-
公开(公告)号：CN118898847A
公开(公告)日：2024-11-05
申请号：CN202411390566.X
申请日：2024-10-08
Applicant: 厦门理工学院
IPC: G06V30/16 , G06V30/18 , G06V10/82 , G06N3/0464
Abstract: 本发明提出一种基于注意力导向细节修复的文档图像阴影去除方法，包括以下步骤；步骤S1、利用YCbCr颜色空间变换和亮度信息生成阴影注意力图作为标签，以识别阴影区域；步骤S2、通过阴影注意力生成子网络，采用多尺度大核注意力机制，提取阴影特征，获得最优注意力图；步骤S3、对所述最优注意力图和阴影特征进行动态融合；步骤S4、通过细节细化子网络，采用轻量级空间通道卷积计算并恢复图像细节；步骤S5、基于损失函数，通过端到端训练优化网络参数；步骤S6、使用训练完成的网络对文档图像进行阴影去除处理。旨在有效去除文档图像中的复杂阴影，同时保留图像细节，并以较低的计算复杂度实现。
-
公开(公告)号：CN117853945A
公开(公告)日：2024-04-09
申请号：CN202410037867.8
申请日：2024-01-10
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于多源信息融合的遥感图像语义分割方法（即MSGFormer）。具体来说MSGFormer包含三个模块首先，MSG(多尺度自注意全局特征融合)，通过多尺度卷积将不同大小感受野的特征图通过自注意卷积去除冗余特征，获得长距离依赖关系集成到每个解码器阶段。其次PA(坐标注意力)有效解决了类别之间的位置联系；最后提取解码器的低级语义信息(CNN_Stem)作为支流注入解码器上采样最后一层中作为细节分割补充。本发明方法在两个公开的基准数据集上优于当前最先进的算法。
-
公开(公告)号：CN116758557B
公开(公告)日：2024-04-05
申请号：CN202310738640.1
申请日：2023-06-21
Applicant: 厦门理工学院
Abstract: 本发明提出一种基于浅层图神经网络的联机手写笔画分类方法，包括以下步骤：步骤S1、对联机手写文档的每一个笔画提取若干特征；提取笔画对的若干特征；步骤S2、得到文档笔画的初始图结构；步骤S3、将初始图结构送入边缘分支进行边缘特征学习；步骤S4、将分类结果作为图的邻接矩阵，从而更新图结构；步骤S5、从更新后的图结构的节点特征中提取连通子图特征与全局特征；步骤S6、在更新后的图结构基础上，得到最终的节点特征。对最终的节点特征进行分类，得到版面分析结果。
-
公开(公告)号：CN113569732B
公开(公告)日：2023-06-06
申请号：CN202110853369.7
申请日：2021-07-27
Applicant: 厦门理工学院
IPC: G06V40/16 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于并行共享多任务网络的人脸属性识别方法及系统，该方法包括以下步骤：将人脸属性数据集中包含的人脸属性分为部分属性组和整体属性组；构建并行共享多任务网络，其由一个共享子网络以及两个特定任务子网络，即一个部分属性子网络和一个整体属性子网络组成；在每个特定任务子网络中采用注意力机制，以利用共享子网络和特定任务子网络的局部和全局特征之间的相关性；设定损失函数并采用自适应惩罚策略来缓解类别不平衡问题，提高人脸属性识别率；通过人脸属性数据集对并行共享多任务网络进行训练；将待识别的人脸图像输入训练好的并行共享多任务网络模型，实现人脸属性识别。该方法及系统有利于提高人脸属性识别的准确性。
-
公开(公告)号：CN111681232B
公开(公告)日：2023-03-10
申请号：CN202010525675.3
申请日：2020-06-10
Applicant: 厦门理工学院
IPC: G06T7/00 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于语义分割的工业焊接图像缺陷的检测方法，包括：获取存在焊接缺陷的工业焊接图像；根据焊接缺陷规范对焊接缺陷进行像素级别标注，以生成焊接缺陷训练样本集；建立焊接缺陷分割模型，并使用焊接缺陷训练样本集进行深度学习训练；利用深度学习训练后的焊接缺陷分割模型对工业焊接图像进行焊接缺陷检测。该基于语义分割的工业焊接图像缺陷的检测方法目的是解决复杂场景下无法进行焊接缺陷自动检测的问题。
-
Patent Agency Ranking
公开(公告)号：CN114092521A
公开(公告)日：2022-02-25
申请号：CN202111425943.5
申请日：2021-11-26
Applicant: 厦门理工学院
