-
公开(公告)号：CN114972364B
公开(公告)日：2025-04-25
申请号：CN202210550464.4
申请日：2022-05-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的结直肠息肉图像分割方法。首先获取结直肠息肉分割数据集；进行数据预处理；再构建基于深度学习的结直肠息肉图像分割模型；通过训练集对构建好的基于深度学习的结直肠息肉图像分割模型训练，对每一级预测结果使用结构损失函数进行监督学习，并且将最后一级的预测结果作为最终的预测结果；本发明基于深度学习来构建结直肠息肉图像分割模型，对结直肠息肉分割图像的特征进行精确提取并且细节保留完整，利用显著性目标检测中效果较好的结构损失函数对结果进行监督学习，使得预测结果更加准确，具有较强的鲁棒性，从而实现对结直肠息肉图像的精确分割。
-
公开(公告)号：CN119762351A
公开(公告)日：2025-04-04
申请号：CN202510265590.9
申请日：2025-03-07
Applicant: 杭州电子科技大学丽水研究院
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于退化预测的真实图像超分变率方法。首先进行数据集获取及预处理；通过退化预测网络从低分辨率图像中提取退化特征信息；将得到的退化特征信息与低分辨率图像送入重建网络进行增强，生成最终的高分辨率图像。本发明通过使用一种退化感知的重建模块，并将其嵌入到Transformer架构中，能够利用学习到的退化信息并通过自注意机制更好地挖掘高层语义信息并恢复纹理细节；能够从LR图像中预测其退化特征，处理真实退化的低分辨率图像，不受合成退化的限制。
-
公开(公告)号：CN119722515A
公开(公告)日：2025-03-28
申请号：CN202411781153.4
申请日：2024-12-05
Applicant: 杭州电子科技大学丽水研究院
IPC: G06T5/73 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/088 , G06N3/094
Abstract: 本发明公开了一种基于深度学习的无监督图像去摩尔纹方法，首先准备无需配对的摩尔纹图像及清晰图像；构建图像去摩尔纹的无监督网络模型，模型基于生成对抗网络架构，并结合了对比学习方法，包括生成器、判别器和内容编码器。然后对构建的图像去摩尔纹网络模型进行无监督训练。本发明创新的提出了从非配对的数据集中也能学习到从摩尔纹图像到清晰图像的映射关系，避免了收集真实世界的配对图像的繁琐工作。实验表明，本发明能在非配对的数据集上实现很好的去摩尔纹效果。
-
公开(公告)号：CN119107381A
公开(公告)日：2024-12-10
申请号：CN202411264579.2
申请日：2024-09-10
Applicant: 杭州电子科技大学
IPC: G06T11/00 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种基于注意力生成对抗网络的绘画图像和谐方法，首先建立网络训练需要的图像数据集；构建基于注意力生成对抗网络的绘画图像和谐模型，使用包括风格转换器的生成器将合成图像和实例分割蒙版作为输入输出和谐绘画图像；其次，提出一个像素级特征鉴别器来引导生成器产生更加真实协调的绘画图像；采用训练数据对模型进行训练；最后经过训练的模型接收需要进行图像和谐的图片，完成和谐处理后将图片输出。本发明通过自适应地计算模式可重复性来转移局部和全局纹理解决了现有方法中注意力模块反复滥用风格图像中的特定局部补丁，导致不和谐和明显重复伪像的现象，能够生成用不同背景风格模式清晰地表达艺术风格的和谐图像。
-
公开(公告)号：CN117974778A
公开(公告)日：2024-05-03
申请号：CN202311833777.1
申请日：2023-12-28
Applicant: 杭州电子科技大学
IPC: G06T7/73 , G06V10/44 , G06V10/764 , G06V10/82 , G06V10/80 , G06V10/52 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于多层局部模式的多视角目标地理定位方法。首先进行理论建模；然后构建多层本地模式交叉注意网络，网络基于双分支的架构，每个分支由主干、交叉注意力块、分区池化块以及多层聚合块组成；再对多层本地模式交叉注意网络进行训练；通过训练好的多层本地模式交叉注意网络实现多视角目标地理定位。现有的方法通常侧重于从最终的特征映射中提取细粒度信息，而忽略了中间层输出的重要性。在本发明中，首先提取不同层的特征映射，并且使用交叉注意块来建立不同层的特征映射信息之间的相关性，改进了浅层特征的语义表达。本发明提出了多层聚合块对通过分割得到的高关联特征块进行聚合。
-
Patent Agency Ranking
公开(公告)号：CN113516678B
公开(公告)日：2024-04-05
申请号：CN202110348257.6
申请日：2021-03-31
Applicant: 杭州电子科技大学
