-
公开(公告)号：CN109410114B
公开(公告)日：2023-08-25
申请号：CN201811092084.0
申请日：2018-09-19
Applicant: 湖北工业大学
IPC: G06T1/00 , H03M7/30 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的压缩感知图像重建算法，方法步骤如下：S1：对图像数据进行预处理，包括提取数据的灰度值和对图像进行分块；S2：对已经切分好的图像块进行测量，获得测量矩阵；S3：构建一个10层的深度压缩感知重建网络；S4：在深度学习框架中对10层网络进行训练；S5：在经过深度神经网络后，得到重建图像块，按照索引，对图像块按照原始行列值进行重排；S6：图像块经过重排得到重建图像后，选择BM3D去噪器对图片进行降噪处理，最终得到重建图像。本发明提供的压缩感知图像重建算法，大部分所耗时间在网络训练阶段，待网络训练完成后图像重建速度非常之快。本发明通过深度学习网络取代了传统重建算法，但依然拥有良好的重建精度。
-
公开(公告)号：CN110084862B
公开(公告)日：2022-11-15
申请号：CN201910271763.2
申请日：2019-04-04
Applicant: 湖北工业大学
IPC: G06T9/00
Abstract: 本发明公开了一种基于多尺度小波变换与深度学习的图像压缩感知算法，包括图像采集阶段，利用卷积层采样，得到的采样向量；初始重建阶段，采用Reshape操作初始重建向量中每1×1×B2重排为B×B的图像块；深度重建阶段，采用4个残差块来深度重建图像，通过中的初始重建图像块向量作为输入，输出大小为的深度重建图像；在得到深度重建图像块后，将图像块重排，最终得到重建图像，本发明在采样阶段，用卷积神经网络进行采样，提高采样效率；在重建端，利用卷积神经网络进行初始重建，进而利用残差网进行深度重建，并且本发明使用多个网络进行重建，显著提高重建性能；使用残差网在增加网络深度的同时，依然能保持高效的训练效果，进而获得更优的重建效果。
-
公开(公告)号：CN109346084A
公开(公告)日：2019-02-15
申请号：CN201811092136.4
申请日：2018-09-19
Applicant: 湖北工业大学
CPC classification number: G10L17/005 , G10L17/02 , G10L17/04 , G10L17/18 , G10L17/22
Abstract: 本发明涉及一种基于深度堆栈自编码网络的说话人识别方法，S1：说话人特征提取；S2：堆栈自编码器的网络设计；S3：说话人识别与决策。本发明与传统说话人识别相比，将深度堆栈自编码网络与说话人识别系统模型相融合，结合堆栈自编码器的多层结构在提高评价模型的表征能力方面的显著效果，本发明的说话人识别方法在存在背景噪声的环境下能够有限提升系统的识别性能，在降低噪声对系统性能影响、提高系统噪声鲁棒性的同时，优化系统结构，使识别实时性得到有效增强。
-
Patent Agency Ranking
公开(公告)号：CN110084862A
公开(公告)日：2019-08-02
申请号：CN201910271763.2
申请日：2019-04-04
Applicant: 湖北工业大学
IPC: G06T9/00
Abstract: 本发明公开了一种基于多尺度小波变换与深度学习的图像压缩感知算法，包括图像采集阶段，利用卷积层采样，得到的采样向量；初始重建阶段，采用Reshape操作初始重建向量中每1×1×B2重排为B×B的图像块；深度重建阶段，采用4个残差块来深度重建图像，通过中的初始重建图像块向量作为输入，输出大小为的深度重建图像；在得到深度重建图像块后，将图像块重排，最终得到重建图像，本发明在采样阶段，用卷积神经网络进行采样，提高采样效率；在重建端，利用卷积神经网络进行初始重建，进而利用残差网进行深度重建，并且本发明使用多个网络进行重建，显著提高重建性能；使用残差网在增加网络深度的同时，依然能保持高效的训练效果，进而获得更优的重建效果。
-
公开(公告)号：CN109262607A
公开(公告)日：2019-01-25
申请号：CN201810929256.9
申请日：2018-08-15
Applicant: 武汉华安科技股份有限公司 , 湖北工业大学
IPC: B25J9/16
Abstract: 本发明涉及一种机器人坐标系转换方法，S1：在用户坐标系与机器人世界坐标系的公共空间中，寻找公共点，并分别读取该公共点在用户坐标系和机器人坐标系中的位置；S2：找出用户坐标系与机器人世界坐标系之间的转换关系；S3：将S1获得的公共点位置坐标带入S2中的转换关系，通过最小二程法可确定步骤2中转换关系式。本发明提出一种机器人坐标系转换方法，极大简化了在用户坐标系与机器人世界坐标系之间的转换问题，该转换方法能直接从用户坐标系转换到机器人世界坐标系，计算简便，流程清晰。
-
公开(公告)号：CN108537999A
公开(公告)日：2018-09-14
申请号：CN201810505339.5
申请日：2018-05-24
Applicant: 湖北工业大学
IPC: G08B7/06
Abstract: 本发明公开了一种八路竞赛抢答器，所述控制电路连接抢答电路和计时电路：抢答电路：可供八名选手同时使用，当选手选手按动按钮，会将最先抢到的选手编号进行锁存，并在屏幕上显示；计时电路：当主持人启动“开始”键后，定时器进行减计时，参赛选手在设定的时间内进行抢答，抢答有效；如果定时时间已到，无人抢答，则抢答无效。与传统抢答器相比，本发明中采用74LS148八路锁存器的功能特点，用74LS148和其他常用的74LS系列数字集成电路，大大降低了生产成本。
-
公开(公告)号：CN112150566A
公开(公告)日：2020-12-29
申请号：CN202011034288.6
申请日：2020-09-27
Applicant: 湖北工业大学
Abstract: 本发明涉及图像处理领域，主要涉及一种基于特征融合的密集残差网络图像压缩感知重建方法。应用多个密集残差块，提出了一个基于压缩感知算法的密集残差网络(RDNCS)；每个密集残差块(RDB)包括连接记忆单元，局部特征融合单元，和局部残差学习单元。因此，本发明具有如下优点：1.在每一个RDB中，连接记忆单元机制、特征融合机制以及残差学习显著提高了图像重建质量。2.特征融合机制使得RDB网络获取的特征更加广泛与有效，自适应的获取重建所需的信息，而且降低了网络的特征图数量。
-
公开(公告)号：CN109410114A
公开(公告)日：2019-03-01
申请号：CN201811092084.0
申请日：2018-09-19
Applicant: 湖北工业大学
CPC classification number: G06T1/0007 , G06N3/0454 , H03M7/3062
Abstract: 本发明涉及一种基于深度学习的压缩感知图像重建算法，方法步骤如下：S1：对图像数据进行预处理，包括提取数据的灰度值和对图像进行分块；S2：对已经切分好的图像块进行测量，获得测量矩阵；S3：构建一个10层的深度压缩感知重建网络；S4：在深度学习框架中对10层网络进行训练；S5：在经过深度神经网络后，得到重建图像块，按照索引，对图像块按照原始行列值进行重排；S6：图像块经过重排得到重建图像后，选择BM3D去噪器对图片进行降噪处理，最终得到重建图像。本发明提供的压缩感知图像重建算法，大部分所耗时间在网络训练阶段，待网络训练完成后图像重建速度非常之快。本发明通过深度学习网络取代了传统重建算法，但依然拥有良好的重建精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
