-
公开(公告)号：CN115019068A
公开(公告)日：2022-09-06
申请号：CN202210580683.7
申请日：2022-05-26
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
Abstract: 本发明公开了一种基于编解码架构的渐进式显著目标识别方法，包括如下步骤：S1、图像数据预处理，并将预处理后的图像数据制作成训练集；S2、搭建目标识别网络并获取精确显著图像；S3、训练集中的图像数据输入至目标识别网络并训练。本发明通过在网络编码过程、解码过程中采用不同的渐进融合方式，有效减少了层间、尤其是间隔层之间的噪声污染保证了多尺度特征信息的有效利用，另外，通过渐进式连接方法取代传统模型中的简单跳跃连接、长连接，在保证多尺度特征信息能有效传递的同时，对不同特征层间的噪声信息进行筛除、提纯，使得伪装图像的显著目标检测模型性能得到巨大提升。
-
公开(公告)号：CN115019068B
公开(公告)日：2024-02-23
申请号：CN202210580683.7
申请日：2022-05-26
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06V10/72 , G06V10/82 , G06V10/80 , G06V10/774 , G06V10/44 , G06V10/46 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09 , G06N3/0985 , G06N3/048
Abstract: 本发明公开了一种基于编解码架构的渐进式显著目标识别方法，包括如下步骤：S1、图像数据预处理，并将预处理后的图像数据制作成训练集；S2、搭建目标识别网络并获取精确显著图像；S3、训练集中的图像数据输入至目标识别网络并训练。本发明通过在网络编码过程、解码过程中采用不同的渐进融合方式，有效减少了层间、尤其是间隔层之间的噪声污染保证了多尺度特征信息的有效利用，另外，通过渐进式连接方法取代传统模型中的简单跳跃连接、长连接，在保证
-
公开(公告)号：CN118967450B
公开(公告)日：2025-05-06
申请号：CN202411452810.0
申请日：2024-10-17
Applicant: 北京理工大学 , 杭州电子科技大学丽水研究院 , 杭州电子科技大学
IPC: G06T3/4053 , G06T5/50
Abstract: 本发明涉及一种基于结构信息的不对齐多源数据的光谱图像融合超分方法及系统，属于计算摄像技术领域。本发明首先使用梯度计算对输入的高光谱和多光谱图像提取梯度图，再使用纹理编码器和结构编码器分别对图像和梯度图进行编码，获取纹理特征金字塔和结构特征金字塔，然后使用结构注意力引导的特征融合对齐模块在各个层级进行特征融合获得对齐特征，最后使用解码器网络对对齐特征进行解码，生成高分辨率高光谱图像。本发明使特征对齐效果更加鲁棒，使超分辨率效果更好，在真实数据集和仿真数据集的各个倍率的超分任务中均取得很好的结果，在高倍率超分任务中具有优势，易于推广。
-
公开(公告)号：CN117793538B
公开(公告)日：2024-06-25
申请号：CN202410200816.2
申请日：2024-02-23
Applicant: 北京理工大学 , 杭州电子科技大学丽水研究院 , 杭州电子科技大学
Abstract: 本申请提出了一种图像自动曝光矫正与增强方法及装置，该方法包括：根据正常曝光Raw图像数据中的线性关系，构造有监督的异常曝光图像数据集；构建全局亮度调整网络与频率增强重建网络，将异常曝光图像数据集输入全局亮度调整网络，得到亮度矫正图像，将亮度矫正图像输入频率增强重建网络，得到矫正增强图像；基于矫正增强图像与正常曝光Raw图像数据，计算损失值，并基于损失值对其网络模型参数进行优化，得到优化模型；将其他图像输入优化模型得到优化图像，根据图像质量评价指标评价优化图像，得到客观评估指标。基于本申请提出的方案，能够对原始Raw图像数据达到自动曝光矫正与增强的效果，从而应对复杂环境下成像质量低的问题。
-
公开(公告)号：CN117793538A
公开(公告)日：2024-03-29
申请号：CN202410200816.2
申请日：2024-02-23
Applicant: 北京理工大学 , 杭州电子科技大学丽水研究院 , 杭州电子科技大学
Abstract: 本申请提出了一种图像自动曝光矫正与增强方法及装置，该方法包括：根据正常曝光Raw图像数据中的线性关系，构造有监督的异常曝光图像数据集；构建全局亮度调整网络与频率增强重建网络，将异常曝光图像数据集输入全局亮度调整网络，得到亮度矫正图像，将亮度矫正图像输入频率增强重建网络，得到矫正增强图像；基于矫正增强图像与正常曝光Raw图像数据，计算损失值，并基于损失值对其网络模型参数进行优化，得到优化模型；将其他图像输入优化模型得到优化图像，根据图像质量评价指标评价优化图像，得到客观评估指标。基于本申请提出的方案，能够对原始Raw图像数据达到自动曝光矫正与增强的效果，从而应对复杂环境下成像质量低的问题。
-
Patent Agency Ranking
公开(公告)号：CN118967450A
公开(公告)日：2024-11-15
申请号：CN202411452810.0
申请日：2024-10-17
Applicant: 北京理工大学 , 杭州电子科技大学丽水研究院 , 杭州电子科技大学
IPC: G06T3/4053 , G06T5/50
Abstract: 本发明涉及一种基于结构信息的不对齐多源数据的光谱图像融合超分方法及系统，属于计算摄像技术领域。本发明首先使用梯度计算对输入的高光谱和多光谱图像提取梯度图，再使用纹理编码器和结构编码器分别对图像和梯度图进行编码，获取纹理特征金字塔和结构特征金字塔，然后使用结构注意力引导的特征融合对齐模块在各个层级进行特征融合获得对齐特征，最后使用解码器网络对对齐特征进行解码，生成高分辨率高光谱图像。本发明使特征对齐效果更加鲁棒，使超分辨率效果更好，在真实数据集和仿真数据集的各个倍率的超分任务中均取得很好的结果，在高倍率超分任务中具有优势，易于推广。
-
公开(公告)号：CN120011368A
公开(公告)日：2025-05-16
申请号：CN202510140396.8
申请日：2025-02-08
Applicant: 杭州电子科技大学丽水研究院 , 上上德盛集团股份有限公司 , 浙江阿季云智能科技有限公司
Abstract: 本发明涉及知识图谱技术领域，公开了一种基于知识图谱的语义关联和逻辑规则的推理方法，该方法包括：获取跨职能部门的第一数据集，构建跨部门知识图谱；从跨部门知识图谱中提取指标节点，识别语义冲突指标，生成指标语义冲突列表，基于指标语义冲突列表，构建语义映射后的跨部门知识图谱；获取跨职能部门的第二数据集，基于第二数据集和语义映射后的跨部门知识图谱，得到融合后的跨部门知识图谱和语义关联度矩阵；依据语义关联度矩阵，动态调整融合后的跨部门知识图谱的各节点和边的权重，生成跨部门协同知识图谱；基于跨部门协同知识图谱生成跨部门协同决策建议；本发明显著提升了跨部门协同决策的效率和质量。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
616
records
(took 0.054 seconds)
