-
公开(公告)号：CN110969638A
公开(公告)日：2020-04-07
申请号：CN201911098926.8
申请日：2019-11-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于张量的背景减除方法及系统。该方法包括：获取观测张量；对观测张量进行高阶奇异值分解，得到初始化核心张量、因子、初始化辅助张量、拉格朗日乘子以及迭代次数；将观测张量分解为背景张量和前景张量；通过基于克罗内克基表示的张量稀疏检测方法约束背景张量，通过范数约束前景张量，得到最小化问题；通过求解最小化问题，得到迭代核心张量、迭代因子、迭代辅助张量以及迭代前景张量；判断所述迭代前景张量与前景张量之间的变化是否小于预先设定的阈值；若否，更新拉格朗日乘子；若是，根据迭代核心张量和迭代因子，得到迭代背景张量；根据迭代背景张量和迭代前景张量完成前景和背景的分离。本发明能够快速准确的分离背景和前景。
-
公开(公告)号：CN106952229A
公开(公告)日：2017-07-14
申请号：CN201710151796.4
申请日：2017-03-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于数据增强的改进型卷积网络的图像超分辨率重建方法，包括数据增强和网络结构改进的步骤。一方面采用多角度旋转和翻转样本集的方式增加了样本的多样性，因此可以获得多角度背景的特征实现特征的旋转不变性；充分的特征信息有利于提高图像的重建精度。另一方面本方法的网络模型利用深层卷积神经网络提取特征，多层的卷积层有利于提取更高级，更加完整的特征，然后用反卷积层作为重建层对卷积层输出的特征映射进行处理，恢复图像分辨率，从而得到超分辨率图像。由于卷积层缺乏旋转不变性的特性，本方法另外样本的多样性达到增加参数的目的，从而更好的拟合网络最终实现提高重建精度，并加快网络训练的收敛速度的效果。
-
公开(公告)号：CN106780751A
公开(公告)日：2017-05-31
申请号：CN201710044516.X
申请日：2017-01-19
Applicant: 桂林电子科技大学
IPC: G06T17/30
CPC classification number: G06T17/30
Abstract: 本发明公开了基于改进的屏蔽泊松算法的三维点云重建方法，包括如下步骤：获取模型三维点云数据；引入屏蔽因子，通过引入点和梯度的约束来对泊松算法进行预处理约束限制；使用八叉树分割对点云简化去噪，压缩存储，建立点云间拓扑结构，实现快速建立和高效查找八叉树邻节点；对每个点云法向量进行法向重定向，减少法向指向的二义性；计算向量场；求解屏蔽泊松方程，得到指示函数；对点云等值面提取，得到三维重建模型。本发明方法整体上提高了法向量精确度很好地去除伪封闭曲面，同时对孔洞有良好填充，对表面信息丰富的物体模型点云数据，能够使纹理细节更显著。本发明方法可以广泛用在逆向工程，文物修复，和医学图像等领域。
-
公开(公告)号：CN114529482B
公开(公告)日：2024-03-29
申请号：CN202210157461.4
申请日：2022-02-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于小波多通道深度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）训练数据预处理对局部图像块进行二阶小波变换；2）线性映射；3）小波变换；4）多通道图像重建；5）特征融合；6）计算损失函数Loss；7）判断误差是否达到设定值。这种方法能更好地表示不同的图像内容、并且恢复更多的细节特征。
-
公开(公告)号：CN114708281B
公开(公告)日：2024-03-22
申请号：CN202210392717.X
申请日：2022-04-15
Applicant: 桂林电子科技大学
IPC: G06T9/00 , H04N19/176 , H04N19/85 , G06N3/0464 , G06N3/0985 , G06V10/74 , G06V10/80
Abstract: 本发明公开了一种基于自适应非局部特征融合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)训练数据预处理；2)获取测数据yi；3)构造图像块压缩观测值yi协同重构组Yi；4)采用线性映射网络F获得初始重建图像块协同重构组Zi；5)将协同重构组Zi进行特征交互得到协同联合重建特征Zc；6)采用全局残差网络Fr对图像块zi进行增强重建获得重建图像z′i；7)采用图像块稀疏约束损失函数对网络训练进行约束。这种方法采用非局部特征为图像块重建提供互补信息，能有效恢复图像中的高频信息。
-
Patent Agency Ranking
