-
公开(公告)号：CN115690536A
公开(公告)日：2023-02-03
申请号：CN202211328320.0
申请日：2022-10-26
Applicant: 清华大学深圳国际研究生院
IPC: G06V10/774 , G06N3/0464 , G06N3/08 , G06V10/74 , G06V10/80 , G06V10/82
Abstract: 本发明提供了一种单帧红外小目标检测方法，包括以下步骤：获取单帧红外小目标图像的数据集，并对数据集进行预处理，获得训练集；构建基于多尺度局部对比增强模块和金字塔最大池化模块的深度学习网络模型；基于单帧红外小目标的训练集，对深度学习模型进行训练，得到单帧红外小目标检测模型；获取待检测的单帧红外小目标图像；将图像输入单帧红外小目标检测模型中，并输出检测结果图。本发明利用深度学习方法有着良好的泛化性和鲁棒性的特性，将深度学习网络模型用于单帧红外小目标检测，并使用多尺度局部对比增强模块和金字塔最大池化模块以增强深度学习网络对单帧红外小目标的特征提取能力，从而实现单帧红外小目标的检测的高准确率及高鲁棒性。
-
公开(公告)号：CN110100263B
公开(公告)日：2021-07-16
申请号：CN201680089867.6
申请日：2016-12-30
Applicant: 华为技术有限公司 , 清华大学深圳研究生院
IPC: G06T5/50
Abstract: 一种图像重建方法，包括：获取第一图像样本集合，对所述第一图像样本进行模糊得到对应的第二图像样本集合，所述第一图像样本和所述第二图像样本大小相同；对第二图像样本集合中的第二图像样本进行聚类，得到一个或一个以上的第二图像样本子集，每个第二图像样本子集对应一个聚类；获取目标图像区域，查找所述目标图像区域所属的目标聚类的第二图像样本子集以及相应的第一图像样本子集；通过范数规则化确定与所述第二图像样本子集中每个第二图像样本对应的加权系数的集合；根据所述加权系数的集合对所述第一图像样本子集进行加权得到与所述目标图像区域对应的重建图像区域，由此重建的图像更加准确。
-
公开(公告)号：CN101634551B
公开(公告)日：2011-04-13
申请号：CN200910109431.0
申请日：2009-08-18
Applicant: 清华大学深圳研究生院
Abstract: 本发明提供一种检测表面粗糙度的方法及其系统。检测表面粗糙度的方法，包括如下步骤：获取灰度图像步骤：获得待测物体表面的灰度图像；区域处理步骤：将所述灰度图像根据像素的灰度值划分为若干个同质区域，并获取同质区域相应的区域和边界参数；粗糙度计算步骤：根据所述区域和边界参数，采用特定的神经网络模型获得所述待测物体表面的粗糙度。
-
公开(公告)号：CN117558057B
公开(公告)日：2024-04-16
申请号：CN202410044997.4
申请日：2024-01-12
Applicant: 清华大学深圳国际研究生院
IPC: G06V40/16 , G06V10/80 , G06V10/74 , G06V10/762
Abstract: 一种人脸识别方法，包括：将原始人脸特征按不同位置段划分初始人脸子特征，存放到对应的第一编码空间中；基于初始人脸子特征及辅助特征，对各第一编码空间中的初始人脸子特征进行第一量化处理，得到对应的第二编码空间；为各第二编码空间构建码本及包含各第二编码空间中的原始人脸特征的搜索底库；根据待搜索人脸特征的待搜索码字向量在搜索底库中查找对应的码字，确定预设数量的候选人脸特征；将待搜索人脸特征与候选人脸特征进行特征比对，根据特征比对结果确定待搜索的人脸的搜索结果。通过在乘积量化中利用辅助特征进行聚类，使得聚类结果可以考虑原始人脸特征中的全局信息，提高了人脸子特征的聚类准确性，进而提高了人脸识别的准确性。
-
公开(公告)号：CN117557888B
公开(公告)日：2024-04-12
申请号：CN202410046717.3
申请日：2024-01-12
Applicant: 清华大学深圳国际研究生院
Abstract: 一种基于度量学习的人脸模型训练方法和人脸识别方法，其训练过程包括迭代权重参数的更新过程，在第一训练阶段，基于全精度浮点数的权重参数和全精度浮点数的人脸特征对进行训练；在第二训练阶段，基于定点化的权重参数和全精度浮点数的人脸特征对进行训练；通过将全精度浮点数的权重参数进行定点化，保持人脸特征对的输出为全精度浮点数，通过定点化的权重参数对样本人脸对进行处理，得到人脸特征对，根据第二训练阶段的人脸特征对的损失值计算出反向传播算法需要的梯度，利用梯度进行反向传播，以更新待训练人脸模型的权重参数；在第三训练阶段，基于定点化的权重参数和人脸特征对进行训练。本发明可避免模型转换造成的精度损失。
-
Patent Agency Ranking
公开(公告)号：CN117853374A
公开(公告)日：2024-04-09
申请号：CN202410031382.8