IPC: G06T7/246 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/80
Abstract: 本发明涉及一种基于多阶段自适应网络的鲁棒目标跟踪方法及系统，该方法包括以下步骤：S1、构建离线训练数据集；S2、使用元学习的多步梯度下降训练方法对离线训练数据集进行训练，得到元学习模型；S3、构建多阶段自适应网络，包括领域自适应子网、特征自适应子网和位置自适应子网三个不同自适应子网络，S4、将测试视频中仅已知目标位置的第一帧输入到领域自适应子网，对构建的多阶段自适应网络进行初始化训练；S5、将测试视频中第二帧开始的后续帧依次输入到特征自适应子网中，利用多阶段自适应网络对测试视频进行跟踪。该方法及系统有利于获得更加稳定、鲁棒、准确的跟踪结果。
-
公开(公告)号：CN111967389B
公开(公告)日：2022-02-18
申请号：CN202010829155.1
申请日：2020-08-18
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于深度双路径学习网络的人脸属性识别方法及系统，该方法包括：1）将人脸属性数据集包含的人脸属性分成局部属性组和全局属性组；2）构建双路径学习网络模型，包括不同层数的局部属性子网络和全局属性子网络，用以对局部属性组和全局属性组的学习；3）将数据集中人脸图片输入双路径学习网络模型，获取不同尺度人脸图片，分别以大、小尺度人脸图片作为局部属性、全局属性子网络的输入；4）设计考虑挖掘难分样本和平衡正负样本的自适应损失函数，并使用损失函数训练模型，得到训练好的双路径学习网络模型；5）用训练好的双路径学习网络模型对待识别的人脸图片进行人脸属性识别。该方法及系统有利于提高人脸属性识别的准确性。
-
公开(公告)号：CN112464781A
公开(公告)日：2021-03-09
申请号：CN202011328157.9
申请日：2020-11-24
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于图神经网络的文档图像关键信息提取及匹配方法，包括以下步骤：步骤1:构建用于获取关键文本所在区域边框位置的关键文本信息检测模型；步骤2:构建用于识别文字边框内的文字关键文本识别模型；步骤3:将待提取信息的文档图像依次通过关键文本信息检测模型和关键文本识别模型，获取全部子图的文字识别结果；步骤4：以关键文本边框为节点构建图，以图神经网络为基础网络分别对于每个文本框的节点进行聚合，并预测节点的关键文本节点类型；步骤5:以正则表达式以及领域规则库的方式修正关键文本的识别结果，并得到最终的提取及匹配结果。本发明实现高效提取文档图像中的关键元素，并且准确地为关键元素匹配相应键值。
-
公开(公告)号：CN111967389A
公开(公告)日：2020-11-20
申请号：CN202010829155.1
申请日：2020-08-18
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于深度双路径学习网络的人脸属性识别方法及系统，该方法包括：1）将人脸属性数据集包含的人脸属性分成局部属性组和全局属性组；2）构建双路径学习网络模型，包括不同层数的局部属性子网络和全局属性子网络，用以对局部属性组和全局属性组的学习；3）将数据集中人脸图片输入双路径学习网络模型，获取不同尺度人脸图片，分别以大、小尺度人脸图片作为局部属性、全局属性子网络的输入；4）设计考虑挖掘难分样本和平衡正负样本的自适应损失函数，并使用损失函数训练模型，得到训练好的双路径学习网络模型；5）用训练好的双路径学习网络模型对待识别的人脸图片进行人脸属性识别。该方法及系统有利于提高人脸属性识别的准确性。
-
公开(公告)号：CN107766407A
公开(公告)日：2018-03-06
申请号：CN201710755814.X
申请日：2017-08-29
Applicant: 厦门理工学院
CPC classification number: G06F16/29 , G06K9/6215
Abstract: 一种采用两阶段搜索的轨迹相似性连接查询方法，用于对给定的两个轨迹集合P、Q和相似度阈值，寻找两个轨迹集合P、Q之间，时空相似度大于该相似度阈值的轨迹对，包括如下步骤：1)针对集合P中的每一条轨迹，在集合Q中搜索与之在时间维度和空间维度相似的轨迹并保存为该条轨迹的候选集合；2)将集合P中所有轨迹的候选集合进行合并，得到符合要求的所有轨迹对。本发明方法可应用到公路网络相关场景中，使用时间空间两个维度上的连续性匹配方法来计算轨迹之间的相似度，更好地衡量两条轨迹之间的匹配程度，输出令用户满意的结果。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.039 seconds)
