-
公开(公告)号：CN108197030B
公开(公告)日：2021-03-30
申请号：CN201810034716.1
申请日：2018-01-15
Applicant: 中国计量大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于深度学习的软件界面自动测试云平台装置，包括若干台用户终端和云服务器，用户终端包括Web浏览器和自动截屏模块，云服务器包括Web服务器、数据库、深度神经网络模型、截图接收模块、网络爬虫模块，Web浏览器和Web服务器通讯连接，自动截屏模块与截图接收模块连接，截图接收模块与网络爬虫模块分别连接到数据库，数据库分别与Web服务器和深度神经网络模型连接。测试方法，包括以下步骤：(1)自动截图，并对截图进行美观程度的标记；(2)进行深度神经网络模型的训练；(3)使对新输入的软件界面图像进行评测，评价其美观程度。本发明能够实现将不同的软件界面根据美观程度进行自动分类，省时省力，效率高效。
-
公开(公告)号：CN111626379B
公开(公告)日：2024-01-05
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
IPC: G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/048
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN117274044A
公开(公告)日：2023-12-22
申请号：CN202310148700.4
申请日：2023-02-22
Applicant: 中国计量大学
IPC: G06T3/40 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及图像处理技术领域，本发明公开了一种面向图像超分辨率的l2,1模型驱动的轻量级深度递归网络，包括：图像采集模块，用于获取结构噪声的单幅图像；图像处理模块，用于对单幅图像进行栅格处理，并通过卷神经网络模型获得图像特征信息；分析模块，用于对图像特征信息进行优化，实现图像的超分辨率重建；分析模块的分析步骤包括：首先提出l2,1重建优化模型；采用乘法器交替方向法(ADMM)将l2,1优化问题分解为x‑子问题和d‑子问题；采用优化算法(MM)和半二次优化策略求解上述两个子问题；最后根据获得的最优迭代解，设计面向图像超分辨率的高效轻量级深度递归网络。
-
Patent Agency Ranking
公开(公告)号：CN108255720A
公开(公告)日：2018-07-06
申请号：CN201810029578.8
申请日：2018-01-12
Applicant: 中国计量大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于云计算架构的软件自动测试系统，包括：客户端、应用服务器、服务调度系统以及设备服务器；所述服务调度系统包括文件服务器、执行器、设备管理服务器以及数据库；本发明提供的一种基于云计算架构的软件自动测试系统，首先，将搭建云平台来保证数据的储存与资源的合理分配。云平台的实现同样有利于软件测试中的容错与效率的提升。其次，由于云计算的纳入，单个的软件测试过程与结果能够通过因特网上传到云平台储存空间中进行资源共享。最后，当海量的软件测试路径被分析之后，所开发的软件能够自动分析出可行的测试路径，从而实现自动化软件测试的目的。
-
公开(公告)号：CN111652177A
公开(公告)日：2020-09-11
申请号：CN202010533429.2
申请日：2020-06-12
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于深度学习的信号特征提取方法，包括如下步骤：1)对原始稀疏频谱信号进行压缩，使之成为时序频谱信号，在压缩后完成去噪处理，获得重构后的时序频谱信号，作为训练数据；2)用半监督学习方法对训练数据中没有被标记的时序频谱信号进行标记；对各组时序频谱信号进行模拟，并利用遗传算法对时序频谱信号之间的相关性进行度量；3)利用已经标记好的训练数据，利用深度学习方法对各组时序频谱信号进行分类及预测。本发明通过多方法融合提高了模型训练效率并实现无标记标签自动添加标签，预测结果更准确。
-
公开(公告)号：CN111626379A
公开(公告)日：2020-09-04
申请号：CN202010644916.6
申请日：2020-07-07
Applicant: 中国计量大学
Abstract: 本发明提供了一种肺炎X光图像检测方法，包括以下步骤：1)将原始肺炎X光数据集转换为训练可用格式，该格式为TXT：对于该格式文件的每一行，依次包括图像路径，病灶左上角坐标以及右下角坐标，包含病灶的概率，值为1；2)用目标检测模型RetinaNet对训练数据进行训练，最终得到预测值；所述预测值表征了感兴趣区的位置信息和分类信息；3)将得到的预测值中的位置信息与训练集中真实值相应的位置信息作差并通过损失函数处理，将预测的概率值直接输入损失函数中，并根据处理结果调整卷积操作的卷积核参数；4)输入待检测肺炎X光图像至训练好的目标检测模型，所述目标检测模型输出检测结果。本发明提高了模型训练精度，使得预测结果更准确。
-
公开(公告)号：CN118396856A
公开(公告)日：2024-07-26
申请号：CN202410593404.X
申请日：2024-05-14
Applicant: 中国计量大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/045 , G06N5/045 , G06N3/084
Abstract: 本发明涉及一种基于CNN‑Transformer可解释的轻量级图像超分辨率重建方法，包括：S1、对原始数据集进行预处理，得到所需LR和HR训练数据；S2、融合数据驱动与模型驱动，构建l1范数的图像退化模型，并根据分裂Bregman算法、优化最小算法和软阈值算子推导出有效可解释的迭代模型；S3、由步骤S2的迭代模型设计轻量级的CNN‑Transformer图像超分辨率网络；S4、设置损失函数、相关参数，比较迭代过程中评价指标PSNR和SSIM的数值，确定最佳图像超分辨重建模型；S5、性能测试，将低分辨率的图像输入到步骤S4获得的最佳图像超分辨重建模型中，获得超分辨率图像和评价指标。
-
公开(公告)号：CN108197030A
公开(公告)日：2018-06-22
申请号：CN201810034716.1
申请日：2018-01-15
Applicant: 中国计量大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于深度学习的软件界面自动测试云平台装置，包括若干台用户终端和云服务器，用户终端包括Web浏览器和自动截屏模块，云服务器包括Web服务器、数据库、深度神经网络模型、截图接收模块、网络爬虫模块，Web浏览器和Web服务器通讯连接，自动截屏模块与截图接收模块连接，截图接收模块与网络爬虫模块分别连接到数据库，数据库分别与Web服务器和深度神经网络模型连接。测试方法，包括以下步骤：(1)自动截图，并对截图进行美观程度的标记；(2)进行深度神经网络模型的训练；(3)使对新输入的软件界面图像进行评测，评价其美观程度。本发明能够实现将不同的软件界面根据美观程度进行自动分类，省时省力，效率高效。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
