-
公开(公告)号：CN119229130B
公开(公告)日：2025-02-14
申请号：CN202411736952.X
申请日：2024-11-29
Applicant: 华侨大学
IPC: G06V10/26 , G06N3/0464 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于分类激活映射自举的路面裂痕分割方法及装置，涉及人工智能、机器视觉领域，方法包括：训练基于深度网络的正常与裂痕路面分类模型；利用类激活映射方法生成路面图像的激活映射图，通过高激活阈值筛选出类别高激活掩码并进行增强操作后，加入路面图像训练集；重复上述步骤，直到达到设定条件；基于训练好的正常与裂痕路面分类模型生成待推理的路面图像的激活映射图，通过裂痕掩码阈值获得待推理的路面图像的裂痕掩码，作为裂痕分割结果。本发明利用分类模型与激活映射，寻找类别高激活掩码更新路面图像训练集，不断迭代优化掩码效果，以改善路面裂痕分割效果，无需对裂痕进行像素级的标注，大大降低了标注成本。
-
公开(公告)号：CN118334733A
公开(公告)日：2024-07-12
申请号：CN202410757576.6
申请日：2024-06-13
Applicant: 华侨大学 , 厦门松霖科技股份有限公司
IPC: G06V40/16 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于池化正交融合的面部色素斑分类方法及装置，涉及图像识别领域，包括：构建面部色素斑分类模型并训练，得到经训练的面部色素斑分类模型，面部色素斑分类模型中，利用深度骨干网络对色素斑图像进行特征提取，得到特征映射，池化正交融合模块中，先验平均池化分支用于提取特征映射中的空间全局信息，获得具有空间稳定性的先验池化特征，后验可学习池化分支借助可学习权重挖掘特征映射中的空间分布信息，获得空间敏感性的后验可学习池化特征，利用正交融合模块对先验池化特征和后验可学习池化特征进行正交融合，得到正交融合特征并输入到第一全连接层和Softmax函数层，输出预测类别概率。本发明解决散射分布斑点分类难的问题。
-
公开(公告)号：CN117456561A
公开(公告)日：2024-01-26
申请号：CN202311779478.4
申请日：2023-12-22
Applicant: 华侨大学
IPC: G06V40/10 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N10/20 , G06N10/60
Abstract: 本发明公开一种基于部件量子学习的行人再辨识方法，涉及量子计算、人工智能领域，包括：用深度神经网络从行人图像中提取特征映射，并用自适应空间平均池化把特征映射分解为多个部件特征；用多分支通道型量子卷积网络，每个分支对应从一个部件特征上进行量子学习，获得部件量子特征；把所有部件量子特征求和并输入通道型量子卷积网络进行部件量子特征融合，获得最终的行人特征向量，用于行人再辨识。本发明利用量子叠加与纠缠特性实现行人特征学习，能提高特征学习效果，进而提升行人再辨识的准确率。
-
公开(公告)号：CN116777926B
公开(公告)日：2023-10-31
申请号：CN202311053453.6
申请日：2023-08-21
Applicant: 华侨大学
IPC: G06T7/10 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像分割领域，公开了基于左右分和式轻量卷积神经网络的裂缝分割方法及装置，方法包含以下步骤：S1，原始裂缝图片输入到左右分和式轻量卷积神经网络；S2，所述左分式结构输出特征映射#imgabs0#；S3，所述右分式结构输出特征映射#imgabs1#；S4，第i层神经构件融合左分式结构的输出特征映射#imgabs2#与右分式结构的输出特征映射#imgabs3#，输出融合特征#imgabs4#，作为下一层神经结构的输入特征映射#imgabs5#；最后一层神经构件输出的融合特征#imgabs6#作为最终输出，表达裂缝语义分割特征。本发明的左分式采用卷积与最大池化层运算，右分式采用轻量异质卷积与平均池化层运算，将左右两个分式的输出特征相加，既增强了左右分式特征学习的互补性，又实现了网络轻量化。
-
公开(公告)号：CN116777926A
公开(公告)日：2023-09-19
申请号：CN202311053453.6
申请日：2023-08-21
Applicant: 华侨大学
IPC: G06T7/10 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像分割领域，公开了基于左右分和式轻量卷积神经网络的裂缝分割方法及装置，方法包含以下步骤：S1，原始裂缝图片输入到左右分和式轻量卷积神经网络；S2，所述左分式结构输出特征映射#imgabs0#；S3，所述右分式结构输出特征映射#imgabs1#；S4，第i层神经构件融合左分式结构的输出特征映射#imgabs2#与右分式结构的输出特征映射#imgabs3#，输出融合特征#imgabs4#，作为下一层神经结构的输入特征映射#imgabs5#；最后一层神经构件输出的融合特征#imgabs6#作为最终输出，表达裂缝语义分割特征。本发明的左分式采用卷积与最大池化层运算，右分式采用轻量异质卷积与平均池化层运算，将左右两个分式的输出特征相加，既增强了左右分式特征学习的互补性，又实现了网络轻量化。
