-
公开(公告)号：CN118333860B
公开(公告)日：2024-08-20
申请号：CN202410749049.0
申请日：2024-06-12
Applicant: 济南大学
IPC: G06T3/4053 , G06T3/4007 , G06T3/4046 , G06V10/42 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本申请公开了一种残差增强的频率空间相互学习的人脸超分辨率方法，涉及图像处理技术领域，从频率分支基于傅里叶变换，捕捉全局信息，空间分支基于空间域提取局部信息。在两个分支中引入倒残差模块，丰富特征提取；其次，在空间分支内引入空间注意力增强的残差模块，通过细粒度的注意力优化空间特征。在人脸图像重建阶段，引入具有远程跳跃连接的残差模块，充分利用低层和高层特征保证图像生成结果的准确性。最后将人脸图像重建阶段生成高分辨率人脸图像与高分辨率原始人脸图像通过损失函数计算损失，实现了对人脸超分辨率网络的优化，最终经过迭代优化后，使得人脸超分辨率网络可以生成细节丰富、视觉效果更好的高分辨率人脸图像。
-
公开(公告)号：CN117393103A
公开(公告)日：2024-01-12
申请号：CN202311318020.9
申请日：2023-10-12
Applicant: 济南大学
IPC: G16H20/30 , G06Q10/1093 , G06Q50/20 , G06N3/126
Abstract: 本申请公开了一种基于改进遗传算法的儿童康复排课方法，包括：根据儿童康复排课的影响因素，随机生成n个排课方案作为n个个体组成初始排课方案种群；通过适应度函数计算种群中各排课方案的适应度，对种群应用遗传算法执行迭代进化以生成新的排课方案添加到下一代种群中，下一代种群取代当前种群；对种群中最优排课方案进行冲突点检测，对其应用一次修复函数，加快生成更优的排课方案；判断是否触发结束条件，如果结束则输出最优个体。根据对儿童患者的健康评估结果分配康复课程，匹配合适的治疗师、治疗室和治疗设备，规则是要满足软/硬约束，通过计算适应度，动态改变交叉、变异概率，结合修复函数，从而高效地找出最佳的排课结果。
-
公开(公告)号：CN112925936B
公开(公告)日：2022-08-12
申请号：CN202110196648.0
申请日：2021-02-22
Applicant: 济南大学
IPC: G06F16/535 , G06F16/583 , G06N3/04 , G06N3/08
Abstract: 本公开提供了一种基于深度哈希的运动捕获数据检索方法及系统，所述方案包括：基于运动捕获数据库中的运动捕获数据序列，生成每段运动捕获数据的运动表示图像；构建深度哈希特征提取模型，通过预训练的深度哈希特征提取模型提取所述运动表示图像的哈希特征；对于待检索的运动捕获数据，提取其哈希特征，并计算待检索的运动捕获数据哈希特征与所述运动捕获数据库中每段运动捕获数据哈希特征的距离，选择距离最近的前k个数据作为检索结果。本公开所述方案相对于现有技术具有更高的检索精度和效率。
-
公开(公告)号：CN112256652A
公开(公告)日：2021-01-22
申请号：CN202011117567.9
申请日：2020-10-19
Applicant: 济南大学
Inventor： 彭京亮
IPC: G06F16/174 , G06T9/40
Abstract: 本申请公开了一种三维点云属性压缩方法、系统及终端，将三维点云模型中点云的位置进行量化为节点且将所有节点通过树形结构进行组织；从树形结构中每一个非叶节点的非空子节点中确定出源子节点，将所述非叶节点的属性使用其源子节点的属性进行赋值；自上而下以宽度优先的方式遍历树中每一个节点。如果第一非叶节点中的非空子节点数目多于一个，计算第一非叶节点与除其源子节点之外的每一个非空子节点的属性残差，且对属性残差进行编码；如果第一非叶节点只有一个非空子节点，则无需做属性编码。对于叶节点，无需做任何编码操作。对于根节点的属性单独编码。源子节点的属性信息无需编码，进而在保证属性信息无损的条件下提高了压缩率和压缩效率。
-
公开(公告)号：CN118227821A
公开(公告)日：2024-06-21
申请号：CN202410650741.8
申请日：2024-05-24
Applicant: 济南大学
IPC: G06F16/58 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本申请公开了一种基于抗噪声网络的草图检索三维模型的方法，涉及三维模型检索技术领域，在空背景模型内设置虚拟相机获得三维模型的视图表示；选取草图域特征提取网络和模型域特征提取网络，并通过所述视图表示进行预训练。在训练草图域特征提取网络时对置信度较高的嘈杂样本通过加入噪声感知熵正则化对网络进行惩罚，减少网络对噪声样本的学习。在模型域特征提取网络训练时，模型域视图融合时通过学习不同视图的权重对模型域特征有了更好的表示，并且在构建跨域联合网络时采用有监督对比学习的方法更好对齐了同类的草图和模型样本，进而使得草图检索三维模型任务的准确率上得到了提高，并且加强了模型的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN117743616A
