-
公开(公告)号：CN117475519A
公开(公告)日：2024-01-30
申请号：CN202311797195.2
申请日：2023-12-26
Applicant: 厦门理工学院 , 厦门瑞为信息技术有限公司
Abstract: 本发明公开了基于孪生网络与多重通道融合的脱机笔迹鉴别方法，将两张输入的笔迹图片进行取反操作，获取其反灰度图片，包括参考图片、测试图片、参考图片的反灰度图片、测试图片的反灰度图片四张笔迹图片；将四张笔迹图片分别进入同一个网络模型提取图像特征向量 ，生成相应的四个特征向量；特征向量经过两次双重笔迹注意力，进行权重加权处理，得到特征向量Y；将四张笔迹图片经过图像处理的128维图片进行融合，融合有512维图片；将融合后的图片经过自注意力与卷积操作，进行判断；将输出的特征向量进行sigmoid操作，将其作为置信度用来判断两张输入图片是否为同一个人书写。
-
公开(公告)号：CN117475155A
公开(公告)日：2024-01-30
申请号：CN202311797890.9
申请日：2023-12-26
Applicant: 厦门瑞为信息技术有限公司 , 厦门理工学院
IPC: G06V10/26 , G06V20/13 , G06V20/17 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明公开基于半监督学习的轻量级遥感图像分割方法，包括S1、收集原始图像数据集，标注部分数据集以得到部分标注的训练数据集；S2、构建两个完全一致的语义分割模型；S3、将无标签数据同时输入两个语义分割模型，计算输出的一致性损失；S4、将有标签数据同时输入两个语义分割模型，计算交叉熵损失和骰子损失的混合损失作为有监督损失；S5、总损失为一致性损失和两个模型的混合损失三者按权重相加；S6、对总体损失进行优化和反向梯度传播，更新网络参数；S7、在同一测试集分别测试训练好的两个模型，选择其中精度较高的一个模型作为最终模型。本发明可提高遥感图像分割的效率，在较低的参数量和计算复杂度下实现了更高的精度。
-
公开(公告)号：CN117372701A
公开(公告)日：2024-01-09
申请号：CN202311667809.5
申请日：2023-12-07
Applicant: 厦门瑞为信息技术有限公司 , 厦门理工学院
IPC: G06V10/26 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开基于Transformer的交互式图像分割方法，选取想要标注的图像，载入到交互式图像分割标注软件中；选择分割目标，根据用户点击行为生成点击记录，在对应位置生成点击标记；确认交互完成后，根据点击记录将其转换为圆盘图，作为相对应的正负点击指导再和原始掩码拼接，在与原图相加后作为分割模型输入；利用预训练分割模型对图像中的指定目标进行分割，返回初始的分割掩码；根据初始的分割掩码结果，选择添加合适的正负点击对错误区域进行再次标记；将新的标记再次送入分割模型，并返回修正后的结果。如此往复，对分割结果进行细化，以得到满意的结果。本发明能提高交互式图像分割标注性能，以更少的交互次数得到更好的分割结果。
-
公开(公告)号：CN107688289A
公开(公告)日：2018-02-13
申请号：CN201710871582.4
申请日：2017-09-25
Applicant: 厦门理工学院
Abstract: 本发明一种新型时钟，包括表盘、灯带、遮光板、交互按钮、控制芯片，所述表盘包括刻度板和侧壁，所述交互按钮设置在所述刻度板中心位置，所述灯带与所述刻度板平行，所述遮光板为圆环形；当用户手指按压所述交互按钮时，所述控制芯片用于根据当前时间控制所述彩色LED灯照射所述手指，从而使所述手指的影子在所述刻度板上模拟出时针和分针显示当前时间，所述遮光板上设有光敏传感器，所述光敏传感器与所述控制芯片电连接，所述光敏传感器用于检测实时外界光强并将其传送给所述控制芯片，所述控制芯片根据公式：P＝1.1(P1-P0)+P0控制实际输出光强，本发明不设有指针，可直接通过手指的影子显示当前时间。
-
公开(公告)号：CN118898722B
公开(公告)日：2025-02-11
申请号：CN202411404225.3
申请日：2024-10-10
Applicant: 厦门理工学院
IPC: G06V10/422 , G06V10/80 , G06V10/774 , G06V10/82 , G06V10/10 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于几何基元空间感知的平面几何自动解题方法，S1将待求解的几何图示和几何题目利用解析器按预设的规则，解析成文本子句，并输入Transformer Encoder中编码；S2将几何图示图像通过卷机神经网络分成64个图示补丁特征并通过自注意力机制学习视觉模态内部特征；S3将这些模态特征输入到多模态双支路空间感知预训练语言模块中以学习跨模态全局特征和几何基元空间信息，并输入到双向GRU编码器中以执行融合编码；S4将混合编码中的文本编码送入点基元空间注意力模块中增强模型对几何基元的空间感知能力；S5将增强的混合编码由自限GRU解码器解码，并生成顺序求解程序。
