-
公开(公告)号：CN119168872A
公开(公告)日：2024-12-20
申请号：CN202411094186.1
申请日：2024-08-09
Applicant: 武汉大学
IPC: G06T3/4069 , G06T3/4007 , G06T3/4023 , G06T3/4046 , G06T3/4084 , G06N3/044 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本申请涉及视频处理技术领域，特别涉及一种基于辅助损失特征对齐循环架构的视频超分辨方法及装置，其中，方法包括：构建满足预设条件的视频超分辨模型；将第一辅助损失引入视频超分辨模型的浅层特征中，并将第二辅助损失引入视频超分辨模型的频域中，以得到新的视频超分辨模型；将目标视频图像输入至新的视频超分辨模型，以对目标视频图像进行超分辨处理，获得基于辅助损失特征对齐循环架构的视频超分辨结果。由此，解决了相关技术中仅在网络输出部分使用了单一的损失函数进行监督约束，造成对浅层特征图的约束不足，导致对图像浅层特征优化欠缺，降低了视频超分辨的效果，无法实现高分辨率视频复原的问题。
-
公开(公告)号：CN111079058B
公开(公告)日：2023-07-28
申请号：CN201911293994.X
申请日：2019-12-16
Applicant: 武汉大学
IPC: G06F16/958 , G06N3/02
Abstract: 本发明公开了‑一种基于节点重要性的网络节点表示方法及装置，其中的方法包括：确定网络中各个节点的重要性；根据节点的重要性计算出游走至每个节点的概率；基于计算出的概率对网络中的节点进行随机游走，构建随机游走节点序列；采用预设神经网络模型对构建的随机游走节点序列进行向量化表示。本发明可以实现置信度更高，鲁棒性更强的网络节点表示，为节点的精准分类、社团准确划分提供重要的工作基础。
-
公开(公告)号：CN110113798B
公开(公告)日：2022-11-18
申请号：CN201910460461.X
申请日：2019-05-30
Applicant: 武汉大学
Abstract: 本发明提出了一种多源无线传感器网络环境下同构性路由协议方法。本发明通过不同类型的传感器节点中心位置附近寻找初始簇首传感器节点；根据所有簇首传感器节点进行广播；考虑到传感器节点间数据传输能耗以及传感器节点簇内分布的同构性，构建非簇首传感器节点隶属度计算模型；建立簇；将所有非簇首传感器节点都被归入到对应簇中，完成无线传感器网络簇的建立；簇首传感器节点采用基于时分多址的方式为簇中的每个传感器节点分配通信时隙；数据在网络中从传感器节点发送至簇首传感器节点，由簇首传感器节点汇聚到汇聚节点；簇的更新。本发明提升了簇内传感器节点分布的同构性，增强传输数据的相关性，提升了网络整体运行效能。
-
公开(公告)号：CN111144466B
公开(公告)日：2022-05-13
申请号：CN201911303796.7
申请日：2019-12-17
Applicant: 武汉大学
IPC: G06V10/774 , G06V10/77 , G06V10/778 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明属于计算机视觉技术领域，公开了一种图像样本自适应的深度度量学习方法，获取锚点样本、正样本、第一负样本，利用度量学习构建样本的嵌入空间；在嵌入空间中计算第一负样本所在每个类数据群的类中心点坐标；生成第二负样本；构建解码器，通过解码器将第二负样本由嵌入空间映射至特征空间，生成第二负样本的特征向量；构建第二训练样本组；将第二训练样本组映射至嵌入空间。本发明解决了现有技术中训练数据规模不足，样本高区分度特征难以获取的问题，本发明可广泛推广适用于各类不同的度量学习方法，在不引入先验知识和额外数据的前提下，可以有效的提升原度量学习的辨识能力。
-
公开(公告)号：CN109885797B
公开(公告)日：2020-12-01
申请号：CN201910119063.1
申请日：2019-02-18
Applicant: 武汉大学
IPC: G06F16/958 , G06F16/2458
