-
公开(公告)号：CN117391969B
公开(公告)日：2024-07-30
申请号：CN202311358237.2
申请日：2023-10-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82
Abstract: 一种基于非理想监督的恶劣天气图像复原系统，属于图像复原领域。本发明针对现有恶劣天气下图像的复原网络利用合成数据集以有监督方式训练或者仅利用真实的退化图像进行无监督的训练，对图像的重建质量差的问题。包括采用一致性标签构造器对同场景下同时段采集的主退化图像和辅助退化图像进行特征提取，获得主退化图像的伪标签；图像复原网络，用于对主退化图像进行重建，得到去退化的初级重建图像；信息分配模块，用于基于伪标签优化项和原始非理想标签优化项对初级重建图像进行约束，得到高质量重建图像；基于伪标签优化项和原始非理想标签优化项更新图像复原网络的网络参数，获得最终图像复原网络。本发明用于恶劣天气图像复原。
-
公开(公告)号：CN111640073A
公开(公告)日：2020-09-08
申请号：CN202010413635.X
申请日：2020-05-15
Applicant: 哈尔滨工业大学
Abstract: 一种图像盲去噪系统，属于图像去噪技术领域。本发明针对现有图像去噪方法依赖噪声与清晰图像对进行模型的训练，可行性差的问题。其自监督学习模块包括：基于空洞卷积的盲点网络和图像相关的噪声水平估计网络，用于对噪声样本图像集中的噪声样本图像通过自监督损失优化，并基于贝叶斯预测得到初步盲去噪图像，得到第一数据集；图像相关的噪声水平估计网络还对清晰样本图像集中的清晰样本图像进行处理，生成对应噪声图像，得到清晰样本图像与对应噪声图像对组成的第二数据集；知识蒸馏模块用于在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络，得到去噪模型。本发明基于非成对图像实现盲去噪。
-
Patent Agency Ranking
公开(公告)号：CN114331885B
公开(公告)日：2025-05-02
申请号：CN202111586598.3
申请日：2021-12-21
Applicant: 哈尔滨工业大学
Abstract: 一种带有超前循环模块的在线视频去噪系统，属于视频去噪技术领域。本发明针对现有基于双向循环神经网络的视频去噪系统不能在线处理的问题。包括前向循环模块，用于对当前帧和相邻前一帧噪声图像及相邻前一帧噪声图像的前向特征进行处理，获得当前帧噪声图像的前向特征；超前循环模块，用于对相邻选定未来帧和相邻选定未来帧的前一帧噪声图像及相邻选定未来帧的前一帧噪声图像的超前特征进行处理，获得相邻选定未来帧噪声图像的超前特征；对齐模块，用于将未来帧超前特征从未来帧噪声图像对齐到当前帧噪声图像，获得对齐后的超前特征；解码模块，用于将当前帧前向特征和对齐后的超前特征进行融合，得到当前帧的去噪图像。本发明用于在线视频去噪。
-
公开(公告)号：CN114331885A
公开(公告)日：2022-04-12
申请号：CN202111586598.3
申请日：2021-12-21
Applicant: 哈尔滨工业大学
Abstract: 一种带有超前循环模块的在线视频去噪系统，属于视频去噪技术领域。本发明针对现有基于双向循环神经网络的视频去噪系统不能在线处理的问题。包括前向循环模块，用于对当前帧和相邻前一帧噪声图像及相邻前一帧噪声图像的前向特征进行处理，获得当前帧噪声图像的前向特征；超前循环模块，用于对相邻选定未来帧和相邻选定未来帧的前一帧噪声图像及相邻选定未来帧的前一帧噪声图像的超前特征进行处理，获得相邻选定未来帧噪声图像的超前特征；对齐模块，用于将未来帧超前特征从未来帧噪声图像对齐到当前帧噪声图像，获得对齐后的超前特征；解码模块，用于将当前帧前向特征和对齐后的超前特征进行融合，得到当前帧的去噪图像。本发明用于在线视频去噪。
-
公开(公告)号：CN119086068A
公开(公告)日：2024-12-06
申请号：CN202411431318.5
申请日：2024-10-14
Applicant: 哈尔滨工业大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于半监督对比学习的轴承故障诊断方法及系统，包括：采集原始CWRU轴承振动信号，并将所述原始CWRU轴承振动信号划分为训练集和测试集，其中，训练集包括：已知类和未知类；对所述原始CWRU轴承振动信号进行预处理，获得RGB彩色振动图像；基于所述RGB彩色振动图像，建立轴承故障诊断模型；对所述轴承故障诊断模型进行微调；基于微调后的所述轴承故障诊断模型对待测的轴承进行故障诊断。本发明提出了一种用于轴承故障诊断的基于对比学习的半监督学习方式(OSCL)，同时利用少量已知类标记数据和包含已知类和未知类的大量未标记数据联合训练，更加适用于真实工业场景下的轴承故障智能诊断。
-
公开(公告)号：CN117391969A
公开(公告)日：2024-01-12
申请号：CN202311358237.2
申请日：2023-10-19
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82
Abstract: 一种基于非理想监督的恶劣天气图像复原系统，属于图像复原领域。本发明针对现有恶劣天气下图像的复原网络利用合成数据集以有监督方式训练或者仅利用真实的退化图像进行无监督的训练，对图像的重建质量差的问题。包括采用一致性标签构造器对同场景下同时段采集的主退化图像和辅助退化图像进行特征提取，获得主退化图像的伪标签；图像复原网络，用于对主退化图像进行重建，得到去退化的初级重建图像；信息分配模块，用于基于伪标签优化项和原始非理想标签优化项对初级重建图像进行约束，得到高质量重建图像；基于伪标签优化项和原始非理想标签优化项更新图像复原网络的网络参数，获得最终图像复原网络。本发明用于恶劣天气图像复原。
-
公开(公告)号：CN111640073B
公开(公告)日：2021-06-01
申请号：CN202010413635.X
申请日：2020-05-15
Applicant: 哈尔滨工业大学
Abstract: 一种图像盲去噪系统，属于图像去噪技术领域。本发明针对现有图像去噪方法依赖噪声与清晰图像对进行模型的训练，可行性差的问题。其自监督学习模块包括：基于空洞卷积的盲点网络和图像相关的噪声水平估计网络，用于对噪声样本图像集中的噪声样本图像通过自监督损失优化，并基于贝叶斯预测得到初步盲去噪图像，得到第一数据集；图像相关的噪声水平估计网络还对清晰样本图像集中的清晰样本图像进行处理，生成对应噪声图像，得到清晰样本图像与对应噪声图像对组成的第二数据集；知识蒸馏模块用于在全监督模式下采用第一数据集和第二数据集训练基于多级小波的卷积神经去噪网络，得到去噪模型。本发明基于非成对图像实现盲去噪。
-
-
-
-
-
-
Search Results
7
records
(took 0.023 seconds)
