-
公开(公告)号：CN112286891A
公开(公告)日：2021-01-29
申请号：CN201910670468.4
申请日：2019-07-24
Applicant: 桂林电子科技大学
IPC: G06F16/18 , G06F16/215 , G06F11/08 , H04L1/00
Abstract: 本发明涉及一种嵌入式以太网数据采集方法，解决的是实时性低并不能兼顾可靠性的技术问题，通过采用步骤一，FPGA系统初始化，在系统中安装Libpcap函数库；步骤二，FPGA系统设置n1条通道，根据Libpcap函数库采用乒乓方法在n1条通道中轮换进行数据包捕获；步骤三，将数据的数据包格式设置为源端口地址、目标端口地址、数据长度、校验码、数据内容传输给PC系统，所述校验码包含有数据序列信息；步骤四，PC系统接收到传输的数据后，进行数据过滤；步骤五，PC系统进行数据识别处理的技术方案，较好的解决了该问题，可用于中。
-
公开(公告)号：CN112164011A
公开(公告)日：2021-01-01
申请号：CN202011085140.5
申请日：2020-10-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于自适应残差与递归交叉注意力的运动图像去模糊方法，其特征在于，包括：1）去模糊网络框架的建立；2）浅层特征提取；3）自适应残差过程；4）递归交叉注意力过程；5）图像重建；6）判别网络模型。这种方法能解决运动模糊图像的非均匀性问题，去除伪影且获取更多的图像高频特征，重建出纹理细节丰富的高质量图像。
-
公开(公告)号：CN108399608A
公开(公告)日：2018-08-14
申请号：CN201810172326.0
申请日：2018-03-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量字典及全变分的高维图像去噪方法，在高维图像处理研究的基础上，将张量字典学习结合全变分正则项，提出一种张量字典学习结合TV正则项的高维图像去噪模型，然后用交替迭代方法求解模型，得到迭代更新后重建的MSI图像。本发明的优点是将高维图像看成一个张量整体处理，不会损失图像的立体结构信息，同时也考虑了各波段之间的相关性，并且张量字典学习的方式提高了算法的精确度；在不失高维图像空间结构的前提下，利用高阶TV正则项，很好地保存了较完善的边缘信息，取得良好的重建效果。实验结果在主观视觉和客观评价指标两方面均取得较好的效果，能够保留较多的纹理信息和轮廓信息。
-
公开(公告)号：CN108334816A
公开(公告)日：2018-07-27
申请号：CN201810033455.1
申请日：2018-01-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于轮廓对称约束生成式对抗网络的多姿态人脸识别方法，其特征是，包括如下步骤：1）数据预处理；2）轮廓约束生成网络；3）对称约束对抗网络；4）训练平衡网络；5）重建与识别。这种方法能有效解决人脸图像的姿态角度偏转影响、提取到人脸在多姿态下更具鲁棒性的特征，特别在大角度姿态重建下将全局质量和局部细节相互约束，保持了正脸的轮廓特征信息，能满足实际应用中对多姿态人脸识别的高精度需求。
-
公开(公告)号：CN104112286B
公开(公告)日：2017-06-09
申请号：CN201410376417.8
申请日：2014-08-01
Applicant: 桂林电子科技大学
Abstract: 本发明提供了一种基于几何结构特征和自相似性的图像压缩感知重构方法。包括判定图像块的结构类型；使用同步正交匹配追踪算法对每个图像块获得重构估计值；为每个图像块进行局部和非局部相似块匹配；产生初始解集，进行优化，得到候选解集，进而得到图像块的优化重构估计值；将图像块按顺序拼接起来；重构图像。本发明能够有效减少图像压缩感知重构的不确定性，获得对图像更准确的重构估计。
-
Patent Agency Ranking
公开(公告)号：CN104077761B
公开(公告)日：2017-01-11
申请号：CN201410293009.6
申请日：2014-06-26
Applicant: 桂林电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于自适应稀疏表示的多聚焦图像融合方法，根据原始图像中结构特征的不同将子块进行分类，使原始图像分为相同模型、平滑模型和细节模型。然后将相同模型直接放入融合结果图像中，对平滑模型和细节模型分别采用算术平均法和稀疏表示法进行图像块融合。本发明的有优点是能够分割出平滑模型和细节模型，减少稀疏编码的图像块数，从而在确保融合图像主观效果和客观性能指标均优的基础上，缩短了运算时间。
-
公开(公告)号：CN118072099A
公开(公告)日：2024-05-24
申请号：CN202410269441.5
申请日：2024-03-11
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/82
Abstract: 本发明公开了一种基于联合蒸馏回放策略的类增量学习方法，所述方法包括如下步骤：1)训练初始任务的蒸馏模型；2)设置一个缓冲区存储初始任务的蒸馏数据；3)建立基于旧任务的蒸馏数据与新任务的原始数据的联合蒸馏模型；4)在下一个任务训练过程中回放联合蒸馏数据。本技术方案利用旧任务的蒸馏数据与新任务的原始数据联合蒸馏，充分考虑旧任务的类别特征信息，以此避免特征模糊。在此基础上，保持新旧任务蒸馏过程中使用相同的学习率，并寻找一个最优的缓冲区规模以存储蒸馏数据用于回放，从而有效地缓解类增量学习场景中的灾难性遗忘，提升图像的分类效果。
-
公开(公告)号：CN110969638B
公开(公告)日：2023-09-29
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：CN116309395A
公开(公告)日：2023-06-23
申请号：CN202310184852.X
申请日：2023-03-01
Applicant: 桂林电子科技大学
IPC: G06T7/00 , G06T7/10 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于图像分割的慢暂现源检测方法，所述方法包概括：S1:导入天文图像数据；S2:图像预处理后，通过将多个不同时刻的二维天空快照图像堆叠成一个三维的天空图像立方体，再进行切分S3：图像小立方体筛选，计算出各个小图像立方体的方差和，将超过阈值的图像小立方体作为网络的输入；S4:构建神经网络训练模型，通过神经网络提取三维图像立方体空间和时间上的特征并训练得到慢暂现源检测模型；S5:导入待检测图像数据，通过慢暂现源检测模型对图像进行图像分割得到检测结果图。这种方法兼顾时间和空间的信息，提取时空间联合特征，能减少对专业天文软件的依赖、简化检测步骤并且能提升检测精确性和检测效率。
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.038 seconds)
