-
公开(公告)号：CN111737743B
公开(公告)日：2024-08-23
申请号：CN202010572297.4
申请日：2020-06-22
Applicant: 安徽工业大学
IPC: G06F21/62 , G06V10/764 , G06V10/82 , G06V10/84 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种深度学习差分隐私保护方法，属于信息系统安全技术领域。本发明提出一个新型的深度学习差分隐私保护模型，并采用WGAN对经模型隐私保护处理的数据生成图像结果，从生成图像中选取最接近真实图像的结果，对比生成结果和原始图像的相似度并计算差值进行阈值比较，在相似度阈值限定条件下反馈调节模型梯度中的隐私参数，从而为差分隐私在深度学习等领域的应用提供了一定的推动作用。
-
公开(公告)号：CN116309045A
公开(公告)日：2023-06-23
申请号：CN202310054517.8
申请日：2023-02-03
Applicant: 安徽工业大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于可变形特征对齐循环架构的视频超分辨方法，该方法包括以下步骤：获取视频超分辨的公开数据集，并对数据集中的视频序列进行预处理；构建一个基于可变形特征对齐的循环架构的视频超分辨模型；基于构建的可变形特征对齐的循环架构网络和制作的训练集对网络模型进行训练；根据学习得到的模型参数，将5帧低分辨率的视频序列作为网络的输入，得到相应的超分辨率序列作为输出。本发明提供的视频超分辨方法基于可变形特征对齐循环架构的视频超分辨网络模型实现，该网络模型生成了超分结果不错的视频序列，在高清视频播放和视频监督等领域中有着广泛的应用前景。
-
公开(公告)号：CN115526776A
公开(公告)日：2022-12-27
申请号：CN202210092243.7
申请日：2022-01-26
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于渐进式的残差学习的超声医学图像盲超分辨方法，属于图像处理技术领域。本发明主要包括以下步骤：1、制作高分辨率与低分辨率的超声图像训练集；2、构建一个渐进式残差学习的神经网络用于模型训练；3、基于构建的残差学习网络和制作的训练集对网络模型进行训练；4、根据学习得到的模型参数，输入一幅低分辨率的超声图像，得到的输出即是重建的高分辨率的超声图像。本发明利用渐进式残差学习的方法以及记忆单元升级来解决超声医学图像盲超分辨问题，能够适应真实的超声医学图像超分场景，满足了现实中复杂的要求。
-
公开(公告)号：CN107833183B
公开(公告)日：2021-05-25
申请号：CN201711224807.3
申请日：2017-11-29
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法，属于图像处理技术领域。本发明主要包括以下步骤：1、制作高分辨率与低分辨率的灰度图像块训练集；2、构建一个多任务的深度神经网络用于模型训练；3、基于构建的深度网络和制作的训练集对网络模型进行训练；4、依据学习的模型参数，输入一幅低分辨率的灰度图像，得到的输出即是重建的高分辨率的彩色图像。本发明通过结合拥有优良性能的深度超分辨网络和着色网络，不仅增强了卫星图像的细节部分，而且还可同时对灰度图像进行着色使它自动产生符合真实感的彩色卫星图像，还减少了执行的步骤和时间，在灰度图像着色、卫星遥感遥测等领域中有着广泛的应用前景。
-
公开(公告)号：CN112734644A
公开(公告)日：2021-04-30
申请号：CN202110067283.1
申请日：2021-01-19
Applicant: 安徽工业大学
Abstract: 本发明提供的一种多个注意力结合光流的视频超分辨模型及方法，属于模式识别与计算机视觉技术领域。本发明的模型包括特征提取部分、特征处理部分、可变形卷积部分和视频重建部分。本发明的方法利用双阶段思想分别对微小运动和大型运动进行特征对齐，分别处理微小运动和大型运动的信息，减小了目标帧和参考帧的偏差，充分利用了所有分层的特征信息，利用多个注意力使得视频空间信息不易丢失，保留了空间信息，增强通道的依赖性和自适应性，并能捕获长距离依赖实现全局学习。并利用可变形卷积长短时记忆网络(DLSTM)进行视频帧融合，防止了恢复的视频出现抖动和闪烁伪影等现象，保证视频时序的一致性。
-
Patent Agency Ranking
公开(公告)号：CN111737743A
公开(公告)日：2020-10-02
申请号：CN202010572297.4
申请日：2020-06-22
Applicant: 安徽工业大学
