-
公开(公告)号：CN113158630A
公开(公告)日：2021-07-23
申请号：CN202110275765.6
申请日：2021-03-15
Applicant: 苏州科技大学 , 苏州佳图智绘信息技术有限公司
IPC: G06F40/166 , G06T11/60 , G06K9/46 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种文本编辑图像方法、存储介质、电子设备及系统，其方法包括以下步骤：S1、将原始图像和原始图像的第一文本描述信息送入通道注意力模块进行关联，然后送入生成器，生成与文本相关的第一图像，将所述第一图像和第一文本描述信息送入鉴别器进行鉴别；S2、将所述第一图像和原始图像的第二文本描述信息送入通道注意力模块进行关联，然后送入生成器，生成与文本相关的第二图像，将所述第二图像和第二文本描述信息送入鉴别器进行鉴别；S3、利用步骤S1和S2得到的鉴别信息构建循环一致性损失函数，并经过多次迭代对生成器进行训练，得到优化后的生成器。本发明的文本编辑图像方法生成的图像更准确、更自然、更多样。
-
公开(公告)号：CN112785624A
公开(公告)日：2021-05-11
申请号：CN202110064596.1
申请日：2021-01-18
Applicant: 苏州科技大学 , 苏州佳图智绘信息技术有限公司
Abstract: 本发明公开了一种基于孪生网络的RGB‑D特征目标跟踪方法，包括以下步骤：构建基于RGB‑D特征的孪生网络模型；模板图像经共享网络处理，获得模板图像的语义特征，将高层语义特征输入至深度卷积网络模块，获得深度图；对深度图进行深度特征提取，获得深度特征信息，通过级联方式将深度特征信息与语义特征进行融合，获得融合后的图像特征；搜索图像经共享网络处理，获得搜索图像的特征，搜索图像的特征经卷积和池化操作，获得搜索图像的上下文信息，通过搜索图像的上下文信息指导融合后的图像特征，生成用于目标定位的自适应特征；将自适应特征与搜索图像通过共享网络处理获得的特征进行互相关操作，对分数图进行插值计算，获得跟踪的结果。其引入深度图，能够实现在复杂场景中高精度跟踪，效果好。
-
公开(公告)号：CN107330444A
公开(公告)日：2017-11-07
申请号：CN201710396148.5
申请日：2017-05-27
Applicant: 苏州科技大学
CPC classification number: G06F17/30247 , G06K9/6256
Abstract: 本发明公开了一种基于生成对抗网络的图像自动文本标注方法，包括以下步骤：由生成器产生假的语句，同时重新构建一个判别器，将生成的语句和真实语句输入进行训练，直至判别器无法判别出真实语句和生成语句。本发明改变了CNN-RNN图像自动语句标注中产生句子生硬、死板的问题，并且使得生成的句子更为准确、自然、多样性，生成的语句可以面对现实中更为复杂的景象，更加符合人类的语言表达方式标注图像，在实际中有着更为广泛的应用。
-
公开(公告)号：CN111915644B
公开(公告)日：2023-07-04
申请号：CN202010657633.5
申请日：2020-07-09
Applicant: 苏州科技大学 , 苏州佳图智绘信息技术有限公司
IPC: G06T7/246 , G06V10/82 , G06N3/0464 , G06V10/80 , G06N3/08
Abstract: 本发明公开了一种孪生导向锚框RPN网络的实时目标跟踪方法。本发明一种孪生导向锚框RPN网络的实时目标跟踪方法，包括：S1.分别将大小为127×127×3的模板帧和256×256×3的检测帧输入到孪生网络中的对应输入端口；S2.将通过孪生网络提取得到的特征分别输入到导向RPN(GA‑RPN)网络的目标分类分支和位置回归分支，得到对应的分数图；S3.将导向RPN网络得到的分类分数图和位置回归分数图结果融合，然后进行插值计算，即可得到跟踪的结果。本发明的有益效果：解决孪生RPN目标跟踪网络的精度较低和速度较低的问题。
-
Patent Agency Ranking
公开(公告)号：CN110852972B
公开(公告)日：2022-10-18
申请号：CN201911095524.2
申请日：2019-11-11
