取；最后将结合张量链分解的神经网络结构运用于RNNPool网络当中，提高模型运行效率。本发明的目标识别方法有效提升了训练效果及收敛速度，可以用更少的拟合时间达到效果较好的准确率结果。
-
公开(公告)号：CN114998167A
公开(公告)日：2022-09-02
申请号：CN202210528487.5
申请日：2022-05-16
Applicant: 电子科技大学
IPC: G06T5/50 , G06V10/764 , G06V10/80
Abstract: 本发明属于高光谱与多光谱图像融合领域，具体提供一种基于空间‑光谱联合低秩的高光谱与多光谱图像融合方法，通过对空间‑光谱维度的非局部低秩表示和相关优化方法实现高光谱与多光谱图像的融合。在尽可能减少光谱失真的前提下，利用已知多光谱图像丰富的空间信息进行非局部自相似数据块的提取，接着考虑重构图像空间和光谱维度的低秩特性，采用低变换张量秩的方式探索图像中的相似性和相关性，最后通过分段优化的思想和交替方向乘子法迭代求解目标优化函数实现高光谱与多光谱图像的融合。本发明通过非局部联合低秩实现了高光谱与多光谱图像的有效融合，从而得到高分辨率的高光谱图像，进一步使得光谱图像的应用更加广泛。
-
Patent Agency Ranking
公开(公告)号：CN114841888A
公开(公告)日：2022-08-02
申请号：CN202210526890.4
申请日：2022-05-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于低秩张量环分解和因子先验的视觉数据补全方法，该方法针对传统的基于张量分解的数据补全算法依赖初始秩选择而导致恢复结果缺乏稳定性与有效性的问题，设计了分层的张量分解模型，同时实现张量环分解和补全，对于第一层，通过张量环分解将不完全张量表示为一系列的三阶因子；对于第二层，使用变换张量核范数来表示因子的低秩约束，并且结合图正则化的因子先验来限制每个因子的自由度；本发明同时利用因子空间的低秩结构和先验信息，一方面使得模型具有隐式的秩调整，可以提高模型对秩选择的鲁棒性，从而减轻了搜索最优初始秩的负担，另一方面充分利用张量数据的潜在信息，进一步提高补全性能。
-
公开(公告)号：CN110516557B
公开(公告)日：2022-07-29
申请号：CN201910706708.1
申请日：2019-08-01
Applicant: 电子科技大学
IPC: G06V40/16
Abstract: 本发明提供了一种基于低秩张量分解的多样本人脸表情识别方法，包括图像预处理步骤、特征提取步骤、张量建模步骤、低秩学习步骤、张量分解步骤和特征分类步骤。本发明利用张量表示特征空间能保留图像的非线性特征；通过低秩张量分解技术对不同个体的人脸子空间区域特征进行学习，得到了不同维度下的人脸信息，再对所有子空间下的张量进行分解，聚类重构得到表情特征的有效表示，对人脸表情信息表示能力更强，从而提高人脸表情识别率。
-
公开(公告)号：CN111008978A
公开(公告)日：2020-04-14
申请号：CN201911239331.X
申请日：2019-12-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的视频场景分割方法，属于视频场景分割技术领域。本发明首先将待分割的视频数据转化为帧图像，再基于深度学习算法进行目标检测处理获取帧图像的背景候选框；并对帧图像进行关键背景候选框选取；基于关键背景候选框的位置信息，确定关键背景候选框所在的图像帧的相邻的后一图像帧上的对应所述位置信息的背景候选框；最后计算相邻图像帧的联合相似度相似度，若将联合相似度低于相似度阈值，则基于当前相邻帧的帧位置对待分割的一段视频数据进行视频分割。本发明可以在自动提取局部背景区域的情况下实现对视频背景信息进行相似度的判断，解决了传统算法中算法复杂度过高的问题，实现对复杂场景下背景分割。
-
公开(公告)号：CN110619385A
公开(公告)日：2019-12-27
申请号：CN201910820048.X
申请日：2019-08-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多级剪枝的结构化网络模型压缩加速方法，属于模型压缩加速技术领域。本发明包括如下步骤：获取预训练模型，训练得到初始完备网络模型；测量卷积层敏感度，通过控制变量获得各个卷积层的敏感度-剪枝率曲线；按照敏感度次序从低到高进行单层剪枝，微调重训练网络模型；选取样本作为验证集，测量滤波器输出特征图的信息熵；根据输出熵大小次序进行迭代柔性剪枝，微调重训练网络模型；硬性剪枝，对网络模型进行重训练恢复网络性能，得到并保存轻量级模型。本发明可以在保持原有网络性能的前提下，对大规模卷积神经网络进行压缩，能够缩减网络的本地内存占用，减少运行时的浮点运算和显存占用，实现网络的轻量化。
-
公开(公告)号：CN110516557A
公开(公告)日：2019-11-29
申请号：CN201910706708.1
申请日：2019-08-01
Applicant: 电子科技大学
IPC: G06K9/00
Abstract: 本发明提供了一种基于低秩张量分解的多样本人脸表情识别方法，包括图像预处理步骤、特征提取步骤、张量建模步骤、低秩学习步骤、张量分解步骤和特征分类步骤。本发明利用张量表示特征空间能保留图像的非线性特征；通过低秩张量分解技术对不同个体的人脸子空间区域特征进行学习，得到了不同维度下的人脸信息，再对所有子空间下的张量进行分解，聚类重构得到表情特征的有效表示，对人脸表情信息表示能力更强，从而提高人脸表情识别率。
-
-
-
-
-
-
-
-
-
Search Results
73
records
(took 0.03 seconds)