公开(公告)号：CN114898439B
公开(公告)日：2024-03-19
申请号：CN202210614368.1
申请日：2022-06-01
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06V20/40 , G06V10/82 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种基于分段策略和多头卷积注意力的视频人脸识别方法，包括如下步骤：1）对视频人脸数据集进行预处理；2）对步骤1）中得到的视频帧图像集进行分段线性映射、位置嵌入操作；3）深度特征提取；4）识别；5）损失函数进行训练；6）完成人脸识别。本技术方案分段策略有效去除了跨度较大的视频帧面部姿态、大小等变化较大而对特征提取施加的冗余噪声，并结合提出的多头卷积注意力模块有效提取冗长视频序列的上下文信息，同时大幅降低了模型的复杂程度，分段损失函数的设计加速了网络的训练并提高模型抗干扰的能力，最终使得模型具有更好的识别性能。
-
公开(公告)号：CN117407808A
公开(公告)日：2024-01-16
申请号：CN202311475888.X
申请日：2023-11-07
Applicant: 桂林电子科技大学
IPC: G06F18/2431 , G06F18/214 , G06F18/213 , G06V10/764 , G06V10/40 , G06N3/08 , G06N3/0442
Abstract: 本发明公开了一种基于分数的扩散模型生成回放的类增量学习方法，所述方法包括如下步骤：1)训练分类器；2)建立基于分数的扩散模型；3)训练鉴别器；4)基于分数的扩散模型的生成回放。本技术方案利用基于分数的扩散模型生成高质量的旧类样本来记忆旧类信息，并使扩散模型和鉴别器能够以与分类器相同的方式来增量式地学习新类别，以此避免顺序更新模型时遭受的灾难性遗忘问题，从而有效地提升分类性能。
-
公开(公告)号：CN117131153A
公开(公告)日：2023-11-28
申请号：CN202310928224.8
申请日：2023-07-26
Applicant: 桂林电子科技大学
IPC: G06F16/33 , G06F16/35 , G06F40/289 , G06F40/211 , G06F18/22 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种文本匹配方法、装置、系统以及存储介质，属于文本匹配领域，方法包括：导入原始文本数据集，对原始文本数据集进行分词处理得到多个分词后文本句子；将所有分词后文本句子两两分为一组得到多个分词后文本句子组；分别对各个分词后文本句子组进行更新得到目标文本句子组；分别对各个目标文本句子组进行预测，得到文本匹配结果。本发明提高了特征提取的效果，增强了数据效率以及模型的泛化能力，同时，减少了计算量，较好的节省了训练成本，能够更好的获取句子的全局信息，解决了长文本匹配中的长程依赖等问题。
-
公开(公告)号：CN112308884B
公开(公告)日：2023-06-16
申请号：CN202011227714.8
申请日：2020-11-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量核范数的视频背景减除方法，用改进的张量核范数去表征视频背景的低维特性，使得背景约束更加接近实际视频背景的秩，为前景背景更加准确的分离提供了一定的保证；用L1,1,2范数去建模视频前景的稀疏性，加强了视频前景的时空连续性和管稀疏性，从而达到了较好的背景前景分离效果。
-
公开(公告)号：CN114898439A
公开(公告)日：2022-08-12
申请号：CN202210614368.1
申请日：2022-06-01
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06V20/40 , G06V10/82 , G06V10/774 , G06N3/04
Abstract: 本发明公开了一种基于分段策略和多头卷积注意力的视频人脸识别方法，包括如下步骤：1）对视频人脸数据集进行预处理；2）对步骤1）中得到的视频帧图像集进行分段线性映射、位置嵌入操作；3）深度特征提取；4）识别；5）损失函数进行训练；6）完成人脸识别。本技术方案分段策略有效去除了跨度较大的视频帧面部姿态、大小等变化较大而对特征提取施加的冗余噪声，并结合提出的多头卷积注意力模块有效提取冗长视频序列的上下文信息，同时大幅降低了模型的复杂程度，分段损失函数的设计加速了网络的训练并提高模型抗干扰的能力，最终使得模型具有更好的识别性能。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.041 seconds)
