-
公开(公告)号：CN106504276A
公开(公告)日：2017-03-15
申请号：CN201610938472.0
申请日：2016-10-25
Applicant: 桂林电子科技大学
IPC: G06T7/33
Abstract: 本发明公开了一种非局部立体匹配算法的组合匹配代价算法和视差联合填充算法，该算法使用基于最小生成树的代价聚合的非局部立体匹配算法，在预处理阶段使用基于改进的最小生成树的算法去除原始图像的噪音，增强纹理信息，获得增强图像。然后在匹配代价阶段不仅使用原始图像的信息，还使用增强图像的信息。这样即得到了图像的局部信息，也能获得全局信息，在后期的代价聚合起一定的作用。在最后的视差细化部分，针对视差不连续和误匹配问题，提出了联合权重填充算法。实验表明，与其他的非局部立体匹配算法相比，该算法的误匹配率低，对边缘区域，重复纹理和遮挡区域有很强的鲁棒性。实验结果证明了本发明算法的有效性。
-
公开(公告)号：CN118915073A
公开(公告)日：2024-11-08
申请号：CN202411034650.8
申请日：2024-07-30
Applicant: 桂林电子科技大学
IPC: G01S13/95
Abstract: 本发明公开了一种基于双偏振雷达数据的临近降水预报方法。主要包括以下步骤：(1)对双偏振雷达基数据和与之时空匹配的降水数据进行预处理；(2)将预处理后的双偏振雷达‑降水数据随机划分为深度学习网络训练所用的训练集和测试集，并对划分好的数据集进行归一化操作；(3)使用训练集对基于双偏振雷达数据的临近降水预报网络进行训练，利用训练好的临近降水预报网络对测试集进行降水预测，得到预测降水数据；(4)将预测后的降水数据与实际观测数据对比进行降水预报检测。本发明实现了对双偏振雷达的多模态数据的高效利用，提供了一种更加准确的临近降水预报方法，具有良好的应用前景。
-
公开(公告)号：CN114387553B
公开(公告)日：2024-03-22
申请号：CN202210052157.3
申请日：2022-01-18
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于帧结构感知聚合的视频人脸识别方法，包括：采用人脸检测模型检测视频数据中每一帧中所含的面部区域并裁剪为固定尺寸的图像，作为输入视频帧；采用跨尺度特征提取网络提取输入的每一个视频帧的特征表示；采用帧结构感知聚合模块为每个特征表示赋予权重；将每个特征图降维、并根据权重进行聚合，得到视频人脸特征向量；集训练模型、并微调网络参数；采用人脸识别网络框架完成最后的识别任务。这种特征提取网络能适应面部特征比例变化的同时，保持对不同尺度特征的高效学习，同时结合帧间关系的挖掘对上下文信息进行有效建模，能够利用各个视频帧的特征及其空间结构信息，最终获得更具鲁棒性的视频人脸特征表示用于识别。
-
公开(公告)号：CN114067399B
公开(公告)日：2024-03-15
申请号：CN202111352121.9
申请日：2021-11-16
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种面向非配合场景的人脸重建与识别方法，其特征在于，包括如下步骤：1）构造三元组人脸数据集；2）三元组损失约束编码；3）亚像素卷积解码；4）多损失约束判别；5）训练生成对抗网络；6）重建与识别。这种方法在低分辨率和较大偏姿的情况下，仍然能够重建出清晰真实的正面人脸图像,并获得较高的识别率。
-
公开(公告)号：CN117523312A
公开(公告)日：2024-02-06
申请号：CN202311736200.9
申请日：2023-12-18
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/80 , G06V10/40 , G06V20/10
Abstract: 本发明公开了一种基于双分支空谱特征交叉融合网络的高光谱图像分类方法，包括：1）数据预处理；2）光谱支路特征提取；3）空间支路特征提取；4）空谱交叉注意力融合；5）高光谱图像像元分类。这种方法用有限数量的标记训练样本捕获足够的光谱和空间特征，缓解小样本的问题，并且在融合中构建双分支交互性，促进充分融合，能提高高光谱图像分类性能。
-
Patent Agency Ranking
公开(公告)号：CN115984392A
公开(公告)日：2023-04-18
申请号：CN202310035119.1
申请日：2023-01-10
Applicant: 桂林电子科技大学
IPC: G06T9/00 , G06T7/13 , G06N3/0455
Abstract: 本发明公开了一种基于Transformer增强残差自编码网络的图像压缩感知重建方法，其特征在于，包括如下步骤：1）对图像观测值y进行初始线性重建；2）设计并采用基于Transformer进行特征增强的残差自编码网络进行深度重建；3）基于全局‑局部联合损失函数进行网络训练。这种方法能更好地捕捉局部和全局特征，有效增强特征信息，精确重建原始图像。
-
公开(公告)号：CN114067399A
公开(公告)日：2022-02-18
申请号：CN202111352121.9
申请日：2021-11-16
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种面向非配合场景的人脸重建与识别方法，其特征在于，包括如下步骤：1）构造三元组人脸数据集；2）三元组损失约束编码；3）亚像素卷积解码；4）多损失约束判别；5）训练生成对抗网络；6）重建与识别。这种方法在低分辨率和较大偏姿的情况下，仍然能够重建出清晰真实的正面人脸图像,并获得较高的识别率。
-
公开(公告)号：CN108334816B
公开(公告)日：2021-11-23
申请号：CN201810033455.1
申请日：2018-01-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法，其特征是，包括如下步骤：1）数据预处理；2）轮廓约束生成网络；3）对称约束对抗网络；4）训练平衡网络；5）重建与识别。这种方法能有效解决人脸图像的姿态角度偏转影响、提取到人脸在多姿态下更具鲁棒性的特征，特别在大角度姿态重建下将全局质量和局部细节相互约束，保持了正脸的轮廓特征信息，能满足实际应用中对多姿态人脸识别的高精度需求。
-
公开(公告)号：CN110046226B
公开(公告)日：2021-09-24
申请号：CN201910306242.6
申请日：2019-04-17
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于分布词向量CNN‑RNN网络的图像描述方法，其特征在于，包括如下步骤：1）分布表示词向量的生成；2）分布表示标签的生成；3）分布表示语义标签的生成；4）网络设计；5）生成图像的描述性语句。这种方法引入到原本的CNN‑RNN网络模型中使其可生成更精确的结果、使CNN子网提供给RNN子网更丰富的语义内容，使得整个CNN‑RNN网络模型依然能够保持结构化的优点，这种方法中低维稠密的分布表示可以轻松地嵌入海量词语构成完整的语义空间、视觉内容能够更好实现到语义空间的映射，基于分布表示词向量设计的监督信号能更准确的概括视觉内容和更充分的利用向量空间监督CNN优化方向。
-
公开(公告)号：CN112200090A
公开(公告)日：2021-01-08
申请号：CN202011084356.X
申请日：2020-10-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于交叉分组空谱特征增强网络的高光谱图像分类方法，包括：1）光谱特征交叉分组；2）多通道分组光谱特征提取；3）空间特征交叉分组；4）分组空间特征提取；5）光谱‑空间通道信息交互；6）高光谱图像像元分类。这种方法利用光谱‑空间特征信息，分别对光谱特征和空间特征进行交叉分组和特征提取操作，能有效减弱相邻光谱间相关性；采用通道自注意力和像素位置自注意力操作对交叉分组得到的特征进行增强，对空间特征和光谱特征进行信息交互及融合，将融合后特征用于分类，能够提高网络分类性能。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.271 seconds)
