-
公开(公告)号：CN112085164A
公开(公告)日：2020-12-15
申请号：CN202010904907.6
申请日：2020-09-01
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于无锚框网络的区域推荐网络提取方法，利用FCOS网络来为双阶段网络做区域推荐网络，利用FCOS的分类网络来区分网络提取到的预选框为正例还是负例，并且从为正例与负例的预选框中选择出一部分作为下一阶段的训练框，正例与负例的数量应保持一致，保证正负样本的平衡。在下一个阶段的回归中对筛选出来的正例做出具体的分类，并且网络在预选框的基础上做回归，得到最终的预测框。
-
公开(公告)号：CN114863527A
公开(公告)日：2022-08-05
申请号：CN202210488449.1
申请日：2022-05-06
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于FP‑SCGAN模型的妆容风格迁移方法，将特征金字塔与SCGAN算法结合。FP‑SCGAN网络共包括四个部分：PSEnc、FIEnc、MFDec以及马尔可夫判别器。PSEnc用于提取参考妆容特征，FIEnc用于提取待迁移图片的面部特征，MFDec用于将原图脸部特征和参考图像的妆容特征进行融合，马尔可夫判别器用于度量生成分布与实际分布之间的距离。该改进算法能够解决妆容迁移时眼眶存在不自然的边缘，较淡的眼妆无法迁移等问题，相比较于目前主流的SCGAN妆容迁移算法，迁移效果得到提升。
-
公开(公告)号：CN112085164B
公开(公告)日：2024-07-26
申请号：CN202010904907.6
申请日：2020-09-01
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/766
Abstract: 本发明公开了基于无锚框网络的区域推荐网络提取方法，利用FCOS网络来为双阶段网络做区域推荐网络，利用FCOS的分类网络来区分网络提取到的预选框为正例还是负例，并且从为正例与负例的预选框中选择出一部分作为下一阶段的训练框，正例与负例的数量应保持一致，保证正负样本的平衡。在下一个阶段的回归中对筛选出来的正例做出具体的分类，并且网络在预选框的基础上做回归，得到最终的预测框。
-
Patent Agency Ranking
公开(公告)号：CN111738343B
公开(公告)日：2024-07-26
申请号：CN202010589985.1
申请日：2020-06-24
Applicant: 杭州电子科技大学
IPC: G06V10/80 , G06V10/774 , G06V10/764 , G06N20/20 , G06N3/0895
Abstract: 本发明公开了基于半监督学习进行图像标注方法，针对不同类别的样本设计不同的分类器，利用已经标注好的部分样本来训练分类器，并且对不同分类器的结果进行投票，选择出准确率最高的类别，从而对未知样本进行标注。并且为了降低错误分类带来的影响，将分类器得到的每一个类别中的样本与标注的相应类别中的样本进行随机线性混合操作，使得错误分类的结果中也含有对应类别的特征，为半监督学习用于深度学习以及机器学习领域提供了新的思路。
-
公开(公告)号：CN114863527B
公开(公告)日：2024-03-19
申请号：CN202210488449.1
申请日：2022-05-06
Applicant: 杭州电子科技大学
IPC: G06V40/16 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06V10/82
Abstract: 本发明公开了一种基于FP‑SCGAN模型的妆容风格迁移方法，将特征金字塔与SCGAN算法结合。FP‑SCGAN网络共包括四个部分：PSEnc、FIEnc、MFDec以及马尔可夫判别器。PSEnc用于提取参考妆容特征，FIEnc用于提取待迁移图片的面部特征，MFDec用于将原图脸部特征和参考图像的妆容特征进行融合，马尔可夫判别器用于度量生成分布与实际分布之间的距离。该改进算法能够解决妆容迁移时眼眶存在不自然的边缘，较淡的眼妆无法迁移等问题，相比较于目前主流的SCGAN妆容迁移算法，迁移效果得到提升。
-
公开(公告)号：CN111738343A
公开(公告)日：2020-10-02
申请号：CN202010589985.1
申请日：2020-06-24
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了基于半监督学习进行图像标注方法，针对不同类别的样本设计不同的分类器，利用已经标注好的部分样本来训练分类器，并且对不同分类器的结果进行投票，选择出准确率最高的类别，从而对未知样本进行标注。并且为了降低错误分类带来的影响，将分类器得到的每一个类别中的样本与标注的相应类别中的样本进行随机线性混合操作，使得错误分类的结果中也含有对应类别的特征，为半监督学习用于深度学习以及机器学习领域提供了新的思路。
-
公开(公告)号：CN112949529A
公开(公告)日：2021-06-11
申请号：CN202110271743.2
申请日：2021-03-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于损失函数的目标分割稳定性提升方法，包括以下步骤：S1，模拟视频序列；S2，训练模型；S3，预训练模型微调；S4，引入稳定性损失调整模型。本发明实例针对深度学习方案构建的检测器不但提高了精度，并且在可视化验证下对于连续帧中的相同目标在边界处的一致性显著提升，减少了大量误分割和孔洞漏分割，提高了静态图像训练的模型在视频数据下的分割稳定性，有效的缓解了视频分割的抖动问题。在损失函数中引入了稳定性损失，提高了分割的精度，实现了对于视频数据分割精度的优化。
-
公开(公告)号：CN112949529B
公开(公告)日：2025-05-09
申请号：CN202110271743.2
申请日：2021-03-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于损失函数的目标分割稳定性提升方法，包括以下步骤：S1，模拟视频序列；S2，训练模型；S3，预训练模型微调；S4，引入稳定性损失调整模型。本发明实例针对深度学习方案构建的检测器不但提高了精度，并且在可视化验证下对于连续帧中的相同目标在边界处的一致性显著提升，减少了大量误分割和孔洞漏分割，提高了静态图像训练的模型在视频数据下的分割稳定性，有效的缓解了视频分割的抖动问题。在损失函数中引入了稳定性损失，提高了分割的精度，实现了对于视频数据分割精度的优化。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
