-
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：CN117746171A
公开(公告)日：2024-03-22
申请号：CN202410189155.8
申请日：2024-02-20
Applicant: 成都信息工程大学
IPC: G06V10/77 , G01W1/10 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/045 , G06N3/088 , G06N3/048
Abstract: 本发明提供一种基于对偶学习和辅助信息的无监督气象降尺度方法，涉及数据处理领域，包括：建立无监督气象降尺度模型；获取训练样本，基于训练样本对无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型；获取待降尺度的气象数据；获取待降尺度的气象数据的辅助气象数据，其中，辅助气象数据的分辨率高于待降尺度的气象数据的分辨率；通过训练后的无监督气象降尺度模型基于待降尺度的气象数据及辅助气象数据，生成待降尺度的气象数据对应的降尺度的气象数据，具有提高气象降尺度效率及准确度的优点。
-
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：CN116309748A
公开(公告)日：2023-06-23
申请号：CN202310217798.4
申请日：2023-03-08
Applicant: 成都信息工程大学
IPC: G06T7/33 , G06N3/0464 , G06N3/08 , G06T7/00 , G06N3/0442
Abstract: 本发明涉及一种基于注意力机制的跨模态3D医学图像配准方法，这是一种新的端到端的3D跨模态的深度强化学习配准方法，其中深度强化学习的框架由异步优势行动者评论家方法训练的，将强化学习与注意力感知机制相结合，以探测具有更可靠的图像区域，从而将配准过程引导到正确的方向。专注于三维跨模态刚性图像配准，并且使用3D卷积结合注意力机制对海量体素进行紧凑特征提取，此外使用随机点与对角点替换掉高斯差分的关键点来提高训练效率。这使得模型具有优秀的泛化能力，并且能模拟人类专家的配准过程，使得模型沿着准确的方向完成跨模态的3D医学图像配准。
-
公开(公告)号：CN113918074A
公开(公告)日：2022-01-11
申请号：CN202111186530.6
申请日：2021-10-12
Applicant: 成都信息工程大学 , 成都璟鱼互动科技有限公司
IPC: G06F3/0486 , G06F3/0488 , G06F3/0484 , G09B5/02
Abstract: 本发明属于互动投影技术领域，公开了一种用于自闭症儿童认知教学的光影实体交互装置、方法、终端，包括投影仪、摄像头、计算机、AirBar、厚牛皮纸；投影仪显示画面与信息；摄像头进行图像识别以及颜色识别；计算机控制交互运行、识别以及通信；AirBar进行与点击、拖动相关的手指操作的识别；厚牛皮纸作为投影载体。本发明在互动投影以及手势操作的基础上，加以实体的玩具，更针对于儿童，让儿童在游戏的同时可以进行认知能力、逻辑思维的判断。同时避免了儿童长期面对电子屏幕的视力问题。本发明提高儿童逻辑思考能力以及独立解决问题的能力，对互动投影的新方式进行了探索，在传统的手势控制上配合以实体道具。
-
Patent Agency Ranking
公开(公告)号：CN111353940B
公开(公告)日：2021-04-02
申请号：CN202010245716.3
申请日：2020-03-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度学习迭代上‑下采样的图像超分辨率重建方法，方法包括：准备原始高分辨率图像，对原始高分辨率图像进行双三次插值得到低分辨率图像，将低分辨图像输入到构建好的神经网络中，先提取低分辨率图像特征，然后通过多个反向投影层的上‑下采样模块逐层提取高分辨率图像特征，以能够更多的挖掘低分辨率图像和高分辨率图像之间的相互依赖关系，神经网络中的卷积均采用空洞卷积来增加感受野，提升网络对特征信息的敏感性，并引入稠密连接减少经过中间层传递导致信息的丢失，能够更好的利用低层特征信息，提高了图像重建的性能。
-
公开(公告)号：CN111353940A
公开(公告)日：2020-06-30
申请号：CN202010245716.3
申请日：2020-03-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度学习迭代上-下采样的图像超分辨率重建方法，方法包括：准备原始高分辨率图像，对原始高分辨率图像进行双三次插值得到低分辨率图像，将低分辨图像输入到构建好的神经网络中，先提取低分辨率图像特征，然后通过多个反向投影层的上-下采样模块逐层提取高分辨率图像特征，以能够更多的挖掘低分辨率图像和高分辨率图像之间的相互依赖关系，神经网络中的卷积均采用空洞卷积来增加感受野，提升网络对特征信息的敏感性，并引入稠密连接减少经过中间层传递导致信息的丢失，能够更好的利用低层特征信息，提高了图像重建的性能。
-
公开(公告)号：CN110211165A
公开(公告)日：2019-09-06
申请号：CN201910497153.4
申请日：2019-06-10
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于异步深度强化学习的图像多模态配准方法，所述配准方法包括以下内容：将不同模态(如CT、MRII)的两张图片堆叠输入神经网络进行处理并输出当前的状态值信息和策略动作的概率分布信息；根据概率分布信息在环境中移动动态图像并返回一个奖励值；判断当前网络状态值信息是否达到阈值；对当前图像配准进行采样并输出最终结果。通过基于强化学习(A3C算法)，提出一种自定义的奖励函数，加入循环卷积结构以充分利用时空信息，并采用蒙特卡洛进行图像配准，提高了配准的性能，相比于现有配准方法配准结果更接近标准的配准图像，面对差异大的图像配准更加稳定。
-
公开(公告)号：CN119888133A
公开(公告)日：2025-04-25
申请号：CN202510377177.1
申请日：2025-03-28
Applicant: 成都信息工程大学
IPC: G06T17/20 , G06T17/00 , G06T7/90 , G06N3/0455 , G06N3/0475
Abstract: 本发明一种结构感知的三维场景重建方法及装置，包括：根据基于Unet架构的扩散模型构建稀疏点云生成模型；将信息输入稀疏点云生成模型中，生成对应视角下RGB图像帧的相机内外参和稀疏点云数据；根据稀疏点云数据构建粗糙的三维结构网格；对粗糙的三维结构网格进行随机采样，并根据随机采样结果对高斯基元进行高斯场初始化，得到初始化高斯场；计算当前图像帧和RGB彩色图像之间的损失，根据损失依次迭代优化信息中所有RGB图像帧的高斯基元的参数，组合优化后的所有高斯基元，得到重建的三维场景。本发明提升了重建结果的空间一致性、准确性。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.029 seconds)
