-
公开(公告)号：CN101765021A
公开(公告)日：2010-06-30
申请号：CN200910189143.0
申请日：2009-12-16
Applicant: 清华大学深圳研究生院
Abstract: 本发明公开了一种时分式双目立体显示方法及时分式双目立体显示系统。所述的时分式双目立体显示方法为先获取双目摄像机对应的双路视频信号；将得到的双路视频信号的每一路视频信号对应的隔行扫描的奇数场视频信号和偶数场视频信号合成为逐行扫描的帧视频信号；再根据得到的逐行扫描的帧视频信号进行倍频处理，合成生成倍频的双路立体视频信号输出。本发明所述的时分式双目立体显示系统由于采用了上述方法，能在使用双目摄像机采集的隔行扫描的视频信号的前提下，有较高的图像质量，显示效果好，并且由于保持了较高的扫描频率，信号稳定。且是在传统系统基础上的优化，最大限度的利用了现有的制式体制及设备，减少了成本，简单易行。
-
公开(公告)号：CN101685533A
公开(公告)日：2010-03-31
申请号：CN200910109433.X
申请日：2009-08-18
Applicant: 清华大学深圳研究生院
Abstract: 本发明公开了一种眼底OCT图像的视神经纤维层自动分割方法，包括以下步骤：A.确定视网膜区域的内层轮廓u(s)＝[x(s)，y(s)]和外层轮廓v(s)＝[x(s)，y(s)]；B.以局部结构数据p(x，y)的方式描述出视网膜区域，并在构建水平集函数φ的基础上，建立基于局部结构数据p(x，y)的能量泛函：(公式见上式)；C.最小化能量泛函，求解出φ(x，y)＝0时的分界曲线m＝{(x，y)|φ(x，y)＝0}，将分界曲线m(s)与外层轮廓v(s)之间的区域确定为视神经纤维层区域。本发明提供的方法能对眼底OCT图像的视神经纤维层进行可靠、精确的分割。
-
公开(公告)号：CN101539995A
公开(公告)日：2009-09-23
申请号：CN200910106894.1
申请日：2009-04-24
Applicant: 清华大学深圳研究生院
Abstract: 一种基于手指静脉纹与手指背纹的成像设备及多模态身份认证方法，成像设备包括一个采集支架，其上设置手指放置凹型区；一个可见光成像装置，安装于采集支架上手指放置区的一侧，用于获取手指的指背图像；一个近红外成像装置，安装于采集支架上与所述可见光成像装置相对的手指放置区的另一侧，用于在近红外光源照射下获取手指的静脉图像，以及一个条形近红外光源，安装于采集支架上，用于从手指侧面向手指照射近红外光。身份认证方法包括注册过程和认证过程，其在采用的生物特征包括同一手指的指背纹和静脉纹。还涉及包括上述成像设备的身份认证设备。它具有较好的抗伪造性能，能有效提高生物特征识别系统的稳定性和适用性。
-
公开(公告)号：CN101464945A
公开(公告)日：2009-06-24
申请号：CN200810217350.8
申请日：2008-11-14
Applicant: 清华大学深圳研究生院
Abstract: 一种基于指背关节纹理的身份特征识别方法，包括注册步骤和认证步骤，注册步骤包括：利用图像采集装置采集授权用户手指背面关节表面纹理图像；对采集到的图像样本进行预处理；从预处理后的图像中提取关节表面纹理的特征；建立特征数据库，将提取到的特征存储在该数据库中；认证步骤包括：利用图像采集装置采集访问用户手指背面关节表面纹理图像；对采集到的图像样本进行预处理；从预处理后的图像中提取关节表面纹理的特征；将提取到的特征与所述数据库中的模板特征进行匹配，给出匹配结果；将所述匹配结果与判决阈值比较，判定访问用户是否为授权用户。本识别方法能可靠地进行身份鉴别，可广泛应用于公共和个人安全领域的身份识别系统中。
-
公开(公告)号：CN119166861A
公开(公告)日：2024-12-20
申请号：CN202411179279.4
申请日：2024-08-26
Applicant: 清华大学
IPC: G06F16/903 , G06N3/042 , G06F18/23 , G06F16/901
Abstract: 本公开涉及人工智能技术领域，尤其涉及一种基于图神经网络的网络预测方法及装置、电子设备和介质，方法包括获取状态预测任务，基于目标网络中各目标节点与各超节点之间的映射关系确定出分配矩阵，利用分配矩阵对目标网络进行重整化群得到网络主干，利用图神经网络对网络主干进行处理得到各超节点的动力学序列，基于动力学序列进行状态预测得到各超节点在预测时间段的节点状态，基于历史观测序列和各超节点在预测时间段的节点状态进行超分辨率处理得到各目标节点在预测时间段的节点状态。根据本公开的网络预测方法及装置、电子设备和介质能够在对待预测的目标网络这一复杂网络进行有效降维后，实现对复杂网络的长时准确预测。
-
Patent Agency Ranking
公开(公告)号：CN117558057B
公开(公告)日：2024-04-16
申请号：CN202410044997.4
申请日：2024-01-12
Applicant: 清华大学深圳国际研究生院
