-
公开(公告)号：CN110189330A
公开(公告)日：2019-08-30
申请号：CN201910276000.7
申请日：2019-04-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的背景去除的方法。本发明包括如下步骤：步骤1、对初期数据库的建立，通过采用对COCO数据集的整理以及添加修改得到所需要的对初期数据库；并找到对初期数据库中图片原始信息匹配所对应的标签信息；对初期数据库以及其所对应的标签信息进行预处理操作，包括图像正则化和图像格式转换；步骤2、将步骤1得到的初期数据库作为原始训练数据输入到提拉米苏Tiramisu网络中，得到基本的背景去除的模型；步骤3、将待识别的图片作为输入数据输入到上述模型中进行识别，得到识别结果。本发明实现全自动化操作，只需将所需要进行操作的图片输入到模型中即可自动完成背景去除的目的。
-
公开(公告)号：CN110177282A
公开(公告)日：2019-08-27
申请号：CN201910388829.6
申请日：2019-05-10
Applicant: 杭州电子科技大学
IPC: H04N19/503 , H04N19/42 , H04N19/124 , G06N3/04
Abstract: 本发明公开了一种基于SRCNN的帧间预测方法，其特征在于使用超分辨率卷积神经网络对图像序列进行帧间预测；对图像序列做运动估计和运动补偿操作后，结合超分辨率卷积神经网络训练出特征模型；使用模型中的参数对图像进行超分辨率重建，同时对图像进行运动估计和运动补偿，得到与当前图像的下一帧图像一致的图像。本发明将深度学习应用到视频编码的帧间预测，使用卷积神经网络，对图像序列间的运动估计、运动补偿操作进行特征提取和训练学习。同时，使用超分辨率神经网络，在图像重建时，图像的画质会得到增强。
-
公开(公告)号：CN110083715A
公开(公告)日：2019-08-02
申请号：CN201910212744.2
申请日：2019-03-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于核稀疏表示的三维模型分类检索方法。本发明步骤如下：1、运用一种基于二次误差作为度量代价的边收缩算法对以点云形式表示的三维模型进行顶点简化处理；2、计算顶点简化后三维模型的方向，保证同类模型在方向上能够对齐，通过计算得到了三维模型的三个特征方向向量；3、基于三个特征方向向量对三维模型进行渲染，得到相应不同方向上的多张不同渲染图像；4、针对不同数据集中三维模型的特点，综合考虑数据特征与描述符特征，选定特征描述符提取渲染图像的特征；5、利用改进的核稀疏表示分类器对提取的特征向量进行匹配，进而实现对三维模型的分类检索工作。本发明具有一定的鲁棒性，取得了较为高效、可靠的优越性能。
-
公开(公告)号：CN110059205A
公开(公告)日：2019-07-26
申请号：CN201910213225.8
申请日：2019-03-20
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于多视图的三维模型分类检索方法。本发明具体实现如下：1、将三维模型数据进行预处理；2、获取三维模型的多角度渲染视图，在12个不同的视点处对三维模型进行投影得到其相应角度的渲染视图；3、提取三维模型渲染视图的特征，将每一个渲染视图分解成多个同心正方形，通过在两个连续同心正方形之间的图像灰度差异来获得渲染视图的特征；4、利用SVM分类器对三维模型进行分类检索。本发明方法通过一系列的预处理后，渲染得到三维模型不同角度下的视图，然后利用改进过的多分类SVM分类器实现了针对三维模型的分类检索任务，具有一定的鲁棒性，取得了较为高效、可靠的优越性能。
-
公开(公告)号：CN107016708A
公开(公告)日：2017-08-04
申请号：CN201710182659.7
申请日：2017-03-24
Applicant: 杭州电子科技大学
IPC: G06T9/00
Abstract: 本发明公开了一种基于深度学习的图像哈希编码方法。本发明包括如下步骤：步骤1、采用在ImageNet图像识别数据库上训练好的图像分类模型GoogLeNet作为初始化的基本网络结构，并将GoogLeNet模型的最后一层分类层替换为哈希层，该哈希层的单元数即为图像要编码成的比特数；步骤2、对GoogLeNet模型的参数进行优化；步骤3、将图像检索数据集中的图像输入至优化好的GoogLeNet模型，并将GoogLeNet模型输出的浮点数量化为二值码，从而得到每幅图像的二值码。本发明实现了图像特征与哈希函数的联合优化，克服了传统哈希方法学习到的哈希编码与图像特征不符的缺点。
-
Patent Agency Ranking