Abstract: 本发明公开了一种基于多身份空间映射的关系网络构建方法，利用个体身份相关数据将个体映射至多元身份空间，然后根据不同属性维度组合具备不同的身份辨识粒度和社会语义区分度，选取高辨识粒度和高社会语义区分度的属性组合作为个体的聚类维度，将用户在这些属性空间中进行聚类处理，最后通过个体间共现的频度来判定个体间是否存在关系，进而实现关系网络的构建。本发明具有高效、准确、去参数化等特点，可应用于推荐系统，网络安全等领域。
-
Patent Agency Ranking
公开(公告)号：CN111079058A
公开(公告)日：2020-04-28
申请号：CN201911293994.X
申请日：2019-12-16
Applicant: 武汉大学
IPC: G06F16/958 , G06N3/02
Abstract: 本发明公开了-一种基于节点重要性的网络节点表示方法及装置，其中的方法包括：确定网络中各个节点的重要性；根据节点的重要性计算出游走至每个节点的概率；基于计算出的概率对网络中的节点进行随机游走，构建随机游走节点序列；采用预设神经网络模型对构建的随机游走节点序列进行向量化表示。本发明可以实现置信度更高，鲁棒性更强的网络节点表示，为节点的精准分类、社团准确划分提供重要的工作基础。
-
公开(公告)号：CN109885797A
公开(公告)日：2019-06-14
申请号：CN201910119063.1
申请日：2019-02-18
Applicant: 武汉大学
IPC: G06F16/958 , G06F16/2458
Abstract: 本发明公开了一种基于多身份空间映射的关系网络构建方法，利用个体身份相关数据将个体映射至多元身份空间，然后根据不同属性维度组合具备不同的身份辨识粒度和社会语义区分度，选取高辨识粒度和高社会语义区分度的属性组合作为个体的聚类维度，将用户在这些属性空间中进行聚类处理，最后通过个体间共现的频度来判定个体间是否存在关系，进而实现关系网络的构建。本发明具有高效、准确、去参数化等特点，可应用于推荐系统，网络安全等领域。
-
公开(公告)号：CN111144466A
公开(公告)日：2020-05-12
申请号：CN201911303796.7
申请日：2019-12-17
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 本发明属于计算机视觉技术领域，公开了一种图像样本自适应的深度度量学习方法，获取锚点样本、正样本、第一负样本，利用度量学习构建样本的嵌入空间；在嵌入空间中计算第一负样本所在每个类数据群的类中心点坐标；生成第二负样本；构建解码器，通过解码器将第二负样本由嵌入空间映射至特征空间，生成第二负样本的特征向量；构建第二训练样本组；将第二训练样本组映射至嵌入空间。本发明解决了现有技术中训练数据规模不足，样本高区分度特征难以获取的问题，本发明可广泛推广适用于各类不同的度量学习方法，在不引入先验知识和额外数据的前提下，可以有效的提升原度量学习的辨识能力。
-
公开(公告)号：CN114463569B
公开(公告)日：2024-11-19
申请号：CN202210097534.5
申请日：2022-01-27
Applicant: 武汉大学
IPC: G06V10/75 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于优化自适应度量学习的图像匹配方法及系统，提出了一种对类内类间距离可感知的惩罚系数，分别作为两类距离的额外优化系数，构建出优化自适应的损失函数形式。同时，采用分治的算法思想，先对样本进行粗粒度的样本分类，将三元组内的样本的相似关系从二元扩展至四元，细化了不同样本间的空间分布关系，进而提升整个网络对样本分类的准确性，最终实现在不引入新的网络模型的前提下提升图像匹配精准度的效果。
-
公开(公告)号：CN114463569A
公开(公告)日：2022-05-10
申请号：CN202210097534.5
申请日：2022-01-27
Applicant: 武汉大学
Abstract: 本发明公开了一种基于优化自适应度量学习的图像匹配方法及系统，提出了一种对类内类间距离可感知的惩罚系数，分别作为两类距离的额外优化系数，构建出优化自适应的损失函数形式。同时，采用分治的算法思想，先对样本进行粗粒度的样本分类，将三元组内的样本的相似关系从二元扩展至四元，细化了不同样本间的空间分布关系，进而提升整个网络对样本分类的准确性，最终实现在不引入新的网络模型的前提下提升图像匹配精准度的效果。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