Abstract: 本发明公开了一种深度学习差分隐私保护方法，属于信息系统安全技术领域。本发明提出一个新型的深度学习差分隐私保护模型，并采用WGAN对经模型隐私保护处理的数据生成图像结果，从生成图像中选取最接近真实图像的结果，对比生成结果和原始图像的相似度并计算差值进行阈值比较，在相似度阈值限定条件下反馈调节模型梯度中的隐私参数，从而为差分隐私在深度学习等领域的应用提供了一定的推动作用。
-
公开(公告)号：CN106411952B
公开(公告)日：2019-07-26
申请号：CN201611087785.6
申请日：2016-12-01
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于隔空动态手势的用户身份认证方法及装置，可用于非接触快捷用户身份认证，属于模式识别与身份认证技术领域。本发明对被认证人员进行单个动态手势的视频采集并预处理；合成超级匹配模板，获得DTW的匹配值；对匹配值进行认证判断，即将采集到的动态手势与所有认证人员之前获取的模板进行比对，若二者偏差值高于标准阈值，提示此用户为未授权用户；若低于标准阈值，将其继续与设定值阈值进行比对，若二者偏差值低于设定阈值，判断用户认证通过；若二者偏差值高于设定阈值时，判断用户认证不通过。本发明提供的是一种非接触隔空的用户认证方式，在安全验证、医学防尘、游戏安全登录等领域中有着广泛的应用前景。
-
公开(公告)号：CN107833183A
公开(公告)日：2018-03-23
申请号：CN201711224807.3
申请日：2017-11-29
Applicant: 安徽工业大学
CPC classification number: G06T3/4053 , G06N3/0454 , G06N3/08 , G06T3/4046 , G06T11/001
Abstract: 本发明公开了一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法，属于图像处理技术领域。本发明主要包括以下步骤：1、制作高分辨率与低分辨率的灰度图像块训练集；2、构建一个多任务的深度神经网络用于模型训练；3、基于构建的深度网络和制作的训练集对网络模型进行训练；4、依据学习的模型参数，输入一幅低分辨率的灰度图像，得到的输出即是重建的高分辨率的彩色图像。本发明通过结合拥有优良性能的深度超分辨网络和着色网络，不仅增强了卫星图像的细节部分，而且还可同时对灰度图像进行着色使它自动产生符合真实感的彩色卫星图像，还减少了执行的步骤和时间，在灰度图像着色、卫星遥感遥测等领域中有着广泛的应用前景。
-
公开(公告)号：CN119762370A
公开(公告)日：2025-04-04
申请号：CN202411885255.0
申请日：2024-12-20
Applicant: 安徽工业大学
Abstract: 本发明公开了一种基于拉普拉斯图像分解和扩散模型的图像去雾方法，属于图像处理技术领域，包括以下步骤：S1：数据预处理；S2：拉普拉斯图像分解；S3：构建图像去雾网络；S4：图像去雾。本发明通过将一张有雾图像分解为低通图像和高频残差部分，合理地设计不同的模块分别进行恢复，降低了去雾的难度；利用扩散模型强大的生成能力，只作用在低通图像上，显著加快了扩散模型的推理速度；利用拉普拉斯图像金字塔保留原始信息的优势，使得重建的干净图像更具保真度，在图像处理等领域有着广泛的应用前景。
-
公开(公告)号：CN118037598A
公开(公告)日：2024-05-14
申请号：CN202410293114.3
申请日：2024-03-14
Applicant: 安徽工业大学
IPC: G06T5/77 , G06T5/60 , G06V40/16 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/094
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于向量量化生成和上下文细化的人脸图像修复方法，包括如下步骤：S1、获取人脸图像数据集，并将数据集中的图像进行预处理；S2、构建一个向量量化生成对抗网络和全局局部上下文细化网络，用于模型训练；S3、依据步骤S1预处理的数据集和步骤S2构建的模型，调整模型参数，进行模型训练；S4、将一张破损的人脸图像作为网络的输入，利用步骤S3学习得到的参数得到一张完整的人脸图像作为输出。本发明通过结合拥有优良性能的向量量化的生成对抗网络和全局局部上下文细化网络，生成了修复效果较好的人脸图像，在照片水印处理、电影旧照修复等领域中有着广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.029 seconds)
