-
公开(公告)号：CN110211064B
公开(公告)日：2022-11-18
申请号：CN201910425310.0
申请日：2019-05-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于边缘引导的混合退化文本图像恢复方法，包括以下步骤：S1、单独训练EP‑CNN，计算混合退化文本图像对应的边缘图，将混合退化文本图像及其边缘图输入EP‑CNN的上采样处理模块，利用EP‑CNN的预测处理模块的输入，输出真实标签文本图像的预测边缘图；S2、单独训练GR‑CNN，将混合退化的文本图像输入到上采样处理模块，然后计算得到真实标签文本图像所对应的边缘图，通过预测处理模块输出是恢复的文本图像；S3、联合训练EP‑CNN和GR‑CNN，得到级联网络，继续对级联网络进行训练。本发明的优点是高效简便，能够显著地提高退化文本图像的视觉质量和可读性，并且优于现有的其他先进方法。
-
公开(公告)号：CN114529461A
公开(公告)日：2022-05-24
申请号：CN202210024843.X
申请日：2022-01-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种深度学习单图像去反射方法、装置、电子设备和存储介质，该方法包括：构造训练集；利用网络中的编码器对训练集中带反射图像I进行特征提取，得到n个不同尺度的编码特征图；根据n个不同尺度的编码特征图，在网络的解码过程中，生成各尺度的解码特征图、传输层图像特征图和反射区域导向掩膜图，并得到最终预测的传输层图像；利用训练集中真实的传输层图像T对网络进行监督，指导网络预测的传输层图像更接近真实传输层图像，达到图像去反射的目的；同时对生成的掩膜图进行监督，限制掩膜图的取值范围，指导网络生成更精确掩膜图，引导网络准确预测传输层图像。本发明能够很好地对单张反射图像完成去反射任务。
-
公开(公告)号：CN110991464A
公开(公告)日：2020-04-10
申请号：CN201911087722.4
申请日：2019-11-08
Applicant: 华南理工大学
Abstract: 本发明公开的一种基于深度多模态数据融合的商品点击率预测方法，包括以下步骤：获取商品点击率数据并进行预处理，得到预处理后的商品点击率数据；将预处理后的商品点击率数据进行特征提取，得到商品图片特征、商品文本特征、商品品牌特征；将提取的特征通过内部注意力机制得到加权的商品图片特征和加权的商文本特征，再通过图片和文本间注意力机制进行特征融合，得到商品特征；利用商品特征通过前馈神经网络进行商品点击率预测，得到商品预测结果；构建端到端模型，利用训练数据进行参数学习与更新；本发明很好地融合图片，文本以及品牌等多模态信息，形成有效的商品特征描述，可应用于商品点击率预测。
-
公开(公告)号：CN110232394A
公开(公告)日：2019-09-13
申请号：CN201810181370.8
申请日：2018-03-06
Applicant: 华南理工大学
Abstract: 本发明公开了一种多尺度图像语义分割方法，包括下述步骤：获取待分割图像和对应的标签；构建全卷积深度神经网络，所述全卷积深度神经网络包括卷积模块、空洞卷积模块、金字塔池化模块、1×1×depth卷积层、以及反卷积结构，将带洞卷积设置为逐通道的操作，有针对性地利用低、中、高尺度特征；训练全卷积深度神经网络，建立损失函数，通过训练样本图像确定全卷积深度神经网络的参数；将待分割图像输入到训练完成的全卷积深度神经网络，得到语义分割结果。本发明的方法能够在减小计算量和参数数量的同时较好地处理存在复杂细节、空洞和较大目标的图像语义分割问题，能够很好地分割目标边缘的同时，保留类别标签的一致性。
-
-
-
Search Results
34
records
(took 0.018 seconds)
