-
公开(公告)号：CN108710858B
公开(公告)日：2021-07-06
申请号：CN201810497799.8
申请日：2018-05-22
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于表情识别的城市幸福指数动态热力图生成方法，基于深度学习卷积神经网络的表情识别技术，通过人脸的表情评分机制和城市区域出入口的人流量构造幸福指数函数并绘制幸福指数动态热力图。人脸表情直观地反映人的幸福感，只需采集处理视频就能可靠地计算幸福指数，免去调查问卷的繁琐，突破了以经济指标评价城市幸福指数的传统模式。通过城市幸福指数热力图可以观察城市不同区域的市民的幸福感差异情况，而幸福指数动态热力图可以反映不同区域不同时段的幸福指数变化，同时可以促进社会学家对幸福指数的研究和提高幸福指数的实用性。
-
Patent Agency Ranking
公开(公告)号：CN109102462A
公开(公告)日：2018-12-28
申请号：CN201810864938.6
申请日：2018-08-01
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于深度学习的视频超分辨率重建方法，其技术关键在于（1）给定同一镜头下连续图像，网络预测更清晰的视频帧图像；（2）采用双向循环神经网络和深度3D反向投影网络；（3）本发明将两个网络合并成一个网络，此网络作为本发明的深度学习的视频超分辨率重建的网络（4）训练数据为有标签，将处理的数据视频帧通过此网络得到损失函数。本发明最终目标是输入低分辨率视频帧经过双向循环网络预测视频帧的时间和空间上的信息，经过3D投影网络再预测视频帧的细节信息，经过反复训练得到一个最优模型，这个模型应用于去除相机的抖动、物体快速运动的模糊、失焦模糊、镜头光学模糊、景深变化、压缩失真和噪声等降质因素的影响。
-
公开(公告)号：CN108710858A
公开(公告)日：2018-10-26
申请号：CN201810497799.8
申请日：2018-05-22
Applicant: 中国计量大学
CPC classification number: G06K9/00302 , G06F17/18 , G06K9/00228 , G06K9/00288 , G06T11/001
Abstract: 本发明公开了一种基于表情识别的城市幸福指数动态热力图生成方法，基于深度学习卷积神经网络的表情识别技术，通过人脸的表情评分机制和城市区域出入口的人流量构造幸福指数函数并绘制幸福指数动态热力图。人脸表情直观地反映人的幸福感，只需采集处理视频就能可靠地计算幸福指数，免去调查问卷的繁琐，突破了以经济指标评价城市幸福指数的传统模式。通过城市幸福指数热力图可以观察城市不同区域的市民的幸福感差异情况，而幸福指数动态热力图可以反映不同区域不同时段的幸福指数变化，同时可以促进社会学家对幸福指数的研究和提高幸福指数的实用性。
-
公开(公告)号：CN107967484A
公开(公告)日：2018-04-27
申请号：CN201711120584.6
申请日：2017-11-14
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于多分辨率的图像分类方法，其目的在于利用不同的深度神经网络结构解决多分辨率输入问题，利用深度学习技术实现从分类标签集合中找出一个分类标签并把分类标签分配给输入图像的效果。其技术关键在于(1)采用跳过部分池化层的方法来实现多分辨率图像分类；(2)采用指定位置输入的方法来实现多分辨率图像分类。(3)根据卷积网络不同层得到的特征特点不同，对不同层的特征采用不同的利用方式。本发明输入任意一张测试图片到训练好的神经网络模型中，神经网络的输出即为该图片的类别。本发明在不统一输入图片大小的前提下，保持了原图片质量，不增加任何噪声，有效地实现了多分辨率的图像分类。
-
公开(公告)号：CN109102462B
公开(公告)日：2023-04-07
申请号：CN201810864938.6
申请日：2018-08-01
Applicant: 中国计量大学
IPC: G06T3/40 , G06N3/0475 , G06N3/0464 , G06N3/044 , G06N3/045 , G06N3/048 , G06N3/094
Abstract: 本发明公开了一种基于深度学习的视频超分辨率重建方法，其技术关键在于（1）给定同一镜头下连续图像，网络预测更清晰的视频帧图像；（2）采用双向循环神经网络和深度3D反向投影网络；（3）本发明将两个网络合并成一个网络，此网络作为本发明的深度学习的视频超分辨率重建的网络（4）训练数据为有标签，将处理的数据视频帧通过此网络得到损失函数。本发明最终目标是输入低分辨率视频帧经过双向循环网络预测视频帧的时间和空间上的信息，经过3D投影网络再预测视频帧的细节信息，经过反复训练得到一个最优模型，这个模型应用于去除相机的抖动、物体快速运动的模糊、失焦模糊、镜头光学模糊、景深变化、压缩失真和噪声等降质因素的影响。
-
公开(公告)号：CN107967484B
公开(公告)日：2021-03-16
申请号：CN201711120584.6
申请日：2017-11-14
Applicant: 中国计量大学
IPC: G06K9/62 , G06N3/04 , G06F16/583
Abstract: 本发明公开了一种基于多分辨率的图像分类方法，其目的在于利用不同的深度神经网络结构解决多分辨率输入问题，利用深度学习技术实现从分类标签集合中找出一个分类标签并把分类标签分配给输入图像的效果。其技术关键在于(1)采用跳过部分池化层的方法来实现多分辨率图像分类；(2)采用指定位置输入的方法来实现多分辨率图像分类。(3)根据卷积网络不同层得到的特征特点不同，对不同层的特征采用不同的利用方式。本发明输入任意一张测试图片到训练好的神经网络模型中，神经网络的输出即为该图片的类别。本发明在不统一输入图片大小的前提下，保持了原图片质量，不增加任何噪声，有效地实现了多分辨率的图像分类。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
