-
公开(公告)号：CN118799187B
公开(公告)日：2024-12-10
申请号：CN202411281438.1
申请日：2024-09-13
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06T3/4053 , G06T3/4046 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种全景图像超分辨率方法、系统、电子设备及存储介质，包括：建立基于纬度分级强化的全景图像超分辨率模型，模型包括特征提取子网、深度特征增强子网、上采样子网和重建子网，特征提取子网用于提取输入全景图片的浅层特征；深度特征增强子网通过级联的纬度分级强化单元，对不同纬度区域的浅层特征进行分等级的深度增强，基于全景图像中不同纬度区域特征分布的差异性，提炼不同纬度的高频信息，得到增强特征；上采样子网采用亚像素卷积层放大增强特征的空间分辨率尺寸；重建子网将放大后的增强特征复原成高分辨率全景图；本发明解决了全景图像中不同纬度特征分布的差异性难题，提高对不同场景环境下全景图像的超分效果。
-
公开(公告)号：CN118866011A
公开(公告)日：2024-10-29
申请号：CN202411333837.8
申请日：2024-09-24
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明属于环境噪声监测技术领域，本发明公开了一种基于自注意力机制的环境噪声监测方法，包括以下步骤：通过短时傅里叶变换将音频信号转换为频谱图；通过自注意力机制提取频谱图的声纹特征；通过神经网络声纹特征对应到具体的环境声源类别，本发明通过利用短时傅里叶变换将音频信号转换为频谱图，并结合自注意力机制提取频谱图中的声纹特征，实现了对环境声音的多维度监测与分析。这种方法能够捕捉到声音的频率、能量分布、时间变化等丰富信息，为环境声监测提供更加全面和准确的指标，并且自注意力机制能够自动学习频谱图中的关键信息，并赋予其更高的权重，从而有效提取出对分类任务至关重要的声纹特征。
-
公开(公告)号：CN118505504A
公开(公告)日：2024-08-16
申请号：CN202410500537.8
申请日：2024-04-24
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06T3/4053 , G06T3/4046 , G06T3/4038 , G06V30/16 , G06V30/18 , G06V30/19 , G06V10/82 , G06N3/084
Abstract: 本发明属于图像处理技术领域，且公开了一种面向文本图像的超分辨率方法，包括：生成文本超分数据集，识别并转换图像中目标文本区域为矩形，以便输入超分网络，提取待超分图像的特征，得到特征图X0，利用文本先验提取模块生成注意力图A，将特征图X0与注意力图A通过多个带注意力机制的残差块进行升维，得到特征图Xn，对特征图Xn进行像素和通道重组，生成超分图像SR，计算SR图像的文本序列损失lctc和像素间损失l2，求得总损失l。通过迭代优化网络参数，评估模型性能，将SR图像输入文本识别模型，获取预测文本，逆变换后拼接到原图，增强视觉效果，有效解决了传统超分模型对于文本图像质量的提升效果有限甚至产生负优化效果的问题。
-
公开(公告)号：CN118505504B
公开(公告)日：2025-04-29
申请号：CN202410500537.8
申请日：2024-04-24
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06T3/4053 , G06T3/4046 , G06T3/4038 , G06V30/16 , G06V30/18 , G06V30/19 , G06V10/82 , G06N3/084
Abstract: 本发明属于图像处理技术领域，且公开了一种面向文本图像的超分辨率方法，包括：生成文本超分数据集，识别并转换图像中目标文本区域为矩形，以便输入超分网络，提取待超分图像的特征，得到特征图X0，利用文本先验提取模块生成注意力图A，将特征图X0与注意力图A通过多个带注意力机制的残差块进行升维，得到特征图Xn，对特征图Xn进行像素和通道重组，生成超分图像SR，计算SR图像的文本序列损失lctc和像素间损失l2，求得总损失l。通过迭代优化网络参数，评估模型性能，将SR图像输入文本识别模型，获取预测文本，逆变换后拼接到原图，增强视觉效果，有效解决了传统超分模型对于文本图像质量的提升效果有限甚至产生负优化效果的问题。
-
公开(公告)号：CN118552489A
公开(公告)日：2024-08-27
申请号：CN202410608702.1
申请日：2024-05-16
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Inventor： 徐勇
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/048
