-
公开(公告)号：CN112733861B
公开(公告)日：2022-04-22
申请号：CN202110117567.7
申请日：2021-01-28
Applicant: 华南理工大学
Abstract: 本发明公开了基于U型残差网络的文本擦除和抠字方法，方法包括以下步骤：构建训练集及标准答案图，制造含文字的自然场景图像，生成标准答案图；训练集预处理；提取特征，将含文字的自然场景图片输入U型残差网络进行训练，提取信息；图像重构，将多个U型残差网络的输出特征进行拼接后，通过残差连接保留图像的低频信息，结合经过自动编码器解析的高频信息，输出图像；深层监督，优化U型残差网络；循环训练网络，直至得到所需标准。本发明基于U型残差网络和自动编码器的架构，解决了文本图像定位和图像域变换的基本问题，可以应对复杂文本的文本擦除和扣字。
-
公开(公告)号：CN112990972A
公开(公告)日：2021-06-18
申请号：CN202110296182.1
申请日：2021-03-19
Applicant: 华南理工大学
IPC: G06Q30/02 , G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明属于推荐系统技术领域，涉及一种基于异构图神经网络的推荐方法，包括：收集带有用户间社交关系、用户‑商品交互历史数据及商品类别信息的数据集，并过滤无效数据以及进行负采样；随机选取用户集合及相关商品集合，并进行多阶图采样与建图；结点特征提取：将构建的图输入到异构图神经网络中进行处理，得到结点的融合结点嵌入向量；对于不需要经过重校准步骤的商品结点而言，商品结点的融合结点嵌入向量即为商品融合嵌入向量；重校准：对用户融合结点嵌入向量进行重校准，得到用户最终表示嵌入向量；使用用户最终表示嵌入向量和商品融合嵌入向量进行偏好预测，并得到推荐顺序。本发明解决了数据稀疏和数据缺失的问题，具有推荐精准等优点。
-
公开(公告)号：CN107798661B
公开(公告)日：2020-04-28
申请号：CN201710961660.X
申请日：2017-10-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种自适应的图像增强方法，包括以下步骤：S1、输入待处理的图像，并将其转换到HSV空间；S2、将图像的H分量矩阵拿出，计算该H分量矩阵的信息量，作为该图像的色调丰富度指标；S3、将色调丰富度指标与设定的阈值进行比较，如果色调丰富度指标大于设定的阈值，采用MSR_HSV算法进行图像增强处理；如果色调丰富度指标小于等于设定的阈值，首先采用原始MSRCR算法进行图像增强处理，再将处理后的图像用暗通道先验进行处理。所述方法能够很好地保持原始图像的彩色色调，具有更好的图像增强效果。
-
公开(公告)号：CN110991464A
公开(公告)日：2020-04-10
申请号：CN201911087722.4
申请日：2019-11-08
Applicant: 华南理工大学
Abstract: 本发明公开的一种基于深度多模态数据融合的商品点击率预测方法，包括以下步骤：获取商品点击率数据并进行预处理，得到预处理后的商品点击率数据；将预处理后的商品点击率数据进行特征提取，得到商品图片特征、商品文本特征、商品品牌特征；将提取的特征通过内部注意力机制得到加权的商品图片特征和加权的商文本特征，再通过图片和文本间注意力机制进行特征融合，得到商品特征；利用商品特征通过前馈神经网络进行商品点击率预测，得到商品预测结果；构建端到端模型，利用训练数据进行参数学习与更新；本发明很好地融合图片，文本以及品牌等多模态信息，形成有效的商品特征描述，可应用于商品点击率预测。
-
公开(公告)号：CN110232394A
公开(公告)日：2019-09-13
申请号：CN201810181370.8
申请日：2018-03-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种多尺度图像语义分割方法，包括下述步骤：获取待分割图像和对应的标签；构建全卷积深度神经网络，所述全卷积深度神经网络包括卷积模块、空洞卷积模块、金字塔池化模块、1×1×depth卷积层、以及反卷积结构，将带洞卷积设置为逐通道的操作，有针对性地利用低、中、高尺度特征；训练全卷积深度神经网络，建立损失函数，通过训练样本图像确定全卷积深度神经网络的参数；将待分割图像输入到训练完成的全卷积深度神经网络，得到语义分割结果。本发明的方法能够在减小计算量和参数数量的同时较好地处理存在复杂细节、空洞和较大目标的图像语义分割问题，能够很好地分割目标边缘的同时，保留类别标签的一致性。
-
Patent Agency Ranking
公开(公告)号：CN109886927A
公开(公告)日：2019-06-14
申请号：CN201910063916.4