IPC: G06V40/16 , G06V10/80 , G06V10/74 , G06V10/762
Abstract: 一种人脸识别方法，包括：将原始人脸特征按不同位置段划分初始人脸子特征，存放到对应的第一编码空间中；基于初始人脸子特征及辅助特征，对各第一编码空间中的初始人脸子特征进行第一量化处理，得到对应的第二编码空间；为各第二编码空间构建码本及包含各第二编码空间中的原始人脸特征的搜索底库；根据待搜索人脸特征的待搜索码字向量在搜索底库中查找对应的码字，确定预设数量的候选人脸特征；将待搜索人脸特征与候选人脸特征进行特征比对，根据特征比对结果确定待搜索的人脸的搜索结果。通过在乘积量化中利用辅助特征进行聚类，使得聚类结果可以考虑原始人脸特征中的全局信息，提高了人脸子特征的聚类准确性，进而提高了人脸识别的准确性。
-
公开(公告)号：CN117557888B
公开(公告)日：2024-04-12
申请号：CN202410046717.3
申请日：2024-01-12
Applicant: 清华大学深圳国际研究生院
Abstract: 一种基于度量学习的人脸模型训练方法和人脸识别方法，其训练过程包括迭代权重参数的更新过程，在第一训练阶段，基于全精度浮点数的权重参数和全精度浮点数的人脸特征对进行训练；在第二训练阶段，基于定点化的权重参数和全精度浮点数的人脸特征对进行训练；通过将全精度浮点数的权重参数进行定点化，保持人脸特征对的输出为全精度浮点数，通过定点化的权重参数对样本人脸对进行处理，得到人脸特征对，根据第二训练阶段的人脸特征对的损失值计算出反向传播算法需要的梯度，利用梯度进行反向传播，以更新待训练人脸模型的权重参数；在第三训练阶段，基于定点化的权重参数和人脸特征对进行训练。本发明可避免模型转换造成的精度损失。
-
公开(公告)号：CN117853374A
公开(公告)日：2024-04-09
申请号：CN202410031382.8
申请日：2024-01-09
Applicant: 清华大学深圳国际研究生院
IPC: G06T5/77 , G06T5/90 , G06N20/00 , G06T3/4038 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/74
Abstract: 本发明公开了一种低光图像增强方法与系统，该方法包括：S1、利用分解网络将原始低光图像及对应的正常光参考图像都分别分解为反射图与光照图，得到低光图像反射图、低光图像光照图、参考图像反射图和参考图像光照图；S2、利用低光图像反射图与参考图像反射图，计算互信息最大化的对比学习损失函数，实现对低光图像反射图的细节增强；S3、将低光图像光照图分别与原始低光图像、增强后的低光图像反射图在高维空间进行光照对齐，得到第一对齐结果和第二对齐结果；将第一对齐结果和第二对齐结果拼接后，利用基于空洞密集残差连接块的光照恢复网络，恢复出低光图像。该系统包括分解网络、基于对比学习的分解增强模块和光照恢复模块。
-
公开(公告)号：CN117557888A
公开(公告)日：2024-02-13
申请号：CN202410046717.3
申请日：2024-01-12
Applicant: 清华大学深圳国际研究生院
Abstract: 一种基于度量学习的人脸模型训练方法和人脸识别方法，其训练过程包括迭代权重参数的更新过程，在第一训练阶段，基于全精度浮点数的权重参数和全精度浮点数的人脸特征对进行训练；在第二训练阶段，基于定点化的权重参数和全精度浮点数的人脸特征对进行训练；通过将全精度浮点数的权重参数进行定点化，保持人脸特征对的输出为全精度浮点数，通过定点化的权重参数对样本人脸对进行处理，得到人脸特征对，根据第二训练阶段的人脸特征对的损失值计算出反向传播算法需要的梯度，利用梯度进行反向传播，以更新待训练人脸模型的权重参数；在第三训练阶段，基于定点化的权重参数和人脸特征对进行训练。本发明可避免模型转换造成的精度损失。
-
公开(公告)号：CN114764942A
公开(公告)日：2022-07-19
申请号：CN202210555142.9
申请日：2022-05-20
Applicant: 清华大学深圳国际研究生院
IPC: G06V40/16 , G06V10/774 , G06K9/62
Abstract: 本发明公开了一种难正负样本在线挖掘方法，用于人脸识别模型的训练过程，包括如下步骤：S1、获取由第一图形处理器从样本人脸对提取到的特征向量对；S2、根据所述特征向量对计算所述样本人脸对的损失函数；S3、根据所述损失函数，对所述样本人脸对进行难正负样本挖掘，得到包含难正负样本人脸对的目标样本集；S4、计算所述目标样本集中各所述难正负样本人脸对的梯度，并将所述梯度传送到第二图形处理器，以使所述第二图形处理器通过所述梯度进行反向传播，对模型参数进行调整，并将调整后的模型参数共享给所述第一图形处理器。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.02 seconds)
