-
-
公开(公告)号：CN114037839B
公开(公告)日：2024-06-28
申请号：CN202111225109.1
申请日：2021-10-21
Applicant: 长沙理工大学
IPC: G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了小目标识别方法、系统、电子设备及介质，通过对目标图像的特征进行多次提取，得到若干个分辨率、语义以及位置特征偏重不同的特征图，再将这些特征图中有利于小目标识别的特征进行融合，得到在分辨率、语义以及位置等维度表现优异的融合特征图，该融合特征图提升了卷积神经网络模型对小目标识别的正确率和性能。
-
公开(公告)号：CN116403291A
公开(公告)日：2023-07-07
申请号：CN202310304033.4
申请日：2023-03-23
Applicant: 长沙理工大学
Abstract: 本发明公开了一种基于双模态的人脸伪造检测方法、系统、设备及介质，其方法包括：将人脸图像输入至第一浅层卷积神经网络进行RGB信息提取，得到RGB特征，将高频图像输入至第二浅层卷积神经网络进行高频信息提取，得到高频特征；其中，通过预设的信息交互模块将第一浅层卷积神经网络中当前一层第一卷积块输出的第一特征和第二浅层卷积神经网络中对应一层第二卷积块输出的第二特征进行交互学习后得到第三特征，并将第三特征与第一特征相加后作为第一浅层卷积神经网络中下一层第一卷积块的输入；合并RGB特征和高频特征后输入至分类器，得到RGB人脸图像的真伪。本发明通过两个模态及两者的交互学习，提高人脸伪造检测的精度和泛化性能。
-
公开(公告)号：CN114037839A
公开(公告)日：2022-02-11
申请号：CN202111225109.1
申请日：2021-10-21
Applicant: 长沙理工大学
Abstract: 本发明公开了小目标识别方法、系统、电子设备及介质，通过对目标图像的特征进行多次提取，得到若干个分辨率、语义以及位置特征偏重不同的特征图，再将这些特征图中有利于小目标识别的特征进行融合，得到在分辨率、语义以及位置等维度表现优异的融合特征图，该融合特征图提升了卷积神经网络模型对小目标识别的正确率和性能。
-
公开(公告)号：CN110113607B
公开(公告)日：2022-02-01
申请号：CN201910336663.3
申请日：2019-04-25
Applicant: 长沙理工大学
IPC: H04N19/132 , H04N19/177 , H04N19/19 , H04N19/42 , H04N19/597
Abstract: 本发明涉及一种基于局部与非局部约束的压缩感知视频重建方法，在压缩感知重建视频模型中引入局部与非局部约束，利用基于图像帧最小全变差(Total Variation,TV)约束和基于序列时空相似块矩阵的低秩约束，引导优化模型的解趋向三维视频序列的固有特征。优化问题求解过程中首先采用传统方法进行对视频中每帧图像压缩感知图像进行重建，得到的图像帧的一个初始估计，然后引入辅助变量并将问题分解为一个TV优化子问题和一个低秩优化子问题，交替求解，并在内循环中进一步地将TV子问题和低秩优化子问题分解为可微的和求解的部分分别求解。由于发明的方法充分考虑了图像帧的时空局部与非局部特征，因而提高了图像的重建质量。
-
Patent Agency Ranking
公开(公告)号：CN110650340B
公开(公告)日：2022-01-14
申请号：CN201910336500.5
申请日：2019-04-25
Applicant: 长沙理工大学
IPC: H04N19/132 , H04N19/177 , H04N19/19 , H04N19/42 , H04N19/597 , G06T5/00 , G06V10/40 , G06V10/772 , G06V20/40
Abstract: 本发明涉及一种时空复用的压缩视频成像方法，包括下列步骤：1)设计成像设备如附图所示包括一个标定系统和成像系统，并通过标定系统，获得一个二值的输入矩阵，同时采用一个复数矩阵拟合多重散射传递函数；2)在成像系统采用空间复用和时间复用两个压缩感知模块顺序对进入系统的场景光学信号进行三维压缩感知采样，在一次曝光时间内获取多帧空间上压缩的场景图像信号；3)从输入的三维信号的三个切面对信号进行解析表示，并通过学习得到图像帧的解析稀疏表示字典和视频信号的时间稀疏表示特征；4)根据视频重建的优化模型，首先重建一个初始视频估计，并将多约束的优化问题分解为多个子问题，采用交替方向方法求解，完成视频帧的图像重建。
