-
公开(公告)号：CN103678480A
公开(公告)日：2014-03-26
申请号：CN201310473542.6
申请日：2013-10-11
Applicant: 北京工业大学
CPC classification number: G06F17/30256 , G06F17/3025 , G06F17/30259 , G06F17/30262 , G06F17/30268
Abstract: 本发明涉及一种具有隐私分级可控的个性化图像检索方法，针对个性化图像检索中存在的隐私保护问题，研究一种分层结构的用户隐私保护方案，具体内容包括构建分层用户兴趣模型并初始化，更新分层用户兴趣模型，裁剪某一层次以下的结点，或者裁剪树型结构中的目录分支，根据兴趣模型进行检索，将最相似的l幅图像作为检索结果返回给用户。本发明实现了对个性化图像检索的用户个人隐私信息的有效保护。
-
公开(公告)号：CN120013814A
公开(公告)日：2025-05-16
申请号：CN202411864850.6
申请日：2024-12-18
Applicant: 北京工业大学
IPC: G06T5/77 , G06T5/60 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明实施例提供一种基于Transformer的图像恢复方法，该方法包括：对输入图像进行初步处理后获得图像特征；将图像特征输入至不同网络深度的局部‑区域‑全局感知注意基础模块LRG中以获取融合后的图像特征；对融合后的图像特征执行下采样操作，以获取不同维度的图像特征；将不同维度的图像特征逐层融合，将融合后的不同维度的图像特征上采样至图像特征的特征大小；将上采样后的特征与融合后的图像特征进行concatenate操作，并融入输入图像的图像特征以得到输出图像特征，将输出图像特征转换为输出图像。本公开能够将局部和全局的多尺度特征进行融合，并将融合后的多尺度特征信息进行通道维度和空间维度的融合，增强通道间的信息交互和空间建模能力。
-
公开(公告)号：CN113011436B
公开(公告)日：2024-12-20
申请号：CN202110216858.1
申请日：2021-02-26
Applicant: 北京工业大学
IPC: G06V10/56 , G06V10/82 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/084 , G06T7/11
Abstract: 一种基于卷积神经网络的中医舌色苔色协同分类方法属于计算机视觉和中医诊断学领域。由于舌色、苔色都是利用颜色特征来进行识别，均需要对舌体区域提取颜色特征，二个任务具有相似性。该方法首先设计一个共享的深度神经网络架构，提取中医舌图像中包含的舌色苔色共有深度特征，以及舌象的特有语义特征；然后，对舌色、苔色的标签进行编码、组合，得到舌色苔色的组合标签向量；最后，设计一个深度神经网络，通过训练，建立舌色苔色共有深度特征和组合标签向量之间的映射模型。采用这样的映射方式，可以同时实现舌色、苔色两种诊察特征的识别，不仅实现简单，而且充分利用了舌色、苔色两种属性之间的内在关联关系，可以获得更高的识别准确率。
-
公开(公告)号：CN112434553B
公开(公告)日：2024-04-19
申请号：CN202011105896.1
申请日：2020-10-15
Applicant: 北京工业大学
IPC: G06V20/40 , G06V10/75 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明实施例提供一种基于深度字典学习的视频鉴别方法及系统，该方法包括：获取目标视频中的若干关键帧图像；将每一关键帧图像输入到视频指纹生成网络中，获取目标视频的指纹，其中，视频指纹生成网络包括字典，字典用于进行稀疏矩阵的计算；将目标视频的指纹与预设数据库中的每一备用视频的指纹进行匹配，根据匹配结果对目标视频进行鉴别。本发明实施例利用深度学习和多层字典学习提取视频的特征稀疏矩阵，形成视频指纹，并进行指纹数据库的构建和目标视频的指纹匹配，实现对数字视频的鉴别。
-
公开(公告)号：CN112801192B
公开(公告)日：2024-03-19
申请号：CN202110148551.2
申请日：2021-01-26
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084
Abstract: 一种基于深度神经网络的扩展LargeVis图像特征降维方法属于图像处理领域。现有Largevis降维方法是利用数据间的距离关系而进行降维操作过程，因此无法实现对单一的高维数据进行降维。该方法利用深度神经网络对LargeVis隐式的高维数据到低维数据的映射关系进行建模，构建出映射函数f，使得LargeVis算法能够实现对单一高维数据的降维，同时能够取得更优良的降维性能。