公开(公告)日：2024-03-22
申请号：CN202311755642.8
申请日：2023-12-18
Applicant: 济南大学
Abstract: 本发明公开了基于图像的三维模型检索方法、系统、设备及存储介质，其中方法，包括：获取待查询图像和三维模型数据库；将待查询图像和三维模型数据库，均输入到训练后的基于图像的三维模型检索网络中，输出检索到的三维模型；其中，训练后的基于图像的三维模型检索网络，用于：对待查询图像进行特征提取，得到待查询图像的特征；对每一个三维模型进行特征提取，得到三维模型的特征；将待查询图像的特征和三维模型的特征，均输入到注意力机制网络中，输出加权后的三维模型特征向量；计算待查询图像特征与所有的加权后三维模型特征向量之间的余弦相似度，选择余弦相似度最小值所对应的三维模型，作为检索到的三维模型。
-
公开(公告)号：CN116434220B
公开(公告)日：2024-02-27
申请号：CN202310477856.7
申请日：2023-04-24
Applicant: 济南大学
IPC: G06V20/64 , G06V10/764
Abstract: 本发明属于三维物体分类技术领域，提供了基于描述符和AdaBoost算法的三维物体分类方法及系统，其在视角采样方面，提出了一种基于网格细分的方法，它提供了全方位的视角覆盖，同时又能自然地控制密度。对于三维表面和二维投影描述，选择或设计了简单而有效的描述符。进行了两阶段AdaBoost学习，第一阶段在2D投影的特定尺度上训练分类器，第二阶段组合了尺度特定的分类器来得出最终分类器。所提出的算法在分类准确率方面优于基准传统算法。
-
公开(公告)号：CN104899248A
公开(公告)日：2015-09-09
申请号：CN201510204348.7
申请日：2015-04-24
Applicant: 济南大学
IPC: G06F17/30
Abstract: 一种通用的运动捕获数据检索方法。本发明提出了一种通用的运动数据表示形式—运动签名：它以统计学的角度从低层次和高层次全面描述了运动数据的形态学特征和运动学特征。在离线状态下，先将运动数据的原始标记点三维位置信息通过构造形态运动结构MAKS图的方式，抽取形状特征和运动学特征，保存为运动签名的形式；当在线查询时，针对查询样例，先构造其运动签名，然后根据形状-速度二维直方图判断它属于哪种运动类别，然后选择之前通过BDA学习到的这种运动类别的权重系数，通过和数据库中所有运动数据的运动签名进行加权距离的计算并排序，最后返回查询结果。本发明的有益效果是：采用适用范围更广的运动签名比对，检索精确度高，检索速度快，适用范围广。
-
公开(公告)号：CN118227821B
公开(公告)日：2024-07-26
申请号：CN202410650741.8
申请日：2024-05-24
Applicant: 济南大学
IPC: G06F16/58 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本申请公开了一种基于抗噪声网络的草图检索三维模型的方法，涉及三维模型检索技术领域，在空背景模型内设置虚拟相机获得三维模型的视图表示；选取草图域特征提取网络和模型域特征提取网络，并通过所述视图表示进行预训练。在训练草图域特征提取网络时对置信度较高的嘈杂样本通过加入噪声感知熵正则化对网络进行惩罚，减少网络对噪声样本的学习。在模型域特征提取网络训练时，模型域视图融合时通过学习不同视图的权重对模型域特征有了更好的表示，并且在构建跨域联合网络时采用有监督对比学习的方法更好对齐了同类的草图和模型样本，进而使得草图检索三维模型任务的准确率上得到了提高，并且加强了模型的鲁棒性。
-
公开(公告)号：CN117011938A
公开(公告)日：2023-11-07
申请号：CN202310960796.4
申请日：2023-08-01
Applicant: 济南大学
Abstract: 本公开提供了基于多流动态信息图嵌入模型的人体运动识别方法及系统，涉及深度学习技术领域，包括提取运动捕获数据中的关节角度信息转化为人体各关节点的轨迹信息数据，获取运动序列；引入基于骨架的图卷积深度神经网络进行多流动态信息的特征提取，所述图卷积深度神经网络设计双分支结构，主分支提取长期运动序列中的运动时空特征，辅助分支提取短期运动序列中的运动时空特征，双分支通过交叉注意力的方式进行交互，使辅助分支对主分支中的特征信息进行补充；利用提取的运动时空特征输出运动识别结果类别概率，并进行排序，选择最大概率值对应的类别作为识别的结果，完成人体运动动作类别的识别。本公开有效提高运动捕获数据的识别精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.025 seconds)