Abstract: 本发明涉及图像处理技术领域，具体是涉及一种视网膜图像评分方法、装置、设备及存储介质。本发明首先将视网膜图像划分成若干个图像块，对每个图像块应用已训练深度学习模型，以得到每个图像块的分类结果，然后根据分类结果从若干个图像块中筛选出目标图像块，并根据目标图像块得到视网膜图像的评分结果。从上述分析可知，本发明的评估结果包括每个目标图像块的分类结果以及每个目标图像块，从而提高了评分结果的精准度。
-
Patent Agency Ranking
公开(公告)号：CN117274713A
公开(公告)日：2023-12-22
申请号：CN202311320829.5
申请日：2023-10-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06V10/764 , G06V10/26 , G06V20/70 , G06V10/774 , G06V10/44 , G06N20/00 , G06V10/82
Abstract: 本申请涉及计算机技术领域，特别涉及一种机器学习模型训练方法、图像的处理方法、机器学习模型的训练装置、图像的处理装置、电子设备和非易失性计算机可读存储介质。本申请实施例提供的技术方案中，通过在对主干网络进行训练过程中引入关于背景区域分割的目标背景区分模块，使训练后的模型能够学习如何识别背景与目标区域，并将两者尽可能分开，提高了模型在图像处理过程中对于目标轮廓提取的精度。能够获得更清晰的缺陷形态以及更准确的定位结果。
-
公开(公告)号：CN117218496A
公开(公告)日：2023-12-12
申请号：CN202311320825.7
申请日：2023-10-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06V10/774 , G06V10/80 , G06V20/70 , G06V10/82 , G06V10/764 , G06N3/0464
Abstract: 本申请涉及计算机技术领域，特别涉及一种检测模型训练方法、图像的处理方法、检测模型的训练装置、图像的处理装置、电子设备和非易失性计算机可读存储介质。本申请实施例提供的技术方案中，通过构建第一特征金字塔和第二特征金字塔，并且通过侧边之间的横向连接使得所有尺度下的特征都有丰富的语义信息，在通过高斯Wasserstein距离损失函数对检测结果输出的预测框位置进行评估，并训练模型，解决了现有技术中IOU度量在小目标情况下的不稳定的问题。
-
公开(公告)号：CN116723456A
公开(公告)日：2023-09-08
申请号：CN202310711863.9
申请日：2023-06-15
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种面向火灾监测的网络定位优化方法和装置，该方法对SSA算法进行改进，得到改进后的ESSA算法；通过ESSA算法对DV‑Hop算法得到的不带有定位功能的未知节点位置进行二次更新，从而提高网络的定位精度。
-
公开(公告)号：CN111724303A
公开(公告)日：2020-09-29
申请号：CN202010398292.4
申请日：2020-05-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Inventor： 徐勇
Abstract: 本发明提供了一种具有图像类型适应性的超分辨率图像处理方法，包括以下步骤：S1、构建基于多类型图像的“通用”超分辨率模，将待处理图像作为基于多类型图像的“通用”超分辨率模的输入，运行基于多类型图像的“通用”超分辨率模型后，得出待处理图像的初步高分辨率图像；S2、构建基于单一类型图像的“精细”超分辨率模型，将初步高分辨率图像作为基于单一类型图像的“精细”超分辨率模型的输入，运行基于单一类型图像的“精细”超分辨率模型后，得出最终的高分辨率图像。本发明还提供了一种具有图像类型适应性的超分辨率图像处理系统。本发明的有益效果是：在提升图像分辨率的同时，还可以克服原图像中存在的局部亮度异常等问题。
-
公开(公告)号：CN119152941A
公开(公告)日：2024-12-17
申请号：CN202411211254.8
申请日：2024-08-30
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了基于排序学习技术的蛋白质同源特征表示方法，包括如下步骤：训练一个对PSI‑BLAST结果可以修正的排序模型；将搜索序列输入到PSI‑BLAST中，使用一次迭代搜索出相似的蛋白质列表；使用排序模型来对上一次搜索出的相似性蛋白质列表进行重新排序；使用PSI‑BLAST默认的E‑value计算需要构建多序列比对的序列个数，从上一步重新排序列表中提取相应数目的蛋白质；本发明通过构建基于排序学习技术的蛋白质同源特征表示方法，一方面通过排序学习技术降低已有同源搜索方法中的非同源噪音问题，另一方面通过排序学习技术将改进的同源搜索方法进行融合，发挥不同方法之间的互补性，进一步提高搜索结果中同源特征的质量。
-
-
-
-
-
-
-
-
-
Search Results
178
records
(took 0.034 seconds)