-
Patent Agency Ranking
公开(公告)号：CN113066111B
公开(公告)日：2024-03-01
申请号：CN202110274467.5
申请日：2021-03-12
Applicant: 北京工业大学
Abstract: 一种基于CT影像的心脏二尖瓣顶点的自动定位方法属于医学图像解析领域。本发明首先基于深度神经网络对CT图像进行图像预处理，以实现CT图像关键特征提取与表达；然后，利用深度强化学习模型针对基于智能体智能体的CT影像标志点进行定位，对心脏二尖瓣顶点位置进行自动检测。本发明提出了一种最优路径的搜索策略，可以非常方便地在CT图像中实现计算机自动定位心脏二尖瓣顶点的位置供医生进行疾病诊断，同时随着人工指定定位位置的变化，也具备一定的扩展性，在医学图像解析上下文中有利地创建了机器图像理解。
-
公开(公告)号：CN114339030A
公开(公告)日：2022-04-12
申请号：CN202111429346.X
申请日：2021-11-29
Applicant: 北京工业大学
IPC: H04N5/232 , G06K9/62 , G06N3/04 , G06N3/08 , H04N19/42 , H04N19/503 , H04N21/2187
Abstract: 本发明提供了一种基于自适应可分离卷积的网络直播视频稳像方法。该方法包括：建立视频帧样本库、网络模型搭建、网络训练、视频稳像。将所述得到的训练数据集输入视频稳像网络中，得到所述稳像模型输出的稳定视频帧；其中，所述稳像模型利用自适应可分离卷积和可变形卷积，将预测得到的卷积核应用在输入的两帧连续帧上，以生成稳定的中间帧。本发明通过直接生成中间帧的方法进行稳像，避免了对稳像后的视频帧进行裁剪，从而保持原始视频的分辨率。
-
公开(公告)号：CN114004760A
公开(公告)日：2022-02-01
申请号：CN202111234337.5
申请日：2021-10-22
Applicant: 北京工业大学
Abstract: 本发明提供一种图像去雾方法、电子设备、存储介质和计算机程序产品，方法包括获取待去雾的目标雾霾图像；将目标雾霾图像输入至去雾模型，对目标雾霾图像进行去雾处理，获得去雾模型输出的目标去雾图像，去雾模型是基于不成对的清晰图像和雾霾图像构成的训练图像集，对待训练模型进行无监督训练得到的，待训练模型包括用于进行加雾转换处理和去雾转换处理的多尺度注意力模块，及用于区分训练图像集的真实图像和多尺度注意力模块的生成图像的判别器。本发明的去雾模型是基于不成对的清晰图像和雾霾图像构成的训练图像集进行无监督训练得到的，从而避免成对图像训练集对去雾模型训练的限制，进而提高图像去雾的性能。
-
公开(公告)号：CN113989269A
公开(公告)日：2022-01-28
申请号：CN202111343980.1
申请日：2021-11-14
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法，以卷积神经网络VGG16作为基础网络提取特征；提出了多尺度特征融合模块和特征增强模块，分别用于对卷积神经网络的不同尺度特征进行融合，并对融合后的特征进行增强，形成4个检测层；最后采用SSD方法在这4个检测层上分别进行齿痕检测，并采用非极大值抑制方法对各个检测结果进行融合，得到最终的齿痕检测结果。本发明可以提高各检测层的特征表达能力，实现中医舌图像中齿痕的自动、准确检测，在检测精度上与传统方法相比具有明显优势，可以满足实际应用需求。本发明大大降低了网络模型的复杂度。本方法在检测精度上具有明显的优势，可以满足实际的应用需求。
-
公开(公告)号：CN110363716B
公开(公告)日：2021-11-19
申请号：CN201910552748.5
申请日：2019-06-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于条件生成对抗网络复合降质图像高质量重建方法，该方法基于条件生成对抗网络对无人机航拍、视频监控、智能交通等户外视觉系统中复合降质图像进行高质量重建，包括整体流程、复合降质图像样本库的建立、网络模型搭建与训练、复合降质图像高质量重建部分。通过条件生成对抗网络对无人机航拍、视频监控、智能交通等户外视觉系统得到的复合降质图像进行统一高质量重建。本发明提出了建立对应清晰‑复合降质图像样本库的方案；采用条件生成对抗网络，建立一种复合降质图像高质量重建方法，可完成存在雾霾、模糊、压缩效应等复合降质图像的统一重建；采用轻型的网络，不仅提高了图像重建速度，也更利于此方法在实践中的应用。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.079 seconds)