申请日：2024-01-09
Applicant: 清华大学深圳国际研究生院
IPC: G06T5/77 , G06T5/90 , G06N20/00 , G06T3/4038 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/74
Abstract: 本发明公开了一种低光图像增强方法与系统，该方法包括：S1、利用分解网络将原始低光图像及对应的正常光参考图像都分别分解为反射图与光照图，得到低光图像反射图、低光图像光照图、参考图像反射图和参考图像光照图；S2、利用低光图像反射图与参考图像反射图，计算互信息最大化的对比学习损失函数，实现对低光图像反射图的细节增强；S3、将低光图像光照图分别与原始低光图像、增强后的低光图像反射图在高维空间进行光照对齐，得到第一对齐结果和第二对齐结果；将第一对齐结果和第二对齐结果拼接后，利用基于空洞密集残差连接块的光照恢复网络，恢复出低光图像。该系统包括分解网络、基于对比学习的分解增强模块和光照恢复模块。
-
公开(公告)号：CN117557888A
公开(公告)日：2024-02-13
申请号：CN202410046717.3
申请日：2024-01-12
Applicant: 清华大学深圳国际研究生院
Abstract: 一种基于度量学习的人脸模型训练方法和人脸识别方法，其训练过程包括迭代权重参数的更新过程，在第一训练阶段，基于全精度浮点数的权重参数和全精度浮点数的人脸特征对进行训练；在第二训练阶段，基于定点化的权重参数和全精度浮点数的人脸特征对进行训练；通过将全精度浮点数的权重参数进行定点化，保持人脸特征对的输出为全精度浮点数，通过定点化的权重参数对样本人脸对进行处理，得到人脸特征对，根据第二训练阶段的人脸特征对的损失值计算出反向传播算法需要的梯度，利用梯度进行反向传播，以更新待训练人脸模型的权重参数；在第三训练阶段，基于定点化的权重参数和人脸特征对进行训练。本发明可避免模型转换造成的精度损失。
-
公开(公告)号：CN114764942A
公开(公告)日：2022-07-19
申请号：CN202210555142.9
申请日：2022-05-20
Applicant: 清华大学深圳国际研究生院
IPC: G06V40/16 , G06V10/774 , G06K9/62
Abstract: 本发明公开了一种难正负样本在线挖掘方法，用于人脸识别模型的训练过程，包括如下步骤：S1、获取由第一图形处理器从样本人脸对提取到的特征向量对；S2、根据所述特征向量对计算所述样本人脸对的损失函数；S3、根据所述损失函数，对所述样本人脸对进行难正负样本挖掘，得到包含难正负样本人脸对的目标样本集；S4、计算所述目标样本集中各所述难正负样本人脸对的梯度，并将所述梯度传送到第二图形处理器，以使所述第二图形处理器通过所述梯度进行反向传播，对模型参数进行调整，并将调整后的模型参数共享给所述第一图形处理器。
-
公开(公告)号：CN111685735A
公开(公告)日：2020-09-22
申请号：CN202010511665.4
申请日：2020-06-08
Applicant: 清华大学
IPC: A61B5/00
Abstract: 本发明公开了一种基于鼾声信号的睡眠呼吸暂停监测方法及装置，该方法包括：从多导睡眠图中提取原始鼾声信号；采用滑动框沿原始鼾声信号滑动，统计每个滑动框内的信号顶点数；根据每个滑动框内的信号顶点数，筛选出信号顶点数大于预设阈值的滑动框对应的一个或多个鼾声信号备选片段；检测各个鼾声信号备选片段之前预设时间段内是否发生呼吸暂停事件；根据检测结果，将筛选出的各个鼾声信号备选片段标记为与睡眠呼吸暂停有关的第一类鼾声信号，或与睡眠呼吸暂停无关的第二类鼾声信号。本发明利用多导睡眠图中提取的鼾声信号，充分分析鼾声信号与呼吸信号之间的关联性，能够监测出与睡眠呼吸暂停有关的鼾声信号，以及与睡眠呼吸暂停无关的鼾声信号。
-
公开(公告)号：CN108475414B
公开(公告)日：2020-09-11
申请号：CN201580083784.1
申请日：2015-10-27
Applicant: 华为技术有限公司 , 清华大学深圳研究生院
IPC: G06T3/40
Abstract: 本发明实施例提供一种图像处理方法和装置，其中，该图像处理方法，包括：根据图像特征，对图像样本集合分类，得到图像样本子集合，其中，图像样本子集合包含高分辨率图像样本和对应的低分辨率图像样本；根据第一、第二目标函数和低、高分辨率图像样本，获得图像样本子集合对应的第一、第二特征矩阵及高低分辨率图像样本间的映射关系矩阵；确定待处理图像对应的图像样本子集合；根据第一目标函数和待处理图像对应的图像样本子集合对应的第一特征矩阵、第二特征矩阵和高低分辨率图像样本间的映射关系矩阵，获得待处理图像对应的高分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.021 seconds)
