-
公开(公告)号：CN110263203A
公开(公告)日：2019-09-20
申请号：CN201910345614.6
申请日：2019-04-26
Applicant: 桂林电子科技大学
IPC: G06F16/583 , G06F16/28
Abstract: 本发明公开了一种结合皮尔逊重构的文本到图像生成方法，其特征在于，包括如下步骤：1）数据预处理；2）建立图像生成模型；3）条件融合；4）特征向量生成；5）判别器判别；6）多尺度联合损失；7）网络训练；8）图像生成。该方法能重构判别器的输出，获得与网络的输入线性相关的特征向量，同时限制判别器的判别能力，使得生成器训练时更容易收敛并提高生成样本的质量和多样性。
-
公开(公告)号：CN110046226A
公开(公告)日：2019-07-23
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：CN109859106A
公开(公告)日：2019-06-07
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。
-
-
公开(公告)号：CN107220594A
公开(公告)日：2017-09-29
申请号：CN201710316806.5
申请日：2017-05-08
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于相似度保留堆叠自编码器的人脸姿态重建与识别方法，其特征是，包括如下步骤：1）多角度人脸图像的姿态角度步进减小；2）目标姿态特征提取；3）构建相似度保留自编码器的总损失函数；4）堆叠相似度保留自编码器；5）训练并微调网络；6）重建与识别：将重建好的正脸图像和网络的最高隐含层特征分别使用线性判别分析法，即LDA法进行降维来提取具有判别性的人脸特征，并用最近邻分类器完成人脸识别。这种方法能够消除人脸图像的姿态角度偏转影响、能够提取到人脸对于多姿态变化更具鲁棒性的特征，且提取到的姿态特征能和原始正脸图像的特征相匹配，从而提高识别率。
-
Patent Agency Ranking
公开(公告)号：CN107180248A
公开(公告)日：2017-09-19
申请号：CN201710436670.1
申请日：2017-06-12
Applicant: 桂林电子科技大学
CPC classification number: G06K9/6267 , G06K9/6256 , G06N3/084
Abstract: 本发明公开了基于联合损失增强网络的高光谱图像分类方法，其特征是，包括如下步骤：1）PCA降维；2）空间领域块提取；3）编码路径特征提取；4）分类任务训练目标建立；5）解码路径特征提取与重建；6）网络联合训练；7）高光谱测试分类。这种方法可在同一网络结构下，通过端到端的训练方式，联合学习重建损失及分类判别损失函数，从而充分利用高光谱图像的空谱信息，自动削弱CNN对不重要特征变量的学习，以此来降低高光谱分类模型的复杂度，同时，减少高光谱图像分类方法对标签样本的依赖性、提升分类精度。
-
公开(公告)号：CN104112286A
公开(公告)日：2014-10-22
申请号：CN201410376417.8
申请日：2014-08-01
Applicant: 桂林电子科技大学
Abstract: 本发明提供了一种基于几何结构特征和自相似性的图像压缩感知重构方法。包括判定图像块的结构类型；使用同步正交匹配追踪算法对每个图像块获得重构估计值；为每个图像块进行局部和非局部相似块匹配；产生初始解集，进行优化，得到候选解集，进而得到图像块的优化重构估计值；将图像块按顺序拼接起来；重构图像。本发明能够有效减少图像压缩感知重构的不确定性，获得对图像更准确的重构估计。
-
公开(公告)号：CN104077761A
公开(公告)日：2014-10-01
申请号：CN201410293009.6
申请日：2014-06-26
Applicant: 桂林电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于自适应稀疏表示的多聚焦图像融合方法，根据原始图像中结构特征的不同将子块进行分类，使原始图像分为相同模型、平滑模型和细节模型。然后将相同模型直接放入融合结果图像中，对平滑模型和细节模型分别采用算术平均法和稀疏表示法进行图像块融合。本发明的有优点是能够分割出平滑模型和细节模型，减少稀疏编码的图像块数，从而在确保融合图像主观效果和客观性能指标均优的基础上，缩短了运算时间。
-
公开(公告)号：CN118823856A
公开(公告)日：2024-10-22
申请号：CN202410982071.X
申请日：2024-07-22
Applicant: 桂林电子科技大学
Inventor： 首照宇 , 黄旖 , 李东旭 , 冯程 , 黄菊华 , 黄兰芳 , 莫建文 , 张会兵 , 张敬伟 , 林熠明 , 欧阳宁 , 赵晖 , 刘京华 , 张彤 , 陈镜全 , 刘杭 , 刘子阅 , 袁小虎 , 于泳波 , 唐雍盛 , 林彦君
Abstract: 本发明公开了一种基于多尺度与深层细粒度特征增强的表情识别方法，包括：构建多尺度双池化特征聚合模块，该模块由多尺度特征提取、多尺度关键特征选择和多尺度特征聚合三部分组成，通过骨干网络IR50获取四阶段的多尺度特征，并结合通道注意力机制提取多尺度表情特征中的全局有效信息，以捕捉和融合面部不同尺度的信息，从而获取全面的面部关键特征表示；引入关键区域导向的注意力机制，通过自适应地调整关注区域，提高了模型对面部细节特征的敏感度，更多地关注面部表情的细微差别，进一步增强对多尺度深层次的细粒度特征表示；通过融合多尺度和深层细粒度注意力增强特征，获取更为丰富和准确的面部关键信息，从而实现对面部表情的精准分类。
-
公开(公告)号：CN114821100B
公开(公告)日：2024-03-26
申请号：CN202210385383.3
申请日：2022-04-13
Applicant: 桂林电子科技大学
IPC: G06V10/44 , G06V10/74 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
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。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.049 seconds)
