-
Patent Agency Ranking
公开(公告)号：CN111798531A
公开(公告)日：2020-10-20
申请号：CN202010648858.4
申请日：2020-07-08
Applicant: 南开大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种应用于植株监测任务的完全可学习图像深度卷积压缩感知重构方法。本发明充分发掘植株监测任务中图像的高度结构相似性，提出了一种基于神经网络的图像压缩感知重构方法。该方法结合变分自动编码器和深度卷积生成对抗模型，将图像压缩感知过程通过采样器、求解器和重建器三个可学习的神经网络完成，每一部分均可独立训练。本发明与传统方法相比，可以更有效地构建出植株图像的低维表示。实验结果表明，本发明提出的完全可学习图像压缩感知重构方法与现有方法相比，在提升重构图像质量的同时，所需时间大大减少。
-
公开(公告)号：CN111681156B
公开(公告)日：2022-09-23
申请号：CN202010533495.X
申请日：2020-06-16
Applicant: 南开大学
Abstract: 一种应用于无线传感器网络的深度压缩感知图像重构方法。本发明属于信号处理技术领域，具体涉及一种应用于无线传感器网络的农作物图像重构方法。本发明深入发掘农业物联网中农作物图像相似性，提出了一种基于生成模型的深度压缩感知农作物图像重构方法。该方法同时利用了农作物图像的稀疏性与低秩性，以及实际应用中图像的单一性，结合深度卷积生成对抗模型，利用随机梯度下降法对无线传感器网络中图像的重构问题进行求解。深度压缩感知模型与传统方法相比，可以更有效地构建出图像的低维表示。实验结果表明，本发明提出的深度压缩感知图像重构方法与现有方法相比，可以有效提升无线传感器网络中农作物图像的重构效果。
-
公开(公告)号：CN112036000A
公开(公告)日：2020-12-04
申请号：CN202010557112.2
申请日：2020-06-18
Applicant: 南开大学
IPC: G06F30/20 , G06F17/16 , G06F17/15 , G06F111/10
Abstract: 本发明公开了一种基于矩阵填充的环境温湿度多时隙数据采集方法。该方法包括结构化随机稀疏采样方法和一种基于低秩和改进二阶水平全变分正则化的数据恢复算法。通过采用结构化随机稀疏采样方法，较大程度地减少数据感测和传输的数量，从而延长了无线传感器网络的使用寿命。利用无线传感器网络数据的低秩和时间稳定性，构建基于时间稳定性的核范数最小化模型，并采用交替方向法对该模型进行优化求解。通过采用本发明中的结构化随机稀疏采样方法，可以对基于矩阵填充的数据恢复算法有一定的增强作用。与此同时，本发明中的数据恢复方法通过较好地平衡低秩性和时间稳定性对恢复效果的影响，从而能够较大程度的提升恢复性能和重构精度。
-
公开(公告)号：CN111681156A
公开(公告)日：2020-09-18
申请号：CN202010533495.X
申请日：2020-06-16
Applicant: 南开大学
Abstract: 一种应用于无线传感器网络的深度压缩感知图像重构方法。本发明属于信号处理技术领域，具体涉及一种应用于无线传感器网络的农作物图像重构方法。本发明深入发掘农业物联网中农作物图像相似性，提出了一种基于生成模型的深度压缩感知农作物图像重构方法。该方法同时利用了农作物图像的稀疏性与低秩性，以及实际应用中图像的单一性，结合深度卷积生成对抗模型，利用随机梯度下降法对无线传感器网络中图像的重构问题进行求解。深度压缩感知模型与传统方法相比，可以更有效地构建出图像的低维表示。实验结果表明，本发明提出的深度压缩感知图像重构方法与现有方法相比，可以有效提升无线传感器网络中农作物图像的重构效果。
-
公开(公告)号：CN111798531B
公开(公告)日：2022-09-20
申请号：CN202010648858.4
申请日：2020-07-08
Applicant: 南开大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种应用于植株监测任务的完全可学习图像深度卷积压缩感知重构方法。本发明充分发掘植株监测任务中图像的高度结构相似性，提出了一种基于神经网络的图像压缩感知重构方法。该方法结合变分自动编码器和深度卷积生成对抗模型，将图像压缩感知过程通过采样器、求解器和重建器三个可学习的神经网络完成，每一部分均可独立训练。本发明与传统方法相比，可以更有效地构建出植株图像的低维表示。实验结果表明，本发明提出的完全可学习图像压缩感知重构方法与现有方法相比，在提升重构图像质量的同时，所需时间大大减少。
-
-
-
-
Search Results
5
records
(took 0.013 seconds)
