公开(公告)号：CN114693564A

公开(公告)日：2022-07-01

申请号：CN202210439726.X

申请日：2022-04-25

Applicant: 杭州电子科技大学

Inventor： 叶学义 ,  曾懋胜 ,  石悦 ,  赵知劲 ,  陈海颖

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于稳定场跳跃连接的GAN图像修复方法，将稳定场算子嵌入至跳跃连接中，利用稳定场算子对生成单元中编码器特征图的破损像素进行初步预测，再传递至解码器并输出生成图像。然后细化了损失的类型，重新定义损失函数为对抗损失、像素重构损失和金字塔损失来进一步指导网络的训练向正确的方向进行。本发明方法提升了破损图像修复的效果，在满足人类视觉感知需求的同时也能在一定程度上与原图相似。且经实验验证，该方法在人脸图像、自然场景图像和建筑图像上都达到了不错的修复效果。

公开(公告)号：CN115311684B

公开(公告)日：2023-03-28

申请号：CN202210938978.7

申请日：2022-08-05

Applicant: 杭州电子科技大学

Inventor： 叶学义 ,  王鹤澎 ,  王凌宇 ,  陈海颖 ,  赵知劲

IPC: G06V40/10 ,  G06V10/25 ,  G06V10/34

Abstract: 本发明公开了一种毫米波图像多角度检出结果的整合方法，首先计算单次检测的最大置信度；然后生成置信图，将一组样本的所有检出结果以区域灰度值叠加的形式共同存放在同一幅图像中，从而对检出结果进行批量整合；再计算置信图内所有连通域的最大外切矩形；依次计算每个最大外切矩形内的最高/次高灰度值，并作整合处理，获得最终的整合结果。本发明参考NMS算法的概率权重思想并结合统计学的置信区间理论有效地整合了人体毫米波图像的多角度检出结果。

公开(公告)号：CN115311684A

公开(公告)日：2022-11-08

申请号：CN202210938978.7

申请日：2022-08-05

Applicant: 杭州电子科技大学

Inventor： 叶学义 ,  王鹤澎 ,  王凌宇 ,  陈海颖 ,  赵知劲

IPC: G06V40/10 ,  G06V10/25 ,  G06V10/34

Abstract: 本发明公开了一种毫米波图像多角度检出结果的整合方法，首先计算单次检测的最大置信度；然后生成置信图，将一组样本的所有检出结果以区域灰度值叠加的形式共同存放在同一幅图像中，从而对检出结果进行批量整合；再计算置信图内所有连通域的最大外切矩形；依次计算每个最大外切矩形内的最高/次高灰度值，并作整合处理，获得最终的整合结果。本发明参考NMS算法的概率权重思想并结合统计学的置信区间理论有效地整合了人体毫米波图像的多角度检出结果。

公开(公告)号：CN114693565B

公开(公告)日：2024-05-03

申请号：CN202210439935.4

申请日：2022-04-25

Applicant: 杭州电子科技大学

Inventor： 叶学义 ,  曾懋胜 ,  陈海颖 ,  应娜 ,  李刚

IPC: G06T5/00 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于跳跃连接多尺度融合的GAN图像修复方法，根据跳跃连接未考虑编解码器中各层特征之间的相关性的特点，利用编码器中相对高层的特征图与相对低层的特征图融合，再传递至各层解码器并输出生成图像。然后细化了损失的类型，重新定义损失函数为对抗损失、像素重构损失和金字塔损失来进一步指导网络的训练向正确的方向进行。本发明方法针对现有图像修复方法高层特征不能指导低层特征的生成导致修复的结果可能存在语义不连贯的问题进行改善，提升了破损图像修复的效果，在满足人类视觉感知需求的同时也能在一定程度上与原图相似。且经实验验证，该方法在人脸图像、自然场景图像和建筑图像上都达到了不错的修复效果。

公开(公告)号：CN116882484A

公开(公告)日：2023-10-13

申请号：CN202310873821.5

申请日：2023-07-17

Applicant: 杭州电子科技大学

Inventor： 叶学义 ,  睢明聪 ,  曾懋胜 ,  陈海颖 ,  郭春生

IPC: G06N3/094 ,  G06N3/0475 ,  G06T11/00

Abstract: 本发明公开了一种基于高频特征损失的GAN类生成图像的优化方法，首先确定需要进行优化的生成图像对应的GAN类生成网络；计算生成图像的高频特征损失；然后将高频特征损失加入原有GAN类生成网络的对抗损失，对原有修改后GAN类生成网络进行再一次训练；最后通过再一次训练后的GAN类生成网络生成优化后的生成图像。本发明方法针对GAN类生成器使用Trans‑conv所生成图像带有大量杂乱高频噪声的问题，仅在GAN类生成器原有的对抗损失中添加高频特征损失，而训练过程中其它因素都不变的条件下，能明显提高生成图像的质量与多样性。

公开(公告)号：CN114693565A

公开(公告)日：2022-07-01

申请号：CN202210439935.4

申请日：2022-04-25

Applicant: 杭州电子科技大学

Inventor： 叶学义 ,  曾懋胜 ,  陈海颖 ,  应娜 ,  李刚

IPC: G06T5/00 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于跳跃连接多尺度融合的GAN图像修复方法，根据跳跃连接未考虑编解码器中各层特征之间的相关性的特点，利用编码器中相对高层的特征图与相对低层的特征图融合，再传递至各层解码器并输出生成图像。然后细化了损失的类型，重新定义损失函数为对抗损失、像素重构损失和金字塔损失来进一步指导网络的训练向正确的方向进行。本发明方法针对现有图像修复方法高层特征不能指导低层特征的生成导致修复的结果可能存在语义不连贯的问题进行改善，提升了破损图像修复的效果，在满足人类视觉感知需求的同时也能在一定程度上与原图相似。且经实验验证，该方法在人脸图像、自然场景图像和建筑图像上都达到了不错的修复效果。