-
公开(公告)号：CN116563653A
公开(公告)日：2023-08-08
申请号：CN202310384889.7
申请日：2023-04-12
Applicant: 成都信息工程大学
IPC: G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于深度强化学习的图像风格逐步迁移方法，该方法将一步风格迁移的过程拆分为逐步风格迁移的过程，将准备好的内容图片和风格图片放入到环境中，环境的初始状态设置为内容图片，风格图片用于计算反馈奖励，环境中计算反馈奖励的网络使用预训练的VGG模型，反馈奖励是状态和风格图片经过VGG模型提取得到的多层特征图的格拉姆矩阵距离的相反数。使用深度强化学习控制风格化程度的增加，在风格迁移的早期步骤中保留内容图像的更多细节和结构，并在后续步骤中合成更多风格模式，并且，本发明采用的模型是轻量级的，参数少，计算复杂度低，并且是一种用户易于控制风格化程度的风格迁移方法，避免了繁琐的手动设置超参数调整风格化程度。
-
公开(公告)号：CN118761902B
公开(公告)日：2024-11-08
申请号：CN202411247402.1
申请日：2024-09-06
Applicant: 成都信息工程大学
IPC: G06T3/04 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/092 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/048
Abstract: 本发明提供一种基于深度强化学习的任意图片风格迁移的方法及系统，涉及图片处理领域，其中，该方法包括：建立深度强化学习模型，其中，深度强化学习模型至少包括演员网络、评论家网络和执行者网络；建立训练集；通过训练集及总损失函数对深度强化学习模型进行训练，其中，总损失函数至少包括内容损失函数、风格损失函数及多级风格化对比损失函数；获取待迁移的内容图片和待迁移的内容图片对应的风格图片；通过训练后的深度强化学习模型，基于待迁移的内容图片和待迁移的内容图片对应的风格图片，生成待迁移的内容图片对应的风格迁移后的图片，具有提高任意图片风格迁移的效率的优点。
-
公开(公告)号：CN116823647A
公开(公告)日：2023-09-29
申请号：CN202310661898.6
申请日：2023-06-06
Applicant: 成都信息工程大学
IPC: G06T5/00 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的图像补全方法，所述图像补全方法提出一种内置傅里叶变换操作的高效补全网络，在实现长距离依赖的同时保证模型的高效率运行，同时补全网络内嵌有聚合型选择性卷积核网络的快速傅里叶变换模块，其中，快速傅里叶变换模块负责补全网络获得全局感受野，聚合型选择性卷积核网络按照各尺度的贡献适应性调整比重，更精确地为模型提供局部性信息补充，最终实现全局融合度更高、局部细节更丰富的图像补全。与现有常有的补全方法进行实验对比，本发明方法生成图像的还原度和清晰度更好，尤其在遮挡率较大的情况下，生成图像局部的语义连贯以及全局的整体契合。
-
公开(公告)号：CN118761902A
公开(公告)日：2024-10-11
申请号：CN202411247402.1
申请日：2024-09-06
Applicant: 成都信息工程大学
IPC: G06T3/04 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/092 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/048
Abstract: 本发明提供一种基于深度强化学习的任意图片风格迁移的方法及系统，涉及图片处理领域，其中，该方法包括：建立深度强化学习模型，其中，深度强化学习模型至少包括演员网络、评论家网络和执行者网络；建立训练集；通过训练集及总损失函数对深度强化学习模型进行训练，其中，总损失函数至少包括内容损失函数、风格损失函数及多级风格化对比损失函数；获取待迁移的内容图片和待迁移的内容图片对应的风格图片；通过训练后的深度强化学习模型，基于待迁移的内容图片和待迁移的内容图片对应的风格图片，生成待迁移的内容图片对应的风格迁移后的图片，具有提高任意图片风格迁移的效率的优点。
-
Patent Agency Ranking
公开(公告)号：CN118485923B
公开(公告)日：2024-09-13
申请号：CN202410931719.0
申请日：2024-07-12