-
Patent Agency Ranking
公开(公告)号：CN118918589B
公开(公告)日：2025-01-21
申请号：CN202411399134.5
申请日：2024-10-09
Applicant: 厦门理工学院
IPC: G06V30/146 , G06V30/19 , G06V30/18 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于网格点的医疗文档图像矫正识别方法及系统，该方法包括以下步骤：步骤A：获取医疗文档的待矫正图像及其对应的真实图像，构建测试数据集；步骤B：构建基于网格点的医疗文档图像矫正模型并通过训练数据集对其进行训练，得到训练好的医疗文档图像矫正模型；步骤C：利用测试数据集对训练好的医疗文档图像矫正模型进行测试，评估合格的即为最终得到的医疗文档图像矫正模型；步骤D：将最终得到的医疗文档图像矫正模型应用于医疗文档图像矫正，获取矫正后的医疗文档图像；然后对矫正后的医疗文档图像进行文字识别，得到识别后的医疗文本。该方法及系统有利于快速、准确地校正医疗文档图像并对其进行文字识别。
-
公开(公告)号：CN118918589A
公开(公告)日：2024-11-08
申请号：CN202411399134.5
申请日：2024-10-09
Applicant: 厦门理工学院
IPC: G06V30/146 , G06V30/19 , G06V30/18 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于网格点的医疗文档图像矫正识别方法及系统，该方法包括以下步骤：步骤A：获取医疗文档的待矫正图像及其对应的真实图像，构建测试数据集；步骤B：构建基于网格点的医疗文档图像矫正模型并通过训练数据集对其进行训练，得到训练好的医疗文档图像矫正模型；步骤C：利用测试数据集对训练好的医疗文档图像矫正模型进行测试，评估合格的即为最终得到的医疗文档图像矫正模型；步骤D：将最终得到的医疗文档图像矫正模型应用于医疗文档图像矫正，获取矫正后的医疗文档图像；然后对矫正后的医疗文档图像进行文字识别，得到识别后的医疗文本。该方法及系统有利于快速、准确地校正医疗文档图像并对其进行文字识别。
-
公开(公告)号：CN118898846A
公开(公告)日：2024-11-05
申请号：CN202411396493.5
申请日：2024-10-09
Applicant: 厦门理工学院
IPC: G06V30/146 , G06V30/148 , G06V30/18 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出一种应用于歪曲试卷的文档矫正系统，包括试卷图像的分割模块和基于多头注意力机制的试卷图像矫正模块；所述试卷图像的分割模块基于UNet构建的分割模型以实现对于试卷文档的左缘信息和右缘信息分割，通过卷积层、残差连接以及转置卷积层提取和融合图像特征，以获得图像分割图，随后进行后处理以获得实际的掩码图；再将分割后的信息输入到基于多头注意力机制的试卷图像矫正模块中以对分割后的图形进行矫正；所述基于多头注意力机制的试卷图像矫正模块采用Transformer结构，包括Encoder‑Decoder结构，采用多头注意力结构网络生成图像的光流图，通过一系列的Encoder编码器块进行逐步降采样和Decoder解码器块进行逐步上采样，得到矫正后的试卷文档图像。
-
公开(公告)号：CN112749621B
公开(公告)日：2023-06-13
申请号：CN202011342358.4
申请日：2020-11-25
Applicant: 厦门理工学院
IPC: G06V20/13 , G06V10/26 , G06V20/70 , G06V10/40 , G06V10/56 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 一种基于深度卷积神经网络的遥感图像云层检测方法，首先需要获得卫星图像的多个波段图，其中必要的是卫星遥感图像中的自然真彩色图像(RGB)、近光红外波段(Nir)以及云层掩模图作为训练集和测试集对深度卷积神经网络模型进行训练和测试，采用测试通过后的深度卷积神经网络模型实现遥感图像云层检测。这种基于深度学习对云层进行检测的方法拥有检测速度快，精准度高并且可以快速迁移适应不同卫星型号的特点。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.031 seconds)
