-
公开(公告)号：CN109191378A
公开(公告)日：2019-01-11
申请号：CN201810830164.5
申请日：2018-07-25
Applicant: 成都信息工程大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于ERGAN网络单幅图像超分辨重建方法。本发明包括以下步骤：输入待重建图像I；将待重建图像I分为大小为m*m的图像块集合，每一个图像块用 表示，i＝1，2，...，s；将 处理成n*n大小的低分辨率图像 将低分辨率图像 输入到生成器G中进行训练；将生成器G输出的结果G(z)和 一同输入到鉴别器D中；将需要重建的图像再经过生成器G网络超分辨重建。本发明提出了基于生成对抗网络，增强对称残差单位的单图像超分辨率(ERGAN)，在训练的过程中保留了高频特征，减轻深层网络训练的难度。
-
公开(公告)号：CN109064418A
公开(公告)日：2018-12-21
申请号：CN201810758901.5
申请日：2018-07-11
Applicant: 成都信息工程大学
CPC classification number: G06T5/002 , G06T5/50 , G06T2207/20004
Abstract: 本发明公开了一种基于非局部均值的非均匀噪声图像去噪方法，包括：步骤1：使用评价算子R对非均匀噪声图像先进行像素粗分类；步骤2：对噪声图像中的每一个像素，根据其周围邻域像素的粗分类结果，采取多数投票方法，对该像素的类别进行细分类，分为：低噪声高纹理、中等纹理、高噪声次纹理、平滑区域的其中一类；步骤3：对细分类后的每一个类别，自适应的选择滤波参数和邻域块大小，使用非局部均值去噪算法进行像素去噪；达到消除噪声的效果和纹理保留效果之间的平衡。
-
公开(公告)号：CN108921800A
公开(公告)日：2018-11-30
申请号：CN201810667226.5
申请日：2018-06-26
Applicant: 成都信息工程大学
IPC: G06T5/00
CPC classification number: G06T5/002 , G06T2207/10004 , G06T2207/20004
Abstract: 本发明公开了基于形状自适应搜索窗口的非局部均值去噪方法，包括：步骤1：输入噪声图像V，步骤2：计算噪声图像V在水平方向的梯度图像Vx和垂直方向的梯度图像Vy；步骤3：计算噪声图像V所对应的结构张量T(s,σ)；步骤4：计算得到当前像素i的形状自适应搜索窗口ASi；步骤5：划分图像块，计算相似性权重值w(i,j)；步骤6：计算得到当前像素i去噪后的像素值 步骤7：逐行逐列扫描，依次对噪声图像V中的每一像素进行步骤4到步骤6的处理过程，直到处理完所有像素，输出去噪后的图像 本发明方法使得到的估计值更接近真实值，对图像中边缘和纹理细节信息具有更好地保护能力，取得的去噪效果优于大小和形状固定搜索窗口的非局部均值去噪方法。
-
公开(公告)号：CN108898225A
公开(公告)日：2018-11-27
申请号：CN201810416774.0
申请日：2018-05-04
Applicant: 成都信息工程大学 , 成都智睿通拓科技有限公司
Abstract: 本发明涉及一种基于人机协同学习的数据标注方法，其包括：1、由领域专家制定分类标准和标注规范，并给出样例作为金标数据；2、以金标数据作为聚类的中心点对数据进行聚类处理，选出银标数据来训练标注人员，利用金标数据对标注人员进行测试，测试通过即可进行下一步的标注；3、利用金标数据和银标数据作为训练集对未分类的数据进行分类，得到的置信度高的数据可直接采用，并将其加入训练数据集重新训练分类器；4、从待标注数据集中选取出最值得标注的数据，分发给标注人员进行标注，将得到的标注结果加入训练集重新训练分类器；迭代步骤3和4，直至分类器的精度达到预设的阈值。本发明能够有效降低人工标注的成本，同时保证标注的高质量。
-
公开(公告)号：CN108829661A
公开(公告)日：2018-11-16
申请号：CN201810439150.0
申请日：2018-05-09
Applicant: 成都信息工程大学 , 成都智睿通拓科技有限公司
IPC: G06F17/27
Abstract: 本发明涉及一种基于模糊匹配的新闻主体名称提取方法，其包括：采集大量的领域新闻；对采集到的新闻进行人工标注，筛选出与领域相关具有新闻主体的新闻；使用分词工具对新闻进行分词；使用词嵌入工具在全量的新闻数据上做训练，得到词嵌入矩阵，从而将每一篇新闻表示为一个词嵌入向量；使用主体列表构建知识图谱；将知识图谱中每个节点的主体名称分词后做各种拆分组合，然后将拆分组合的结果用词嵌入向量表示；计算词嵌入相似度，取所有主体中与新闻词嵌入向量相似度得分最高的主体名称作为该新闻提取的主体名称。本发明能够有效地克服基于精确匹配对非标准化主体简称识别的缺陷，此外，本发明还能够适应更多的场景，匹配准确度更高。
-
Patent Agency Ranking
公开(公告)号：CN108763865A
