-
公开(公告)号：CN112614077A
公开(公告)日：2021-04-06
申请号：CN202011612495.5
申请日：2020-12-30
Applicant: 北京航空航天大学杭州创新研究院
Abstract: 本发明公开了一种基于生成对抗网络的非监督低照度图像增强方法，属于图像处理领域，本发明通过构建生成对抗网络的生成器和判别器，利用训练集对生成对抗网络的生成器和判别器进行训练，使用训练后的生成对抗网络对待处理的低照度图像进行增强得到增强图像。本发明能够利用非监督图像数据训练模型，从而解决监督数据数量少且获取困难的问题；同时该方法能通过基于图像梯度和亮度设计的注意力图解决图像增强后的过曝问题。
-
Patent Agency Ranking
公开(公告)号：CN112614077B
公开(公告)日：2022-08-19
申请号：CN202011612495.5
申请日：2020-12-30
Applicant: 北京航空航天大学杭州创新研究院
IPC: G06T5/00 , G06V10/774 , G06N20/00
Abstract: 本发明公开了一种基于生成对抗网络的非监督低照度图像增强方法，属于图像处理领域，本发明通过构建生成对抗网络的生成器和判别器，利用训练集对生成对抗网络的生成器和判别器进行训练，使用训练后的生成对抗网络对待处理的低照度图像进行增强得到增强图像。本发明能够利用非监督图像数据训练模型，从而解决监督数据数量少且获取困难的问题；同时该方法能通过基于图像梯度和亮度设计的注意力图解决图像增强后的过曝问题。
-
公开(公告)号：CN112506667A
公开(公告)日：2021-03-16
申请号：CN202011527041.8
申请日：2020-12-22
Applicant: 北京航空航天大学杭州创新研究院
Abstract: 本发明公开了一种基于多任务优化的深度神经网络训练方法。针对DNN易发生过拟合而严重影响其泛化能力的问题，本发明训练方式包含辅助任务构建和基于多任务优化技术的DNN训练环节。前者利用重采样和数据增广等技术，在原数据集基础上扩展出多个独立的数据集，构建辅助DNN训练任务；后者利用多任务优化技术同时解决所有DNN训练任务，并在训练过程中通过知识迁移将知识从辅助任务迁移至主任务，帮助主任务的训练；最后本发明通过MPI的方式将该方法部署到分布式系统以提高运算效率。本发明方法相比于传统单任务训练算法能得到更好的泛化能力。
-
公开(公告)号：CN112508792A
公开(公告)日：2021-03-16
申请号：CN202011531087.7
申请日：2020-12-22
Applicant: 北京航空航天大学杭州创新研究院
Abstract: 本发明公开了一种基于在线知识迁移的深度神经网络集成模型单张图像超分辨率方法和系统，使用多个基于DNN的基学习器构建集成模型，所述集成模型包括多个基于DNN的基学习器，每个基学习器都有一个上采样模块和一个精化网络；且不同基学习器的上采样模块采用不同的上采样方法；各基学习器之间利用扩展的Cross‑stitch单元相连接，基学习器的输出通过可学习的权重合并为最终输出的HR图像。本发明能够将差异性主动引入到基学习器中，即主动增强基学习器之间的差异，保证集成模型能获得良好性能；扩展的Cross‑stitch单元可以使来自其他基学习器的有益的输入被加强，而不利的输入会被减弱；可学习的权重能够自适应地根据不同基学习器的输出进行组合，从而获得更好的效果。
-
公开(公告)号：CN112508792B
公开(公告)日：2024-09-10
申请号：CN202011531087.7
申请日：2020-12-22
Applicant: 北京航空航天大学杭州创新研究院
IPC: G06T3/4053 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于在线知识迁移的深度神经网络集成模型单张图像超分辨率方法和系统，使用多个基于DNN的基学习器构建集成模型，所述集成模型包括多个基于DNN的基学习器，每个基学习器都有一个上采样模块和一个精化网络；且不同基学习器的上采样模块采用不同的上采样方法；各基学习器之间利用扩展的Cross‑stitch单元相连接，基学习器的输出通过可学习的权重合并为最终输出的HR图像。本发明能够将差异性主动引入到基学习器中，即主动增强基学习器之间的差异，保证集成模型能获得良好性能；扩展的Cross‑stitch单元可以使来自其他基学习器的有益的输入被加强，而不利的输入会被减弱；可学习的权重能够自适应地根据不同基学习器的输出进行组合，从而获得更好的效果。
-
公开(公告)号：CN112668245A
公开(公告)日：2021-04-16
申请号：CN202110013279.7
申请日：2021-01-06
Applicant: 北京航空航天大学杭州创新研究院
IPC: G06F30/27 , G06K9/62 , G06N3/12 , G06F111/04
Abstract: 本发明公开了一种基于多任务进化算法的多数据集特征选择方法及其系统，属于特征选择技术领域。包括(1)数据集清洗和拆分；(2)进化算法初始化；(3)选择优秀个体构成子种群，生成子代个体；(4)子种群模型评估；(5)对每一个子数据集进行独立进化；(6)算法停止检查；(7)输出每个子数据集的特征选择结果及回归模型。本发明的特征选择方法能够同时对多个数据集进行特征选择，不仅支持在不同数据集之间传递共享的特征选择方案，对多数据集进行协同的特征选择，还支持各数据集针对各自场景进行独立进化。因此，本发明显著减少了消耗在重复操作上的计算开销，显著提高多数据集特征选择的计算效率。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
