-
公开(公告)号：CN114387646B
公开(公告)日：2024-11-08
申请号：CN202111640925.9
申请日：2021-12-29
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06N3/0464 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种身份识别方法、装置以及存储介质，属于图片识别技术领域，方法包括：导入多个行人图片，分别对各个行人图片进行人脸识别得到目标人脸图片；对多个目标人脸图片进行隶属度矩阵的构建分析得到隶属度矩阵；根据隶属度矩阵对多个目标人脸图片以及多个行人图片进行划分得到接受域、拒绝域和不确定域；分别对接受域、拒绝域以及不确定域进行身份识别分析得到身份识别结果。本发明能够在不同场景下的目标采用合适的识别方法，区别于单一仅采用人脸或者行人的识别，对目标身份的识别准确率有了显著的提升，能够适用于复杂的现实情况。
-
公开(公告)号：CN118072099A
公开(公告)日：2024-05-24
申请号：CN202410269441.5
申请日：2024-03-11
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82
Abstract: 本发明公开了一种基于联合蒸馏回放策略的类增量学习方法，所述方法包括如下步骤：1)训练初始任务的蒸馏模型；2)设置一个缓冲区存储初始任务的蒸馏数据；3)建立基于旧任务的蒸馏数据与新任务的原始数据的联合蒸馏模型；4)在下一个任务训练过程中回放联合蒸馏数据。本技术方案利用旧任务的蒸馏数据与新任务的原始数据联合蒸馏，充分考虑旧任务的类别特征信息，以此避免特征模糊。在此基础上，保持新旧任务蒸馏过程中使用相同的学习率，并寻找一个最优的缓冲区规模以存储蒸馏数据用于回放，从而有效地缓解类增量学习场景中的灾难性遗忘，提升图像的分类效果。
-
公开(公告)号：CN110969638B
公开(公告)日：2023-09-29
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。
-
公开(公告)号：CN116309395A
公开(公告)日：2023-06-23
申请号：CN202310184852.X
申请日：2023-03-01
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/10 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于图像分割的慢暂现源检测方法，所述方法包概括：S1:导入天文图像数据；S2:图像预处理后，通过将多个不同时刻的二维天空快照图像堆叠成一个三维的天空图像立方体，再进行切分S3：图像小立方体筛选，计算出各个小图像立方体的方差和，将超过阈值的图像小立方体作为网络的输入；S4:构建神经网络训练模型，通过神经网络提取三维图像立方体空间和时间上的特征并训练得到慢暂现源检测模型；S5:导入待检测图像数据，通过慢暂现源检测模型对图像进行图像分割得到检测结果图。这种方法兼顾时间和空间的信息，提取时空间联合特征，能减少对专业天文软件的依赖、简化检测步骤并且能提升检测精确性和检测效率。
-
-
Patent Agency Ranking
公开(公告)号：CN116188271A
公开(公告)日：2023-05-30
申请号：CN202310239578.1
申请日：2023-03-14
Applicant: 桂林电子科技大学
IPC: G06T3/40 , G06T7/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于DCT特征增强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）对图像进行分块卷积压缩采样；2）采用亚像素上采样网络对观测向量进行初始重建；3）采用DCT特征增强网络对初始重建图进行深度重建；4）基于DCT特征约束函数进行网络训练。本发明提出的图像重建方法显式学习图像的DCT特征，有效恢复图像的高频细节信息，提升重建精度。
-
公开(公告)号：CN110866929B
公开(公告)日：2022-12-27
申请号：CN201911098771.8
申请日：2019-11-12
Applicant: 桂林电子科技大学
IPC: G06T7/12
Abstract: 本发明提出了一种图像轮廓分割方法及系统。所述分割方法包括如下步骤：首先获取原始图像的边缘指示函数和梯度矢量流，在迭代获取水平集函数的过程中，利用边缘指示函数、梯度矢量流和第n‑1次迭代的水平集函数和偏置域，计算第n次迭代的权重因子、局部强度均值、全局强度均值和偏置域，进而计算水平集函数。本发明在计算水平集函数的过程中引入局部边缘特征(边缘指示函数)，从而能更好的保留图像的细节特征，减小弱边界和强度不均匀图像的边界泄露。本发明在计算水平集函数的过程还引入测地边缘项，全面利用图像的边缘信息，增强模型的分割性能，减小复杂背景的干扰，提高了弱边界图像和强度分布不均匀的图像的分割精度。
-
公开(公告)号：CN114821100A
公开(公告)日：2022-07-29
申请号：CN202210385383.3
申请日：2022-04-13
Applicant: 桂林电子科技大学
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。
-
公开(公告)号：CN109859106B
公开(公告)日：2022-07-05
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：CN112200090B
公开(公告)日：2022-07-01
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。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.026 seconds)