公开(公告)号：CN120048507A
公开(公告)日：2025-05-27
申请号：CN202411951989.4
申请日：2024-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于超图的联邦学习生存预测方法。首先，对于r个中心，针对每个中心获取n张病理图，得到数据集的特征信息；然后采用最近邻居算法计算每张病理图的p个patch图的最近邻居，连接互为邻居的的patch形成超图，得到关联矩阵；然后通过超图卷积神经网络学习并获得整张病理图的特征；再者，使用超图蒸馏进行局部网络的更新；之后根据每个中心的局部网络，更新全局网络，并进行生存预测。本发明利用超图蒸馏来缩小HGSurvNet和MLP之间的差距，在实现快速推理的同时保留了捕获结构信息的能力；改善了生存预测联邦学习领域的准确性和鲁棒性不足问题，提高了生存预测的准确率和对不同中心数据预测的鲁棒性。
-
公开(公告)号：CN119762652A
公开(公告)日：2025-04-04
申请号：CN202510265593.2
申请日：2025-03-07
Applicant: 杭州电子科技大学丽水研究院
Abstract: 本发明公开了一种基于深度去噪的三维高斯渲染方法。首先基于图片序列或者视频获取场景点云和相机位姿，然后基于获取的点云构造神经辐射图；对得到的神经辐射图进行深度去噪；通过端到端训练得到训练好的场景表达；最后通过训练得到的场景表达实现三维高斯渲染。本发明专注于解决光栅化过程中由于采样不充分引入的噪声问题。通过利用深度去噪技术，本发明能够有效去除渲染结果中的“伪影”，可以大幅提升渲染结果的清晰度与真实感，为高质量图形生成与显示提供了一种可靠的技术支持。
-
公开(公告)号：CN113935404B
公开(公告)日：2025-02-11
申请号：CN202111120902.5
申请日：2021-09-24
Applicant: 杭州电子科技大学
IPC: G06V10/776 , G06V10/774
Abstract: 本发明公开了一种光场显著性检测数据集清晰度评价方法。首先通过显著性区域掩膜制作三个掩膜，并获取对应的窗函数；通过掩膜A获得光场焦堆栈图像显著性区域图像；用傅里叶变换将焦堆栈显著性区域图像从空域转换到频域，获得其频谱信息；对显著性区域高频信息进行傅里叶反变换，得到空域图像；用腐蚀的掩膜B截取空域高频部分，计算高频图像灰度值之和，用以表示焦堆栈图像显著性区域高频能量值大小；对堆栈图像显著性区域高频能量值进行归一化，用来表示该图片的训练权重。本发明针对数据集焦堆栈中显著性区域进行清晰程度判定，并以此作为焦堆栈中该图片训练权重的评价标准，显著性区域越清晰，则该图片的训练权重越高。
-
公开(公告)号：CN114119517B
公开(公告)日：2024-12-10
申请号：CN202111346998.7
申请日：2021-11-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种联合病理与拓扑信息的神经病理hub节点识别方法，首先确定脑网络的基本数学模型；然后定义神经病理电势与神经病理电势差，再定义全脑网络的神经病理电势差；构建神经病理hub识别的能量函数，确定神经病理hub识别的最优化方法；最后预处理真实的神经影像数据，执行优化算法求取神经病理hub；本发明联合分析神经病理hub在脑网络拓扑结构中的作用以及神经病理负荷在神经病理hub处分布的特征表现，识别出具有高神经病理电势的hub节点，解决了传统hub识别方法仅考虑hub节点在网络结构中的拓扑特征的局限性。
-
公开(公告)号：CN118195932A
公开(公告)日：2024-06-14
申请号：CN202410136129.9
申请日：2024-01-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多尺度带通滤波器的图像去摩尔纹方法。首先构建基于多尺度带通滤波器的图像去摩尔纹网络模型，包括多尺度的encoder模块，多尺度特征融合模块和用于图像恢复的decoder模块；然后对构建的图像去摩尔纹网络模型进行训练；最后经过训练的网络模型接收需要进行去摩尔纹处理的图像，完成去摩尔纹处理后将图像输出。本发明创新的提出了使用不同大小的patch分支提取不同尺度下的图像信息，并从每个尺度中分别学习不同尺度下的摩尔纹信息并加以去除。本发明使用多尺度特征融合模块将不同尺度下的图像特征进行融合，使得每个尺度分支都能借鉴其它分支的特征来完善本尺度分支的特征，提高模型去除摩尔纹的能力。
-
-
-
-
-
-
-
-
-
Search Results
461
records
(took 0.029 seconds)