Applicant: 苏州科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于卷积神经网络的单图像去雨方法。本发明首先，我们并未使用导向滤波或者其他滤波分离图像以尽可能地保留图像的原始信息。其次，我们提出了我们的RK块来代替残差块以更高效地提取特征。最后，我们提出了特征转换连结操作来处理多尺度雨线。此外，批正则化操作假设了特征都有着相同的分布，然而不同的雨线有着不同的方向、颜色和形状，因此我们移除了网络中所有的批正则化操作。本发明的有益效果：以卷积神经网络为基础，设计一类较为简洁、高效的单步单流去雨网络模型，以便更好地修复带雨图像，同时保持修复质量和模型大小之间的平衡。
-
公开(公告)号：CN113239961A
公开(公告)日：2021-08-10
申请号：CN202110384686.9
申请日：2021-04-09
Applicant: 苏州科技大学 , 苏州佳图智绘信息技术有限公司
IPC: G06K9/62 , G06F40/211 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于生成对抗网络的文本生成序列图像的方法，该方法包括：构建训练数据库，训练数据库包括训练文本和与原始图像，利用训练文本和原始图像对生成对抗网络模型进行训练；生成对抗网络模型包括混合生成器和鉴别器，混合生成器包括场景图引导的图像生成器和基于序列条件的图像生成器；将待处理的文本输入至训练后的所述生成对抗网络模型中，由训练后的生成对抗网络模型生成与待处理文本相对应的图像并输出。本发明能够生成与文本描述相匹配的视觉上真实的图像，避免了对象布局混乱的问题，提高了输出图像的准确度。
-
公开(公告)号：CN111915644A
公开(公告)日：2020-11-10
申请号：CN202010657633.5
申请日：2020-07-09
Applicant: 苏州科技大学 , 苏州佳图智绘信息技术有限公司
Abstract: 本发明公开了一种孪生导向锚框RPN网络的实时目标跟踪方法。本发明一种孪生导向锚框RPN网络的实时目标跟踪方法，包括：S1.分别将大小为127×127×3的模板帧和256×256×3的检测帧输入到孪生网络中的对应输入端口；S2.将通过孪生网络提取得到的特征分别输入到导向RPN(GA-RPN)网络的目标分类分支和位置回归分支，得到对应的分数图；S3.将导向RPN网络得到的分类分数图和位置回归分数图结果融合，然后进行插值计算，即可得到跟踪的结果。本发明的有益效果：解决孪生RPN目标跟踪网络的精度较低和速度较低的问题。
-
公开(公告)号：CN110852972A
公开(公告)日：2020-02-28
申请号：CN201911095524.2
申请日：2019-11-11
Applicant: 苏州科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于卷积神经网络的单图像去雨方法。本发明首先，我们并未使用导向滤波或者其他滤波分离图像以尽可能地保留图像的原始信息。其次，我们提出了我们的RK块来代替残差块以更高效地提取特征。最后，我们提出了特征转换连结操作来处理多尺度雨线。此外，批正则化操作假设了特征都有着相同的分布，然而不同的雨线有着不同的方向、颜色和形状，因此我们移除了网络中所有的批正则化操作。本发明的有益效果：以卷积神经网络为基础，设计一类较为简洁、高效的单步单流去雨网络模型，以便更好地修复带雨图像，同时保持修复质量和模型大小之间的平衡。
-
公开(公告)号：CN108960338A
公开(公告)日：2018-12-07
申请号：CN201810792426.3
申请日：2018-07-18
Applicant: 苏州科技大学
CPC classification number: G06K9/6256 , G06F17/2705 , G06F17/2775
Abstract: 本发明涉及一种基于注意力反馈机制的图像自动语句标注方法，包括：构建输入数据，给定一系列的图像χ＝{x1，x2，...，xN}作为训练集，其中N是样本数量；图像xi对应的语句表述为si＝{si，1，si，2，...，si，T}，T代表句子Si的长度；构建CNN‑RNN模型，进行正向文本成：从生成的文本中提取关键词注意力反向矫正图像注意力：利用上述从文本中提取出的关注特征，对原本的图像关注特征进行注意力矫正。能够解决注意力机制在图像自动语句标注过程中的注意力分散问题及生成语句错乱的问题，采用反馈式CNN‑RNN结构，利用反馈机制将生文本中的关键信息反向传给图像，将有利于在提取图像特征的过程中，更加关注文本中的信息所对应的显著目标，从而有利于使得图像关键信息和文本关键信息更加匹配。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.053 seconds)