公开(公告)日：2018-11-06
申请号：CN201810489037.3
申请日：2018-05-21
Applicant: 成都信息工程大学
CPC classification number: G06N3/0454
Abstract: 本发明涉及一种预测DNA蛋白质结合位点的集成学习方法，其包括以下步骤：获取DNA结合蛋白质位点的蛋白质序列数据；对DNA结合蛋白质位点的蛋白质序列数据预处理；使用one‑hot编码方式构建输入数据；将提取的特征合并，构建每个蛋白质序列上氨基酸的特征，将其作为输入数据；使用SMOTE算法对正样本数据进行过采样；根据正样本大小将负样本数据分成多份，每份负样本与正样本组合成一个新的数据子集，得到N个数据子集；每个数据子集使用卷积神经网络进行训练；对N个卷积神经网络的结果进行多数投票法集成，从而得到预测结果。本发明解决了不平衡数据情况下的DNA蛋白质结合位点预测问题，提高了预测的准确性。
-
公开(公告)号：CN107242873A
公开(公告)日：2017-10-13
申请号：CN201710541557.X
申请日：2017-07-05
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于功能磁共振心理生理交互的脑网络构建方法，包括采集任务状态下的功能磁共振数据，并对其进行时间层校正、头动校正和减少运动伪影等预处理，基于预处理后的功能磁共振数据构建大脑认知决策的PPI模型，通过PPI模型得到与任务参数相关的脑区活性成分，从而构建与任务参数相关的脑网络，本发明采用PPI方法提取与任务参数交互作用的所有脑区BOLD信号，解决了传统脑网络构建技术中存在的不能结合任务参数构建脑网络的不足，为反映任务状态和功能磁共振脑信号交互的脑网络提供更有效的生理意义。
-
公开(公告)号：CN120067600A
公开(公告)日：2025-05-30
申请号：CN202510526798.1
申请日：2025-04-25
Applicant: 成都信息工程大学
IPC: G06F18/20 , G06F18/214 , G06N20/20 , G06N3/098 , G01W1/10
Abstract: 本发明属于气象预报技术领域，公开了一种低计算资源下的气象预报大模型快速预报方法、系统、设备、介质及终端。基于神经网络的微调技术、利用集成思想，针对现有大模型的大参数量训练对数据、计算资源要求高且训练难等问题，面向气象领域，设计一种低计算资源下的大模型快速预报方法，突破现有大模型训练的技术壁垒，实现低计算资源下从零开始快速预报出有效的大模型。本发明可实现低计算资源下的大模型快速预报，避免了现有大模型训练的高计算资源要求。本发明通过集成多种小模型的方式构成大模型，解决了现有大模型大参数量训练难的问题。本发明聚焦于气象领域的预报模型，对其他领域同样适用。
-
公开(公告)号：CN119941568A
公开(公告)日：2025-05-06
申请号：CN202510006012.3
申请日：2025-01-03
Applicant: 成都信息工程大学
IPC: G06T5/73 , G06T5/60 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/0455
Abstract: 本发明涉及一种利用相邻帧的特征和当前帧的特征进行视频去模糊方法，首先使用二维离散小波变换分离视频帧的高频部分和低频部分，对于低频部分，首先使用动态卷积操作提取相邻帧中的特征，实现对视频上下文信息的充分捕捉，同时根据运动模糊轨迹的可分解性提取当前帧的特征；然后使用帧内和帧间特征融合策略进行特征融合并重建清晰帧；对于高频部分，则直接使用卷积操作进行处理；最后，将高频部分和重建的低频部分使用逆变换进行融合得到清晰的视频。本发明通过从模糊的视频帧中寻找有用的信息来去除模糊的效果，能够为图像、视频处理和摄影等领域的研究提供新的视角和工具。
-
公开(公告)号：CN119784974A
公开(公告)日：2025-04-08
申请号：CN202411879003.7
申请日：2024-12-19
Applicant: 成都信息工程大学
IPC: G06T17/20 , G06N3/0442 , G06V10/764 , G06V10/82 , G06F18/2431
Abstract: 本发明提出了一种基于大脑EEG信号的高质量3D Mesh重建方法，能够将脑电图信号快速、高效地转换为高保真的三维网格模型。首先，EEG编码器从EEG信号中提取时域和频域特征，增强信号的表示能力。然后，该时频嵌入被输入至由EEG引导的两阶段图像生成模块，生成高质量的二维图像。最后，通过多视角扩散模型和稀疏视图重建技术，利用生成的二维图像作为输入，快速完成三维网格的重建。该方案有效解决了EEG信号转换为三维对象的技术难题，并在脑电信号处理与三维重建领域取得了重要突破，能够为认知科学、心理学和神经科学领域的研究提供新的视角和工具。
-
-
-
-
-
-
-
-
-
Search Results
174
records
(took 0.025 seconds)
