-
公开(公告)号：CN116343283A
公开(公告)日：2023-06-27
申请号：CN202211605044.8
申请日：2022-12-14
Applicant: 湖南大学
IPC: G06V40/16 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于判别竞争协同表示的人脸识别方法，其设计包含判别项、竞争项，并且在表示向量前加设有权重设置，充分利用类的信息，同时提高每个类的判别能力和竞争能力，解决了当数据集出现类间差异小、类内差异大的情况时所造成的低识别率问题。针对无噪声干扰下的人脸识别和有噪声干扰下的人脸识别分别提出算法模型，对于有噪声干扰下的人脸识别，精度项设置为L1范数，属于一个非光滑的凸问题，使用重加权最小二乘法。本发明提出一种包含判别项、竞争项、权重约束和协同表示的算法，增大人脸图像的识别率，并通过对其中的精度项使用L1范数，从而提高对含有噪声的人脸图像的识别效果，增强模型的鲁棒性。
-
公开(公告)号：CN115689885A
公开(公告)日：2023-02-03
申请号：CN202211311477.2
申请日：2022-10-25
Applicant: 湖南大学
IPC: G06T3/40 , G06V10/82 , G06V10/774 , G06V10/56 , G06V10/772 , G06V40/16
Abstract: 本发明公开了一种基于深度残差表示的彩色人脸图像超分辨率方法，包括步骤1：首先利用CAS‑PEAL‑R1人脸数据集重新训练SRCNN网络，然后将待重建的低分辨率彩色人脸图像Y由RGB空间转换到YCbCr空间，将其中的亮度分量图像调整到所需要的大小；步骤2：将调整后的亮度分量图像输入到SRCNN网络中，将其结果图像和其他两个由双三次插值放大的分量图像进行整合再转换回RGB空间，得到初步的人脸图像；步骤3：采用人脸残差补偿方案，并利用四元数局部正则化邻域嵌入方法来减少LR空间和HR空间之间的不一致性。本发明提出一种基于深度残差表示的彩色人脸图像超分辨率方法，目的是建立一种将深度CNN和传统机器学习相结合的人脸超分辨方法，通过对彩色图像的整体联合考虑，面对较大的放大因子时能够实现更好的人脸重建效果，减少颜色的偏移。
-
公开(公告)号：CN115588135A
公开(公告)日：2023-01-10
申请号：CN202211174257.X
申请日：2022-09-26
Applicant: 湖南大学
Abstract: 本发明公开了一种无监督非训练高光谱图像变化检测方法，所述无监督非训练高光谱图像变化检测方法基于深度学习技术，包括多扩张特征提取模块，可变形特征提取模块和深度特征比较模块。本发明一种无监督非训练高光谱图像变化检测方法，针对高光谱图像空间分辨率相对较低的特点，以及缺乏标记样本的问题，将非训练的可变形网络应用到高光谱图像变化检测技术中，充分利用地物形状和大小等结构信息实现高精度的完全无监督变化检测。其中，设计的多扩张特征提取和可变形特征提取组合模块，使网络能够在更大的感受野和任意相邻位置提取局部特征，对于提升变化检测性能有益，并且能够容易地嵌入到其它技术中；根据特征重要性提出的一种简单有效改善特征选择的方案，通过强调重要特征的贡献提高网络模型精度以及在不同场景上的适应性。
-
公开(公告)号：CN118469821A
公开(公告)日：2024-08-09
申请号：CN202410939677.5
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06T3/4053 , G06N3/0464 , G06T3/18 , G06T3/4046 , G06V10/40 , G06V10/80
Abstract: 本申请涉及一种基于扩散模型的医学图像体积超分辨率方法，构建基于扩散模型的医学图像体积超分辨率模型；将医学图像输入至形变流特征提取模块，得到医学图像中相邻层之间的运动形变映射；基于医学图像和各层间的运动形变映射，得到形变估计图像；对形变估计图进行预处理，并将预处理后的形变估计图像分别输入至新型UNet网络中编码器的各层，输出多个特征图；每个特征图均经过复合卷积注意力模块，进行特征融合，分别得到对应的融合特征图；对每个融合特征图进行再次融合，分别得到对应的第二融合特征图；将每个第二融合特征图输入至新型UNet网络中的解码器，输出医学图像的超分辨率图像。该方法提升了图像的细节恢复和分辨率增强效果。
-
公开(公告)号：CN116108890A
公开(公告)日：2023-05-12
申请号：CN202211575927.9
申请日：2022-12-09
Applicant: 湖南大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于相关熵的宽度稀疏学习算法，包括RCBLS网络，RCBLS网络包括输入层、隐含层和输出层，RCBLS网络的隐含层由Nw组特征节点和Ne组增强节点组成，每组特征节点和增强节点分别包含Nf和Nh个节点，输入数据首先通过一个非线性映射函数提取出特征信息作为特征节点，映射特征再在通过一个非线性激活函数增强后置为增强节点，将所有特征节点和增强节点与输出层相连接后即可得到一个完整的BLS网络。本发明公开的基于相关熵的宽度稀疏学习算法能够在提取特征信息的同时迭代地去除数据中的噪声和离群值,丢弃噪声数据而只使用无污染数据进行建模的方式比对噪声数据分配低权重来建模的方式更能有效地消除噪声对数据建模的影响。
-
