-
公开(公告)号：CN112686822A
公开(公告)日：2021-04-20
申请号：CN202011607204.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于堆叠生成对抗网络的图像补全方法，网络结构主要由三个堆叠的生成器网络层组成。首先将蒙版图像裁剪成多个图像块，以便网络就可以提取出不同图像块的特征；然后，本发明将补全的多图像块结果放入下一层的生成器中，以进一步补全图像；最后，将不同块的补全结果应用于一整块掩模图像上，得到最终的补全输出。从粗到细的补全作业，充分利用卷积神经网络提取的高层语义信息。并且通过图像块鉴别器来区分生成图像图像和原始图像的真假。实验结果表明，本发明方法能够对具有不规则掩模的图像生成高质量的补全结果，补全的结果更逼近原始图像。
-
公开(公告)号：CN109993109A
公开(公告)日：2019-07-09
申请号：CN201910248870.3
申请日：2019-03-29
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种图像文字识别方法，涉及图像识别技术领域。该图像文字识别方法包括以下步骤：步骤S1、采集多张带有文字的自然场景图像信息；步骤S2、将采集到的自然场景图像信息的文字区域进行人工标注，以得到标签数据，并将标签数据进行预处理得到图像数据；步骤S3、建立基于卷积的多层多尺度神经网络，将所述图像数据输入至所述多层多尺度神经网络进行训练；步骤S4、采集待识别的自然场景图像信息并进行预处理得到待处理图像数据，将待处理图像数据输入至训练后的所述多层多尺度神经网络中，通过所述多层多尺度神经网络自动识别并输出所述待识别的自然场景图像信息中的文字信息。本发明可以实现自动快速的识别自然场景图像中的文字。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN119785193A
公开(公告)日：2025-04-08
申请号：CN202510282109.7
申请日：2025-03-11
Applicant: 成都信息工程大学
IPC: G06V20/00 , G06V10/774 , G06V40/16 , G06V10/80 , G06V10/10 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了提出一种基于空频特征集成和动态边缘优化的深度伪造检测方法，通过空间‑频率特征集成模块和真实性感知边界损失函数显著提升了伪造内容的检测准确性和鲁棒性。本发明有效地结合了图像的空间域和频率域特征，使得模型能够更全面地识别伪造图像中的细微差别。此外，真实性感知边界损失函数通过动态调整边界，成功应对了类别不平衡问题，尤其在真实图像样本稀缺的情况下，显著提高了分类性能。本发明在多个具有挑战性的数据集上进行的实验验证了方法的有效性。
-
公开(公告)号：CN116824279B
公开(公告)日：2024-02-20
申请号：CN202311100762.4
申请日：2023-08-30
Applicant: 成都信息工程大学 , 中国气象局人工影响天气中心
IPC: G06V10/764 , G06V10/40 , G06V10/82
Abstract: 本发明涉及一种具有全局特征捕获能力的轻量级地基云图分类方法，包括：使用包括多个分类类别的地基云图图像的训练样本数据集对构建好的网络模型进行训练，并使用地基云图图像的测试数据集对输入网络模型的地基云图图像进行分类测试验证，选择性能最好的模型参数进行保存；将获取的地基云图图像输入到保存的网络模型中，对地基云图图像进行特征提取和类别的推理计算，得到地基云图图像的类别从而实现对地基云图图像的自动分类。本发明中特征提取单元与降采样单元在提取特征信息的同时会进行权重划分，能实现局部与全局特征信息的有效融合，对类内差异大、类间差异小的地基云图样本实现精确分类的同时拥有较低的参数量及较小的浮点运算次数。
-
公开(公告)号：CN116824279A
公开(公告)日：2023-09-29
申请号：CN202311100762.4
申请日：2023-08-30
Applicant: 成都信息工程大学 , 中国气象局人工影响天气中心
IPC: G06V10/764 , G06V10/40 , G06V10/82
Abstract: 本发明涉及一种具有全局特征捕获能力的轻量级地基云图分类方法，包括：使用包括多个分类类别的地基云图图像的训练样本数据集对构建好的网络模型进行训练，并使用地基云图图像的测试数据集对输入网络模型的地基云图图像进行分类测试验证，选择性能最好的模型参数进行保存；将获取的地基云图图像输入到保存的网络模型中，对地基云图图像进行特征提取和类别的推理计算，得到地基云图图像的类别从而实现对地基云图图像的自动分类。本发明中特征提取单元与降采样单元在提取特征信息的同时会进行权重划分，能实现局部与全局特征信息的有效融合，对类内差异大、类间差异小的地基云图样本实现精确分类的同时拥有较低的参数量及较小的浮点运算次数。
-
公开(公告)号：CN116758268A
公开(公告)日：2023-09-15
申请号：CN202310758679.X
申请日：2023-06-26
Applicant: 成都信息工程大学
IPC: G06V10/22 , G06V10/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于对比学习类特定编码的小样本目标检测方法，所述小样本目标检测方法构建了基于CenterNet为基础框架的检测网络，将对比分支连接到所述CenterNet网络中，对比分支对不同的新类编码出特定于该类的表征信息，所述CenterNet网络包括特征提取器和目标定位器，结合对比分支提取的表征信息来实现对少量新类样本的高效快速预测通过对新类进行编码的技术方法，以实现增量式学习，允许通少量新的类样本直接检测新类，无需对模型进行微调和二次训练，同时采用对比类特定编码模块使得小样本目标检测性能得到显著改善，减少错检和漏检。
-
公开(公告)号：CN116628626A
公开(公告)日：2023-08-22
申请号：CN202310726072.3
申请日：2023-06-19
Applicant: 成都信息工程大学
IPC: G06F18/25 , G06F18/214 , G06F18/24 , G06N20/20
Abstract: 本发明涉及一种基于特征交叉融合网络的短时降水分型方法，在降水分型任务中，设计了一个特征交叉融合ConvNeXT网络，用欧洲中期天气预报中心再分析数据ERA5的500百帕位势高度的气象数据作为训练集进行学习，学习不同天气类型的环流特征，通过交叉融合学习不同天气类型的环流特征，保存更多的细节特征，将不同类型的天气系统的差异尽可能的区分，最后根据分类结果绘制降水平面图，该方法解决了以往的方法不适用小尺度天气系统的缺点。本发明解决了主观分型带来的耗时耗力和标准不统一的问题以及以往客观分型的低准确率问题。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.025 seconds)
