-
公开(公告)号：CN110110781A
公开(公告)日：2019-08-09
申请号：CN201910358106.1
申请日：2019-04-30
Applicant: 南开大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于优质邻接点的子空间聚类方法。该方法可以与现有的多数自表示优化方法相结合，对相应的邻接矩阵进行后处理，从而使该邻接矩阵同时满足稀疏性和子空间内连通性。该方法最终在优化后的邻接矩阵上运行谱聚类方法得到最终的类簇归属。另外，本发明引入的优质邻接点可以使系统在处理多个子空间临界处的样本时更加鲁棒，从而提升聚类性能。具体的，本发明首先使用原始样本数据计算一个初始的邻接矩阵；然后，本方法根据样本系数间的相关关系，为每个样本找到其优质邻接点；接下来，本方法利用邻接点关系更新邻接矩阵，在删除非优质连接的同时保持子空间内样本的连通性；最后，本方法调用谱聚类方法得到最终的聚类结果。
-
公开(公告)号：CN108388903B
公开(公告)日：2021-12-21
申请号：CN201810171247.8
申请日：2018-03-01
Applicant: 南开大学
Abstract: 本发明公开了一种基于多视角多特征的图像印象性预测方法，属于图像处理技术领域。图像印象性是一种特殊的图像属性。对印象性的预测是为了能够在短时间内判断出更符合人类预期的图片作品进行推荐，降低筛选过程的时间消耗。该方法的设计参考了经典的图像属性分析结构，基于心理学理论基础和视觉图像分析，总结出六点主要线索，结合多层次的视觉特征对各个主要线索进行建模，最终达到预测印象性的目的。使用该方法对图像印象性进行检测，可以更好地模拟人类感知，用来进行更多高级的视觉任务。
-
公开(公告)号：CN108388903A
公开(公告)日：2018-08-10
申请号：CN201810171247.8
申请日：2018-03-01
Applicant: 南开大学
Abstract: 本发明公开了一种基于多视角多特征的图像印象性预测方法，属于图像处理技术领域。图像印象性是一种特殊的图像属性。对印象性的预测是为了能够在短时间内判断出更符合人类预期的图片作品进行推荐，降低筛选过程的时间消耗。该方法的设计参考了经典的图像属性分析结构，基于心理学理论基础和视觉图像分析，总结出六点主要线索，结合多层次的视觉特征对各个主要线索进行建模，最终达到预测印象性的目的。使用该方法对图像印象性进行检测，可以更好地模拟人类感知，用来进行更多高级的视觉任务。
-
公开(公告)号：CN110648311B
公开(公告)日：2023-04-18
申请号：CN201910825578.3
申请日：2019-09-03
Applicant: 南开大学
IPC: G06T7/00 , G06T7/194 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多任务学习的痤疮图像病灶分割与计数网络模型，属于计算机视觉技术领域。设计了一种多任务学习深度卷积神经网络架构，用于痤疮图像中病灶的分割和数量统计。这种深度卷积神经网络框架以多任务学习的方式共享相关任务之间的表征，利用隐含在多个相关任务的训练信号中的特定领域信息来提高泛化能力，提升模型的分割与计数性能。同时本方法在网络框架中的分割分支利用得到的病灶候选框生成病灶的位置掩码，用于屏蔽具有干扰性的背景区域，从而帮助计数分支得到更精确的计数结果。最终使用计数结果对病灶候选框进行进一步筛选，生成病灶的分割结果，得到的网络模型用于痤疮图像的病灶分割和计数。
-
Patent Agency Ranking
公开(公告)号：CN110648311A
公开(公告)日：2020-01-03
申请号：CN201910825578.3
申请日：2019-09-03
Applicant: 南开大学
Abstract: 本发明公开了一种基于多任务学习的痤疮图像病灶分割与计数网络模型，属于计算机视觉技术领域。设计了一种多任务学习深度卷积神经网络架构，用于痤疮图像中病灶的分割和数量统计。这种深度卷积神经网络框架以多任务学习的方式共享相关任务之间的表征，利用隐含在多个相关任务的训练信号中的特定领域信息来提高泛化能力，提升模型的分割与计数性能。同时本方法在网络框架中的分割分支利用得到的病灶候选框生成病灶的位置掩码，用于屏蔽具有干扰性的背景区域，从而帮助计数分支得到更精确的计数结果。最终使用计数结果对病灶候选框进行进一步筛选，生成病灶的分割结果，得到的网络模型用于痤疮图像的病灶分割和计数。