Patent Agency Ranking
公开(公告)号：CN119785272A
公开(公告)日：2025-04-08
申请号：CN202510274695.0
申请日：2025-03-10
Applicant: 湖南大学
IPC: G06V20/40 , G06N3/0464 , G06V10/42 , G06V10/44 , G06V10/82
Abstract: 本发明公开了一种基于时频混合网络的手术阶段识别方法、系统及设备，提出了时频混合网络，包括预测阶段和精炼阶段，预测阶段和精炼阶段均包括单阶段时序卷积模块、小波时序卷积模块和傅里叶注意力模块，其中，小波时序卷积模块，能够以较小的代价获取较大的感受野，它比常用的单阶段时序卷积模块具有更强频域特征提取能力，本发明将单阶段时序卷积模块和小波时序卷积模块结合起来，能够更好的获取局部特征细节和滤波；提出了一种傅里叶注意力模块，它由傅里叶滤波模块和注意力模块串联而成，傅里叶滤波模块能够滤掉不重要的特征，让后面的注意力模块能够更好的对全局范围建模，有效提高手术阶段识别效率。
-
公开(公告)号：CN119559554A
公开(公告)日：2025-03-04
申请号：CN202411620864.3
申请日：2024-11-14
Applicant: 湖南大学
IPC: G06V20/40 , G06V10/42 , G06V10/82 , G06V10/80 , G06V10/52 , G06N3/045 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于时频特征融合的手术阶段识别方法，基于构建的TFRCDLFormer网络实现，多级别频域特征模块对输入图片进行多层空洞卷积RCDL处理，再进行离散小波变换得到包含高频和低频的多级别频率信息，对频率信息进行处理后进行离散小波逆变换；多尺度时域特征模块对输入图片进行RCDL处理，再进行平均池化、上采样处理，得到不同尺度的特征信息，对每一种尺度的特征信息采用RCDL和Transformer的方法进行综合处理；多级别频域特征增强模块对多级别频域特征和多尺度时域特征进行特征融合，再对融合后的特征进行频域特征增强，通过全连接层后输出得到手术阶段识别预测结果。有效提升识别速度和精度。
-
公开(公告)号：CN117635426A
公开(公告)日：2024-03-01
申请号：CN202311439600.3
申请日：2023-11-01
Applicant: 湖南大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/50 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于多尺度注意力的磁共振图像超分辨率重建方法，涉及计算机视觉领域，其技术要点为：由堆叠的双分支聚合块(DBA)组成。具体来说，每个DBA块包括两个并行模块即多尺度注意力模块(MSAM)和参考特征提取模块(RFEM)。MSAM模块旨在利用多尺度空间信息，从而帮助目标对比度磁共振图像获得更高质量的重建结果。RFEM模块用于提取辅助对比度磁共振图像的相似互补信息，并将其作为作为先验知识来帮助目标对比度磁共振图像恢复更清晰的边缘结构和细节。本发明方法基于多尺度注意力，能够提高磁共振图像的超分辨率重建效果，增强了细节和边缘结构，有益于图像质量的提升。
-
公开(公告)号：CN117575905A
公开(公告)日：2024-02-20
申请号：CN202311439937.4
申请日：2023-11-01
Applicant: 湖南大学
IPC: G06T3/4053 , G06T3/4046 , G06T5/10 , G06T5/50 , G06N3/045 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于混合注意与傅里叶卷积网络的医学图像体积超分辨率方法，涉及计算机视觉技术领域，其技术方案要点是：通过设计HFPB模块与多阶段的解码器‑编码器结构，网络可以充分利用相邻层间信息，从频域对全局信息进行整合，实现多尺度信息聚合，可以充分利用来自非邻域的信息来恢复医学细节；HFPB通过激活更多的非局部上下文信息来增强特征提取，并使用重叠窗口进行交叉关注，更好地聚集了跨窗口信息，通过捕获不同分支上不同感知场的互补信息，从而增强空间域特征；该模型能够很好地融合医学图像中局部区域和全局区域的相关性，使网络能够感知重要信息进行图层重建，提高三维医学图像的体积分辨率，从而辅助医学诊断。
-
公开(公告)号：CN116258193A
公开(公告)日：2023-06-13
申请号：CN202211619014.2
申请日：2022-12-12
Applicant: 湖南大学
Abstract: 本发明公开了一种基于元素级加权策略的鲁棒宽度学习系统，首先是适应于元素级别权重的宽度学习系统，其在结构上仍然保留了基础的宽度学习系统特点，引入了元素级别的惩罚权重来对噪声标签样本进行惩罚，对每一个样本标签的每一个元素依照本发明中的标签噪声检测算法设置不同权重以抑制噪声的不良影响，保留其他未被污染元素的有效信息。本发明公开的基于元素级加权策略的鲁棒宽度学习系统具有遏制被噪声污染的样本标签中污染元素所提供的错误信息，从而增强宽度学习系统对于标签噪声数据的处理能力，提高宽度学习系统对数据标签被噪声污染的分类数据集的分类有效性的效果。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