申请日：2019-01-23
Applicant: 华南理工大学
Abstract: 本发明公开了基于核稀疏编码的图像质量评估方法，包括：S1、收集高清晰度自然场景图像并采样得到图像块训练集，再用Kernel-KSVD方法训练得到核字典；S2、基于所述核字典用Kernel-OMP方法对清晰图像的不重叠图像块做稀疏编码得到编码系数、重构残差和自适应选中的字典原子，然后用所述字典原子对对应的退化图像块进行稀疏编码得到编码系数和重构残差；S3、分别量化清晰图像和退化图像的系数和残差的差别，得到基于核稀疏编码的图像结构质量分数；S4、提取图像的亮度信息和色彩信息作为图像的辅助特征并量化差异得到辅助质量感知分数；S5、设定超参对上述分数进行加权求和得到最终的图像质量分数。本发明方法能够很好地与人类主观感知的图像质量相兼容，性能优越。
-
公开(公告)号：CN109871461A
公开(公告)日：2019-06-11
申请号：CN201910112021.5
申请日：2019-02-13
Applicant: 华南理工大学
IPC: G06F16/583 , G06K9/62
Abstract: 本发明公开了一种基于深度哈希网络和子块重排序的大规模图像子块检索方法，包括以下步骤：准备已通过大规模图像数据库预训练的深度网络权重和待训练的纹理图片库；在纹理图片库中抽取图片对，当两张图片相同标签，则定为正样本，不同标签的两张图片作为负样本；将图片对输入两个相同的共享权值网络中进行两两训练，并通过设定损失函数使得网络输出结果二值化；将网络作为哈希码提取器，从而快速获得相似图片；将相似图片进行子块重排序后，对原图中的子块进行快速映射，从而获得大量相似子块。该方法极大节省计算量，实现大规模图像子块的快速检索，可应用于图像增强的各类方法中。
-
公开(公告)号：CN106650573A
公开(公告)日：2017-05-10
申请号：CN201610821012.X
申请日：2016-09-13
Applicant: 华南理工大学
CPC classification number: G06K9/00288 , G06K9/6267 , G06K9/6298
Abstract: 本发明公开了一种跨年龄的人脸验证方法及系统，所述方法包括：对两幅待验证人脸图像进行预处理，得到对齐后的人脸区域图像；分别将预处理后的两幅图像进行镜面翻转、位置互换后得到八组待测图像对；将八组待测图像对作为并联卷积神经网络的每一个卷积神经网络的输入，进入输入层；对于每一个卷积神经网络，根据网络中进入输入层后的参数运算得到每组待测图像对的两个输出，两个输出对应两种类别的评分，将每组待测图像对的两个输出进行多层处理，得到八组待测图像对中较高评分对应的类别；统计所有卷积神经网络中较高评分对应的两种类别数量，将数量较多的类别作为并联卷积神经网络的结果。本发明具有实行性、验证正确率高、受年龄影响小等优点。
-
公开(公告)号：CN101964792B
公开(公告)日：2013-06-12
申请号：CN201010295652.4
申请日：2010-09-27
Applicant: 华南理工大学 , 广州数园网络有限公司
Abstract: 本发明公开了一种基于多状态映射的强认证方法，包括以下步骤：S1、用户在安全状态下设置一个密码口令；S2、网站服务器将密码口令对应用户ID记录下来；S3、登录阶段，网站服务器根据用户ID实时给出一个动态的口令矩阵；S4、用户根据密码口令查找口令矩阵，得到对应的矩阵密码，输入矩阵密码进行登录；S5、网站服务器根据用户ID和矩阵密码对用户进行身份验证。本发明具有动态、实时、方便、强安全等优点，并解决了传统密码体系带来的因忘记密码而无法进行身份认证的问题。
-
公开(公告)号：CN101945043A
公开(公告)日：2011-01-12
申请号：CN201010275867.X
申请日：2010-09-06
Applicant: 华南理工大学 , 广州数园网络有限公司
Abstract: 本发明公开了一种基于IPv6的下一代互联网拓扑发现系统，包括探测列表输入模块、设备及相连关系发现模块、设备及子网拓扑发现模块、分析整合模块、拓扑结构信息存储模块、数据库和拓扑结构信息显示模块。本发明还公开上述系统的实现方法，包括以下步骤：S1、探测列表输入模块形成探测节点列表；S2、设备及相连关系发现模块发送网络路径探测包，获取以IPv6地址标识的路由器及其相连关系；设备及子网拓扑发现模块与网络上的路由器交换网络拓扑信息，得到网络拓扑信息；S3、分析整合模块进行分析形成完整的拓扑结构图。本发明具有稳定性加强、性能更好、消除别名，以及有效提升拓扑发现的准确性和完整性等优点。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.033 seconds)