-
公开(公告)号：CN108345910A
公开(公告)日：2018-07-31
申请号：CN201810170826.0
申请日：2018-03-01
Applicant: 南开大学
IPC: G06K9/62
CPC classification number: G06K9/6222
Abstract: 一种基于三元组的自动估计类数的子空间聚类方法,目的是高效且准确地对给定样本进行聚类，同时能够根据样本内部的相关关系，自动估计出要划分的类簇数量。另外，该系统可以找到高维数据样本内在的低维分布，从而缓解处理高维数据的难度。一个高效、自动且准确的聚类方法可以作为计算机视觉、模式识别等领域中很多任务的预处理步骤及辅助措施。本系统首先解决一个带约束的优化问题，以此得到数据集内样本之间的相关关系，构造出自表示矩阵；然后，不同于传统的基于二元关系的方法，本方法计算出更加鲁棒的样本间的三元组关系作为下一步衡量聚类划分的依据；最后，本方法基于三元组关系贪婪地寻找得到最优的聚类划分系统。
-
公开(公告)号：CN110110781B
公开(公告)日：2023-07-04
申请号：CN201910358106.1
申请日：2019-04-30
Applicant: 南开大学
IPC: G06V10/762
Abstract: 本发明公开了一种基于优质邻接点的子空间聚类方法。该方法可以与现有的多数自表示优化方法相结合，对相应的邻接矩阵进行后处理，从而使该邻接矩阵同时满足稀疏性和子空间内连通性。该方法最终在优化后的邻接矩阵上运行谱聚类方法得到最终的类簇归属。另外，本发明引入的优质邻接点可以使系统在处理多个子空间临界处的样本时更加鲁棒，从而提升聚类性能。具体的，本发明首先使用原始样本数据计算一个初始的邻接矩阵；然后，本方法根据样本系数间的相关关系，为每个样本找到其优质邻接点；接下来，本方法利用邻接点关系更新邻接矩阵，在删除非优质连接的同时保持子空间内样本的连通性；最后，本方法调用谱聚类方法得到最终的聚类结果。
-
公开(公告)号：CN110415184A
公开(公告)日：2019-11-05
申请号：CN201910571058.4
申请日：2019-06-28
Applicant: 南开大学
IPC: G06T5/00
Abstract: 一种基于正交元空间的多模态图像增强方法，属于计算机视觉领域。包括以下特点：1、使用编码-解码器及互信息最优化策略提取高美学质量图像的样式和内容编码；2、将参考图像的样式编码映射到由一组正交基张成的样式元空间中；3、利用自适应的实例标准化模块以及互信息优化的特征解耦方法提高参考图像的样式和内容编码解耦，构建基于编码-解码的生成对抗网络进行模型训练；4、在测试阶段，将任意一张普通图像输入训练好的模型，由内容编码器提取内容编码，同时在样式元空间中随机采样多个样式编码，将内容编码与样式编码融合后，送入生成器得到多模态增强图像。通过本发明可以得到在亮度、对比度、颜色等美学特性方面样式多样的增强图像。
-
公开(公告)号：CN110415184B
公开(公告)日：2022-12-20
申请号：CN201910571058.4
申请日：2019-06-28
Applicant: 南开大学
IPC: G06T5/00
Abstract: 一种基于正交元空间的多模态图像增强方法，属于计算机视觉领域。包括以下特点：1、使用编码‑解码器及互信息最优化策略提取高美学质量图像的样式和内容编码；2、将参考图像的样式编码映射到由一组正交基张成的样式元空间中；3、利用自适应的实例标准化模块以及互信息优化的特征解耦方法提高参考图像的样式和内容编码解耦，构建基于编码‑解码的生成对抗网络进行模型训练；4、在测试阶段，将任意一张普通图像输入训练好的模型，由内容编码器提取内容编码，同时在样式元空间中随机采样多个样式编码，将内容编码与样式编码融合后，送入生成器得到多模态增强图像。通过本发明可以得到在亮度、对比度、颜色等美学特性方面样式多样的增强图像。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.024 seconds)