-
公开(公告)号：CN113850307A
公开(公告)日：2021-12-28
申请号：CN202111076265.6
申请日：2021-09-14
Applicant: 长沙理工大学
Abstract: 本发明公开了一种基于深度学习的图像修改区域定位方法、系统及存储介质，通过提取目标RGB图像的图像残差，基于图像残差，使用第一神经网络提取目标RGB图像中的修改过的区域与未修改过的区域之间高频分量的不一致性特征，根据提取的不一致性特征生成第一特征图；提取目标RGB图像的局部二值模式特征，将局部二值模式特征与目标RGB图像进行合并，得到合并图像，使用第二神经网络提取合并图像中的修改过的区域与未修改过的区域之间的块相似性特征，根据提取的块相似性特征生成第二特征图；融合第一特征图和第二特征图得到目标特征图，基于目标特征图，定位目标RGB图像的图像修改区域。该方法能够高效、准确地定位图像中的修改区域。
-
公开(公告)号：CN110763984B
公开(公告)日：2021-06-22
申请号：CN201911025735.9
申请日：2019-10-25
Applicant: 长沙理工大学
IPC: G01R31/3177
Abstract: 本发明公开了一种基于扇出重汇聚结构的逻辑电路失效率确定方法、装置、设备及存储介质；本申请在信号传播过程中，若逻辑门的传播信号中不存在同一扇出源节点的扇出支路信号，则仅根据含有关键逻辑值的传播信号、逻辑门的类型信息及门出错率确定输出的出错率及扇出源信息，而忽略不含有关键逻辑值的传播信号，从而减少计算量；否则，根据所有传播信号、逻辑门的类型信息、门出错率及扇出源独立出错率确定输出的扇出源信息及出错率，由于扇出源独立出错率的引入，使各个扇出源节点之间独立处理，因此在考虑扇出重汇聚结构引起的信号相关性影响时，不同扇出源节点之间不具有复杂的嵌套关系，从而在降低了计算复杂度的基础上，提高了计算准确度。
-
公开(公告)号：CN107609595B
公开(公告)日：2020-09-11
申请号：CN201710846757.6
申请日：2017-09-19
Applicant: 长沙理工大学
Abstract: 本发明涉及一种线裁剪图像检测方法，分为训练和测试二个阶段；训练阶段步骤：对训练集图像进行灰度化处理，再对训练集图像逐个提取其LBP特征和WLD特征，使用Kruskal‑Wallis方法对提取的特征进行特征选择并确定最优的阈值，将经过特征选择后的LBP特征和WLD特征进行串联融合形成训练特征集；测试阶段步骤：对测试图像按训练阶段步骤进行灰度化处理，再提取LBP特征和WLD特征，使用训练阶段确定的最优的阈值对提取的LBP特征和WLD特征进行特征选择，再进行特征融合形成测试特征集；由SVM分类器自动寻找最优参数来判断测试图像是否经过了线裁剪操作。该方法可广泛用于线裁剪图像检测领域，提高检测准确度。
-
公开(公告)号：CN104822063B
公开(公告)日：2017-09-15
申请号：CN201510180111.X
申请日：2015-04-16
Applicant: 长沙理工大学
IPC: H04N19/114 , H04N19/573 , H04N19/177 , H04N19/61
Abstract: 本发明涉及压缩感知和视频编解码领域，是一种基于字典学习残差重建的压缩感知视频重建方法。该方法先对视频划分图像组（Group of Picture,GOP），每组指定关键帧和非关键帧，关键帧和非关键帧采用不同采样率、不同方法逐帧逐块顺序编码。在解码端，取一个GOP，先采用多参考帧加权平均获得其初始重建；再采取迭代法获得GOP的最终重建。在迭代中先使用多参考帧对当前帧进行运动估计获得其运动补偿图像；接着采用多参考帧残差域字典学习，获得当前帧各个块的残差域自适应基，进行残差重建；最后，根据各帧的运动补偿图像和残差，得到该GOP的最终重建，进而得到重建视频，实现压缩感知视频的高质量重建。该方法可广泛应用于基于压缩感知的视频重建等多个领域。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.065 seconds)
