-
公开(公告)号：CN114723733A
公开(公告)日：2022-07-08
申请号：CN202210450336.2
申请日：2022-04-26
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于公理解释的类激活映射方法及装置。首先将电气设备图像输入至已训练好的CNN模型，并提取模型中目标卷积层的特征图，同时获取目标类别分数，利用反向传播计算特征图相对于分数的梯度并对其优化处理，将优化后的梯度进行全局平均池化操作得到权重，最后将权重与特征图线性结合，并进行上采样和归一化操作得到初始类激活图；将得到的初始类激活图与输入图像点乘，对点乘后的图像进行平滑操作后再送入模型，经过softmax操作后生成N个分数，最终平均到一个分数；最后将得到的分数与初始类激活图相乘，ReLU操作后得到最后的类激活图。利用本发明生成的类激活图在清晰度、对象定位等方面有更好的视觉解释。
-
公开(公告)号：CN110798842B
公开(公告)日：2022-06-28
申请号：CN201911005686.2
申请日：2019-10-22
Applicant: 湖北工业大学
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于多用户深度强化学习的异构蜂窝网络流量卸载方法。在考虑到多个小基站联合流量卸载优化问题的非凸性和组合特性的前提下，在建立异构蜂窝网络系统模型基础上，通过提出基于多智能体深度强化学习的网络流量卸载方法，采用分布执行与集中训练相结合的深度强化学习框架，通过小型基站相互之间消息传递以获得全局状态空间，结合宏蜂窝满意度和运营商追求利益的条件，以获得小型基站最优的服务热点区域和部署位置。
-
公开(公告)号：CN109818693B
公开(公告)日：2021-10-22
申请号：CN201910108947.7
申请日：2019-02-03
Applicant: 湖北工业大学
IPC: H04B17/382 , H04B17/391
Abstract: 本发明提出了一种动态非对称信息条件下多阶段协作频谱共享契约方法。本发明通过将协作通信网络映射成劳动力市场，将基于市场驱动的契约设计加入到无线协作频谱共享机制中，建立源节点模型和中继节点模型；考虑到无线协作通信网络中节点的自私性和网络信息的非对称性，针对中继节点位置和信道条件因素的动态特性，建立两阶段协作通信的动态契约模型；结合激励相容和个人理性的约束条件以及两阶段协作通信的动态契约模型，通过二次求导得到最优解。本发明方法易于实现，源节点和中继节点之间的信息交互较少，该方法所需的信令开销较少。
-
公开(公告)号：CN112151040A
公开(公告)日：2020-12-29
申请号：CN202011035890.1
申请日：2020-09-27
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于端到端联合优化及决策的鲁棒性说话人识别方法,采用卷积网络对语音信号进行特征提取和后端分类，旨在将原始的音频信号输入决策分析模型后直接输出识别结果，省略中间步骤，实现完全自动化的效果。其中使用参数化带通滤波器完成特征提取。后端分类决策则使用基于自注意力机制的深度残差网络，目的是更有效利用声学特征的深层次信息。本发明的说话人识别方法在背景噪声的环境下能够有效提升系统的识别性能，在降低噪声对系统性能影响、提高系统噪声鲁棒性的同时，优化系统结构，提高了相应说话人识别产品的竞争力。
-
公开(公告)号：CN112150566A
公开(公告)日：2020-12-29
申请号：CN202011034288.6
申请日：2020-09-27
Applicant: 湖北工业大学
Abstract: 本发明涉及图像处理领域，主要涉及一种基于特征融合的密集残差网络图像压缩感知重建方法。应用多个密集残差块，提出了一个基于压缩感知算法的密集残差网络(RDNCS)；每个密集残差块(RDB)包括连接记忆单元，局部特征融合单元，和局部残差学习单元。因此，本发明具有如下优点：1.在每一个RDB中，连接记忆单元机制、特征融合机制以及残差学习显著提高了图像重建质量。2.特征融合机制使得RDB网络获取的特征更加广泛与有效，自适应的获取重建所需的信息，而且降低了网络的特征图数量。
-
Patent Agency Ranking
公开(公告)号：CN111667444A