-
Patent Agency Ranking
公开(公告)号：CN112668502A
公开(公告)日：2021-04-16
申请号：CN202011625617.4
申请日：2020-12-31
Applicant: 华侨大学
Abstract: 本发明涉及一种基于级联匹配的快速再辨识方法与快速再辨识系统，训练阶段构造多级复杂程度递增的级联的深度学习网络，并对各级深度学习网络独立训练，然后各级深度学习网络进行自举微调；测试阶段使用级联深度学习网络逐级对查询图像和注册图像集的图像进行级联匹配，直到历经所有级联深度学习网络，最终得到匹配链表即为基于级联匹配的快速再辨识结果。本发明中，随着深度学习网络级数的增加，对应的深度学习网络所处理的样本组合数量递减。因此，本发明能够有效地实现大规模的行人或车辆再辨识任务的快速执行，有效提升匹配速度，可应用于大规模的行人或车辆再辨识任务的快速执行。
-
公开(公告)号：CN111526371A
公开(公告)日：2020-08-11
申请号：CN202010366824.6
申请日：2020-04-30
Applicant: 华侨大学
IPC: H04N19/593 , H04N19/117 , H04N19/146 , H04N19/14
Abstract: 本发明涉及一种基于Gabor特征和灰度共生矩阵的视频帧内编码快速算法，属于视频编码领域。本方法利用灰度共生矩阵非零值个数与编码树单元(Coding Tree Unit,CTU)分割深度的关系，设定阈值预判编码模块的分割深度，得到不同阈值对应的深度区间；然后对深度范围内的编码单元(Coding Unit,CU)利用Gabor特征进行分类，并进行平坦块和复杂块的划分，最后根据不同的CU类型选择不同编码方案。本发明一种基于Gabor特征和灰度共生矩阵的屏幕内容视频帧内编码快速算法能够减少编码器计算开销，在保持视频质量基本不变的情况下，减少编码时间。
-
公开(公告)号：CN111510721A
公开(公告)日：2020-08-07
申请号：CN202010278978.X
申请日：2020-04-10
Applicant: 华侨大学
IPC: H04N19/39 , H04N19/132 , H04N19/59 , H04N19/124 , H04N19/61
Abstract: 本发明提供了一种基于空间下采样的多描述编码高质量边重建方法，包括，制作数据集：选取视频，通过空间下采样分成两个描述，在量化参数QP值设定下，编码，解码，将解码后的视频和相应的原始视频作为训练集；训练SD-VSRnet网络：每五帧视频作为网络的输入，依次进行特征提取，恢复高频细节，像素重排，再与输入的中间帧进行跳跃连接得到重建的视频帧，逐帧重建获得最后的重建视频，实现SD-VSRnet网络的训练。本发明提出的方法制作了适用于空间下采样的多描述编码高质量边重建的数据集，另外，采用视频超分辨率的神经网络，分别测试4种QP值，可以有效提高不同压缩程度的边缘解码视频重建质量。
-
公开(公告)号：CN106780452B
公开(公告)日：2019-08-06
申请号：CN201611114594.4
申请日：2016-12-07
Applicant: 华侨大学
Abstract: 本发明涉及一种结合小波和角点特征的全参考屏幕图像质量评估方法。该方法首先分别提取参考屏幕图像和失真屏幕图像的角点特征相似性图，并以小波变换系数幅值来权衡参考屏幕图像的视觉敏感度，基于该视觉敏感度对角点特征相似性图进行加权融合，从而计算得到失真屏幕图像质量分数。本发明充分利用了角点特征对于图像局部结构的描述能力且考虑到了人眼视觉感知对屏幕图像中不同区域的视觉敏感程度不同，具有较好的屏幕图像质量评估性能，且计算简单。
-
公开(公告)号：CN110072113A
公开(公告)日：2019-07-30
申请号：CN201910414604.3
申请日：2019-05-17
Applicant: 华侨大学
IPC: H04N19/597 , H04N19/109 , H04N19/503 , H04N13/161
Abstract: 本发明涉及一种基于贝叶斯决策的3D-HEVC深度图帧间快速算法，属于视频编码领域，本方法包括CU尺寸判决和模式快速选择。首先，提取当前CU划分或者不划分时，遍历完DIS模式的RDcost作为特征，通过离线训练高斯模型，并且计算损失函数，将后验概率与损失函数作比较，判断当前CU是否为最佳尺寸；其次，提取最优模式是否是SKIP或者DIS时，遍历完SKIP或者DIS的RDcost作为特征，引入全零块，通过最小错误贝叶斯判决，判断当前最优模式是否是SKIP或者DIS。本发明一种基于贝叶斯决策的3D-HEVC深度图帧间快速算法能够减少编码器计算开销，在保持编码性能基本不变的情况下，减少编码时间。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.039 seconds)