IPC: G06T7/155 , G06V10/764
Abstract: 本发明公开了一种基于多任务的眼底图像检测方法。采用DRIVE眼底公开数据集，将数据集分为训练集和测试集，并对数据进行有疾病和没有疾病的人工标记操作；对训练集和测试集进行数据增强操作；将数据增强后的训练集输入到多任务UNet网络中训练网络参数，得到眼底图像识别模型；通过经过数据增强的测试集进行测试，根据识别结果对模型进行微调。本发明方法更加具有普适性，本发明采用的对图像进行多任务计算并且在下采样添加额外操作对眼底疾病进行二分类任务，此外在跳跃链接中添加通道注意力机制使得网络对于通道信息更加敏感，保证图像分割质量。
-
公开(公告)号：CN113538338B
公开(公告)日：2024-04-02
申请号：CN202110672308.0
申请日：2021-06-17
Applicant: 杭州电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于限制性预测滤波的图像散景渲染方法及系统，首先准备数据集并对数据进行预处理；构建基于限制性预测滤波的图像散景渲染网络；图像散景渲染网络包括限制性预测滤波模块和显著性检测模块，其中显著性检测模块用于检测输入全聚焦图片中的显著性特征，限制性预测滤波模块用于保留显著性检测模块检测到的显著性特征，并对输入图片的其他部分进行限制性滤波操作，模糊图片内容从而产生散景渲染效果；通过数据集训练图像散景渲染网络模型。本发明方法使用三种参数类型的限制性预测滤波核对图片进行自适应滤波，从而实现散景渲染处理，创新的提出了一种限制性预测滤波模块用于实现图像的散景渲染处理。
-
公开(公告)号：CN113538231B
公开(公告)日：2024-04-02
申请号：CN202110672302.3
申请日：2021-06-17
Applicant: 杭州电子科技大学
IPC: G06T3/4076 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于像素分布估计的单张图像超分辨重建系统及方法，首先进行数据预处理获得高分辨率图片IHR和低分辨率图片ILR；然后构建并训练基于像素分布估计的图像超分辨重建网络，包括权重提取模块和像素分布估计模块；权重提取模块用于从输入的低分辨率图片ILR中计算出像素分布估计模块所需要的权重，而像素分布估计模块根据预先设定的倍数s对输入图片像素的邻域像素相对坐标进行像素估计，实现图像的超分辨重建过程。本发明方法从像素分布估计的角度解释并实现了图像超分辨重建，模型结构简单，权重学习模块结构用卷积层就可以很好的学习，运算成本低，且效果好。
-
公开(公告)号：CN117097997A
公开(公告)日：2023-11-21
申请号：CN202311052724.6
申请日：2023-08-21
Applicant: 杭州电子科技大学
Inventor： 颜成钢 , 曾龙健 , 吴旭 , 金颖杰 , 江涛 , 孙垚棋 , 朱尊杰 , 高宇涵 , 王鸿奎 , 赵治栋 , 殷海兵 , 王帅 , 张继勇 , 李宗鹏 , 丁贵广 , 付莹 , 郭雨晨 , 赵思成
Abstract: 本发明公开了一种反向图像信号处理的噪声图像合成方法，首先构建噪声形成模型；然后估计噪声参数。记录两个原始图像序列即平场帧和偏置帧来估计由模拟和数字增益组成的整体系统增益K和噪声源；为了噪声形成模型能模拟多种ISO设置下的真实情况，对联合参数分布进行建模，以便以耦合的方式对噪声参数进行采样；最后完成噪声图像合成。本发明能够合成真实的噪声原始数据，更好地匹配噪声形成的潜在物理过程。本发明极大地提升了合成数据集地真实性；噪声参数校准方法可以校准多种相机的噪声参数，使合成数据集能模拟不同相机拍摄的真实图片，使通过该数据集训练的模型能具有很好的泛化性。
-
公开(公告)号：CN117058400A
公开(公告)日：2023-11-14
申请号：CN202311018632.6
申请日：2023-08-14
Applicant: 杭州电子科技大学
Inventor： 颜成钢 , 曾龙健 , 金颖杰 , 吴旭 , 江涛 , 王帅 , 张继勇 , 李宗鹏 , 丁贵广 , 付莹 , 郭雨晨 , 赵思成 , 孙垚棋 , 朱尊杰 , 高宇涵 , 王鸿奎 , 赵治栋 , 殷海兵
IPC: G06V10/40 , G06V10/82 , G06V10/30 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种微光RAW图像端到端训练的特征提取方法。首先构建包含具有基本像素对像素对应关系的图像对的大规模数据集；然后构建基于L2‑Net网络的深度学习框架(LowerFeat，确定损失函数；再通过构建的大规模数据集对LowerFeat进行训练；最后通过训练好的LowerFeat实现特征提取。本发明提出了LowerFeat框架，该框架以端到端的方式输出RAW格式图像的局部特征检测和描述，能可靠地提取足够的关键点，同时抑制具有不显著和噪声敏感特征的区域。
-
-
-
-
-
-
-
-
-
Search Results
461
records
(took 0.041 seconds)