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供一种基于模型无关元学习和密集残差注意力的降尺度方法，涉及数据处理领域，包括：确定多个降尺度任务，任意两个降尺度任务对应的气象变量、时间范围和空间范围中的至少一个存在差异；对于每个降尺度任务，确定降尺度任务对应的降尺度样本，包括原气象图及原气象图对应的降尺度气象图；重复执行从多个降尺度任务中采样，形成元批次任务，对元模型进行训练，直至元模型满足预设条件；基于目标降尺度任务的对应的降尺度样本对元模型进行参数调整，生成降尺度模型；获取目标降尺度任务对应的待降尺度气象图；基于降尺度模型，生成待降尺度气象图对应的降尺度气象图，具有提升降尺度结果的大气物理准确性和细节丰富度的优点。
-
公开(公告)号：CN118094487A
公开(公告)日：2024-05-28
申请号：CN202410510256.0
申请日：2024-04-26
Applicant: 成都信息工程大学
IPC: G06F18/27 , G06F18/214 , G06F18/15 , G01W1/14 , G06N3/0442 , G06N3/045 , G06N3/0464
Abstract: 本发明提供基于时空感知机制的多源气象要素预测降水的方法及系统，涉及数据处理领域，该方法包括：建立降水预测模型，其中，降水预测模型至少包括图像块嵌入层、时空特征提取网络和通道感知网络；建立训练样本；使用训练样本训练降水预测模型；获取目标区域在目标时间的多气象要素预报数据；对目标区域在目标时间的多气象要素预报数据进行预处理；通过训练后的降水预测模型基于预处理后的目标区域在目标时间的多气象要素预报数据，预测目标区域在目标时间的降水预测信息，具有提高降水预测的精度的优点。
-
公开(公告)号：CN119960088A
公开(公告)日：2025-05-09
申请号：CN202510451150.2
申请日：2025-04-11
Applicant: 成都信息工程大学
IPC: G01W1/10 , G06V10/44 , G06V10/82 , G06T3/4007 , G06T3/4038 , G06V10/80 , G06N3/0464 , G06N3/0499 , G06N3/0455 , G06N3/084
Abstract: 本发明提供基于多源数据融合和动静时空网络的降水预测方法及系统，涉及数据处理领域，该方法包括：获取多组样本数据，其中，样本数据包括样本区域的历史多源气象图及历史降雨数据；对多组样本数据进行预处理，生成多组训练样本；建立降水预测模型，其中，降水预测模型至少包括特征融合模块及动静时空网络模块；基于全局帧间感知损失函数和多组训练样本，对降水预测模型进行训练；获取目标区域的多源气象图；对目标区域的多源气象图进行预处理；通过降水预测模型根据预处理后的目标区域的多源气象图，生成目标区域未来的降水预测数据，具有提高短临降水预测的准确度的优点。
-
公开(公告)号：CN118485923A
公开(公告)日：2024-08-13
申请号：CN202410931719.0
申请日：2024-07-12
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供一种基于模型无关元学习和密集残差注意力的降尺度方法，涉及数据处理领域，包括：确定多个降尺度任务，任意两个降尺度任务对应的气象变量、时间范围和空间范围中的至少一个存在差异；对于每个降尺度任务，确定降尺度任务对应的降尺度样本，包括原气象图及原气象图对应的降尺度气象图；重复执行从多个降尺度任务中采样，形成元批次任务，对元模型进行训练，直至元模型满足预设条件；基于目标降尺度任务的对应的降尺度样本对元模型进行参数调整，生成降尺度模型；获取目标降尺度任务对应的待降尺度气象图；基于降尺度模型，生成待降尺度气象图对应的降尺度气象图，具有提升降尺度结果的大气物理准确性和细节丰富度的优点。
-
公开(公告)号：CN118094487B
公开(公告)日：2024-07-02
申请号：CN202410510256.0
申请日：2024-04-26
Applicant: 成都信息工程大学
IPC: G06F18/27 , G06F18/214 , G06F18/15 , G01W1/14 , G06N3/0442 , G06N3/045 , G06N3/0464
Abstract: 本发明提供基于时空感知机制的多源气象要素预测降水的方法及系统，涉及数据处理领域，该方法包括：建立降水预测模型，其中，降水预测模型至少包括图像块嵌入层、时空特征提取网络和通道感知网络；建立训练样本；使用训练样本训练降水预测模型；获取目标区域在目标时间的多气象要素预报数据；对目标区域在目标时间的多气象要素预报数据进行预处理；通过训练后的降水预测模型基于预处理后的目标区域在目标时间的多气象要素预报数据，预测目标区域在目标时间的降水预测信息，具有提高降水预测的精度的优点。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