公开(公告)日：2020-09-15
申请号：CN202010478064.8
申请日：2020-05-29
Applicant: 湖北工业大学
Abstract: 本发明涉及图像处理领域，主要涉及一种基于多通道残差网络的图像压缩感知重建方法。本发明首先利用全卷积网络对输入数据进行测量，随后使用反卷积网络对测量信号进行初始重建，最后利用空洞卷积组成的多通道网络完成图像的深度重建。本发明能有效提高测量效率，输入为完整图像，不需要分块处理，且高精度重建原始图像重建，避免了分块效应。
-
公开(公告)号：CN110781773A
公开(公告)日：2020-02-11
申请号：CN201910958540.3
申请日：2019-10-10
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于残差神经网络的道路提取方法，基于残差神经网络，采用了编码器-解码器的网络结构，同时结合了空洞卷积模块(Dilated Convolutional Module,DCM)，提取更高维的特征信息；还采用多尺度特征融合的方法，学习更多低维和高维的特征，从而分割出准确的道路结构。本发明能显著提高了复杂背景下的道路提取效果。高分辨率遥感图像所包含的地面物体信息十分丰富，尤其对小尺度目标成像更加清晰。本发明能够解决车辆、绿化带和建筑物的阴影与遮挡对道路提取形成的干扰，对于光照不均以及对比度低的高分辨率遥感图像中的道路提取也有很好的效果。
-
公开(公告)号：CN110717523A
公开(公告)日：2020-01-21
申请号：CN201910891399.X
申请日：2019-09-20
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于D-LinkNet的低质量文档图像二值化方法，首先将彩色文档图像降维处理为灰度图像；然后对步骤1中获得的灰色图像，进行数据裁剪与扩增，获得统一大小的文档图像；接着将步骤2中获得的文档图像输入D-LinkNet模型中，训练D-LinkNet模型；通过反向传播优化损失函数；最后对图像进行测试得到二值化图像；本发明可以有效提取图像文本特征，忽略不重要信息，从而有效分割文本与背景；转移学习可以加速网络收敛，而且可以毫无损失的提升性能；采用扩张卷积可以在增加特征点感受野的同时保持细节信息。
-
公开(公告)号：CN107169504B
公开(公告)日：2019-06-18
申请号：CN201710200172.7
申请日：2017-03-30
Applicant: 湖北工业大学
Abstract: 本发明公开一种基于扩展非线性核残差网络的手写字符识别方法，在利用深度网络的结构特点上，提供一种新型深度学习方法—基于扩展非线性核残差网络算法。并将该深度学习算法应用在手写字符识别中，提出基于扩展非线性核残差网络的手写字符识别方法。该方法能深度地描述样本数据和期望数据的相关性，能高效的从原始数据中自动地学习数字图像特征；其次，该方法引入了合适的类内无监督聚类算法，克服了深度学习网络在手写字符识别领域现有的技术不足。本发明简单且易于实现，提升手写字符识别性能的同时，也提高了网络的训练效率。
-
公开(公告)号：CN109410114A
公开(公告)日：2019-03-01
申请号：CN201811092084.0
申请日：2018-09-19
Applicant: 湖北工业大学
CPC classification number: G06T1/0007 , G06N3/0454 , H03M7/3062
Abstract: 本发明涉及一种基于深度学习的压缩感知图像重建算法，方法步骤如下：S1：对图像数据进行预处理，包括提取数据的灰度值和对图像进行分块；S2：对已经切分好的图像块进行测量，获得测量矩阵；S3：构建一个10层的深度压缩感知重建网络；S4：在深度学习框架中对10层网络进行训练；S5：在经过深度神经网络后，得到重建图像块，按照索引，对图像块按照原始行列值进行重排；S6：图像块经过重排得到重建图像后，选择BM3D去噪器对图片进行降噪处理，最终得到重建图像。本发明提供的压缩感知图像重建算法，大部分所耗时间在网络训练阶段，待网络训练完成后图像重建速度非常之快。本发明通过深度学习网络取代了传统重建算法，但依然拥有良好的重建精度。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.04 seconds)
