-
公开(公告)号：CN112861880A
公开(公告)日：2021-05-28
申请号：CN202110245920.X
申请日：2021-03-05
申请人： 江苏实达迪美数据处理有限公司
摘要： 本发明涉及一种基于图像分类的弱监督RGBD图像显著性检测方法及系统，该方法包括以下步骤：步骤S1：对于训练数据集中的图像，分别利用基于梯度的类别响应机制和RGBD图像显著物体检测算法，生成类别响应图和初始的显著图；步骤S2：对类别响应图和初始的显著图进行深度优化，并将二者融合生成初始的显著图伪标签；步骤S3：构建用于RGBD图像显著性检测的网络模型和混合损失函数；对网络模型进行训练，通过最小化混合损失，学习网络模型的最优参数，得到训练好的网络模型；步骤S4：利用训练好的网络模型来预测RGBD图像的显著图。该方法及系统有利于提高弱监督RGBD图像显著性检测的精度。
-
公开(公告)号：CN112861880B
公开(公告)日：2021-12-07
申请号：CN202110245920.X
申请日：2021-03-05
申请人： 江苏实达迪美数据处理有限公司
摘要： 本发明涉及一种基于图像分类的弱监督RGBD图像显著性检测方法及系统，该方法包括以下步骤：步骤S1：对于训练数据集中的图像，分别利用基于梯度的类别响应机制和RGBD图像显著物体检测算法，生成类别响应图和初始的显著图；步骤S2：对类别响应图和初始的显著图进行深度优化，并将二者融合生成初始的显著图伪标签；步骤S3：构建用于RGBD图像显著性检测的网络模型和混合损失函数；对网络模型进行训练，通过最小化混合损失，学习网络模型的最优参数，得到训练好的网络模型；步骤S4：利用训练好的网络模型来预测RGBD图像的显著图。该方法及系统有利于提高弱监督RGBD图像显著性检测的精度。
-
公开(公告)号：CN109871367A
公开(公告)日：2019-06-11
申请号：CN201910150689.9
申请日：2019-02-28
申请人： 江苏实达迪美数据处理有限公司
IPC分类号： G06F16/182 , G06F11/14
摘要： 本发明涉及一种基于Redis和HBase的分布式冷热数据分离方法，采用Redis、HBese和ElasticSearch三个集群，所述Redis集群、HBase集群和ElasticSearch集群相互连接；将冷热数据进行分离，其中Redis集群、HBase集群和ElasticSearch集群分别存放不同数据，分别进行增删改查的操作，查询的时候通过判断不同类型的查询来选用不同的方案从而实现冷热数据分离。本发明能够实现高效地存储、读写和查询。
-
公开(公告)号：CN108460420A
公开(公告)日：2018-08-28
申请号：CN201810202496.9
申请日：2018-03-13
申请人： 江苏实达迪美数据处理有限公司
摘要： 本发明涉及一种对证件图像进行分类的方法，包括以下步骤：S1.对证件图像进行预处理，得到证件图像的灰度图；S2.对步骤S1处理得到的灰度图进行多种特征向量提取，组合得到证件图像的组合特征向量；S3.基于SVM训练得到模型；S4.使用SVM加载步骤S3中的模型，基于步骤S2得到的证件图像的组合特征向量对证件图像进行分类预测。该方法能够准确、快速地对证件图像进行分类。
-
公开(公告)号：CN112927136B
公开(公告)日：2022-05-10
申请号：CN202110244689.2
申请日：2021-03-05
申请人： 江苏实达迪美数据处理有限公司
摘要： 本发明涉及一种基于卷积神经网络域适应的图像缩小方法及系统，该方法包括以下步骤：步骤S1：对原始高分辨率的矢量图图像和位图图像进行预处理，得到用于训练的矢量图图像块和位图图像块，组成图像块数据集；步骤S2：构建域适应模块与特征重构模块；步骤S3：构建特征缩小模块，结合域适应模块与特征重构模块，构成图像缩小网络；步骤S4：构建图像缩小网络的损失函数；步骤S5：使用图像块数据集训练图像缩小网络，得到训练好的图像缩小网络；步骤S6：将原始高分辨率的测试位图图像输入到训练好的图像缩小网络，经过域适应模块和特征缩小模块，预测其缩小后的图像。该方法及系统有利于提高图像缩小后小图的质量。
-
公开(公告)号：CN112927136A
公开(公告)日：2021-06-08
申请号：CN202110244689.2
申请日：2021-03-05
申请人： 江苏实达迪美数据处理有限公司
摘要： 本发明涉及一种基于卷积神经网络域适应的图像缩小方法及系统，该方法包括以下步骤：步骤S1：对原始高分辨率的矢量图图像和位图图像进行预处理，得到用于训练的矢量图图像块和位图图像块，组成图像块数据集；步骤S2：构建域适应模块与特征重构模块；步骤S3：构建特征缩小模块，结合域适应模块与特征重构模块，构成图像缩小网络；步骤S4：构建图像缩小网络的损失函数；步骤S5：使用图像块数据集训练图像缩小网络，得到训练好的图像缩小网络；步骤S6：将原始高分辨率的测试位图图像输入到训练好的图像缩小网络，经过域适应模块和特征缩小模块，预测其缩小后的图像。该方法及系统有利于提高图像缩小后小图的质量。
-
公开(公告)号：CN107563377A
公开(公告)日：2018-01-09
申请号：CN201710759360.3
申请日：2017-08-30
申请人： 江苏实达迪美数据处理有限公司
摘要： 本发明涉及模式识别与计算机视觉技术领域，特别是一种利用边缘和文字区域的证件关键区域检测定位方法，通过对证件图像进行预处理，得到证件图像的灰度图，并获取证件区域图像，利用最大稳定极值区域算法从证件区域图像中提取候选区域，并对候选区域进行过滤，保留文字区域，将过滤后的文字区域组合成文字块，比较文字块的相对位置，确定文字块所代表的字段内容，从而对各类证件上的信息都能有效提取，具有较好的通用性和实用性，能广泛应用于不同场合、不同载体的图像识别，识别度更高，效率更快，能快速鲁棒。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.054 秒)
