-
Patent Agency Ranking
公开(公告)号：CN116542929A
公开(公告)日：2023-08-04
申请号：CN202310505574.3
申请日：2023-05-06
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习网络DenseNet的AOI缺陷检测方法，包括数据增强、缺陷检测网络和损失函数设计，包括：对工业产品缺陷数据进行扩充；设计缺陷检测网络学习产品数据特征实现缺陷识别；设计损失函数约束检测网络模型。本发明能在生产检测中快速识别出有缺陷的产品，并且识别精度高，甚至能识别出人眼难以观测到的细微缺陷，减少漏检与误检，还可以及时调整检测性能；模型的轻量化还降低了实际部署时的存储资源的开销，减少了计算时间；在样本类别极不平衡的情况下也可以很好地学习到正负样本特征，实现快速准确检测的效果。
-
公开(公告)号：CN116563625A
公开(公告)日：2023-08-08
申请号：CN202310505919.5
申请日：2023-05-06
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06T7/00 , G06N20/20 , G06N3/0895
Abstract: 本发明公开了一种基于联邦学习和对比学习的医学图像分类方法，在联邦学习的训练中，将当前训练轮次的本地模型和上一轮次的全局模型与本地模型结合起来进行训练，减少本轮模型与上一轮全局模型特征表示之间的距离，增加本轮模型与上一轮本地模型特征表示之间的距离，运用模型之间的监督对比损失，让客户端的本地模型在训练过程中逐渐靠近全局模型。这种方法能有效地减轻数据异构性所带来的性能下降问题，增加模型的泛化能力。
-
公开(公告)号：CN118469879A
公开(公告)日：2024-08-09
申请号：CN202410634854.9
申请日：2024-05-22
Applicant: 桂林电子科技大学
Abstract: 本发明提供一种基于Retinex理论和色彩均衡模型的低照度图像增强方法。低光照图像增强旨在恢复夜间捕获的图像质量，进一步提高高级视觉计算机任务的性能。最近的许多方法有效地照亮了低光图像，但未能压缩固有的噪声，消除色彩偏差等。为了解决这一问题，本发明提出了一种基于Retinex方法和色彩均衡模型的低照度图像增强方法。具体而言，我们首先通过由两个特征混合注意(FHA)组成的解耦模块以密集连接的方式提取输入的灰度表示。然后，利用分量预测模块引导下的重建网络对原始RGB图像进行质量恢复。最后，采用基于全局通道注意机制的重建模块，在校正色彩偏差的同时保留细节。大量的实验表明，该方法在弱光图像增强方面具有优异的性能。
-
公开(公告)号：CN116645281A
公开(公告)日：2023-08-25
申请号：CN202310505440.1
申请日：2023-05-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多阶段拉普拉斯特征融合的微光图像增强方法，将拉普拉斯金字塔分解为四个阶段，采用由粗到细的策略恢复微光图像，大尺度图像更关注高频信息，小尺度图像更关注低频信息，不同尺度特征的融合从而得到融合图像；在特征提取后传播修正后的特征，结合注意力和残差策略的机制，捕捉长期的图片中的上下文相互依赖关系；在拉普拉斯金字塔的第二阶段和第三阶段通过监督校正模块进一步保留图像的局部细节，并在向下一个阶段传播前对图像的亮度进行适当的调整。该方法能够同时减轻退化困难，并在避免增强图像流程中细节丢失、局部曝光过低等方面之间取得平衡。
-
公开(公告)号：CN116645273A
公开(公告)日：2023-08-25
申请号：CN202310633223.0
申请日：2023-05-31
Applicant: 桂林电子科技大学
IPC: G06T3/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种令单一图像超分辨率模型适配视频超分辨率任务的方法，其特征在于，包括如下步骤：1）浅层特征提取；2）时间特征提取；3）深层特征提取；4）超分辨率帧重建。这种方法将现有不同的单一图像超分辨率模型适配到视频超分辨率任务中并取得令人满意的性能，从而减少改编单一图像超分辨率模型适配视频超分辨率任务的难度。
-
-
-
-
Search Results
5
records
(took 0.024 seconds)
