-
公开(公告)号：CN111008507A
公开(公告)日：2020-04-14
申请号：CN201911074272.5
申请日：2019-11-06
Applicant: 长沙理工大学
IPC: G06F30/3308 , G06F119/02
Abstract: 本发明公开了一种受软错误影响的逻辑电路可靠性边界计算方法及设备，本发明方法包括：将电路可靠性目标表示为多阶段分量之和；对电路进行单故障模拟，获取T1值；对电路进行双故障模拟，获取T2值；计算电路的可靠性边界；与现有技术相比，本发明方法是利用概率分布模型，首先将待计算的大规模和超大规模逻辑电路可靠性目标表示为多阶分量之和的形式；然后模拟计算出单故障和双故障的电路工作情况，以此计算电路在故障发生时的正确输出概率；最后将模拟结果代入可靠性边界表达式即可得到电路可靠性的一阶与二阶上下限。本方法保证了在合理的时间内计算出与电路真实可靠性非常接近的可靠性边界值，且适用于大规模和超大规模逻辑电路的可靠性计算。
-
公开(公告)号：CN110650340A
公开(公告)日：2020-01-03
申请号：CN201910336500.5
申请日：2019-04-25
Applicant: 长沙理工大学
IPC: H04N19/132 , H04N19/177 , H04N19/19 , H04N19/42 , H04N19/597 , G06T5/00 , G06K9/46 , G06K9/62
Abstract: 本发明涉及一种时空复用的压缩视频成像方法,在成像系统中采用空间和时间复用压缩感知模块先后对光学信号进行调制,实现三维随机线性投影。从输入的三维信号的三个切面对信号进行解析表示，获得信号与系数沿各个维度的拉伸矩阵,通过三维张量的解析字典学习的共稀疏优化模型，对解析字典进行学习，得到图像帧的解析稀疏表示字典和视频信号的时间稀疏表示特征。通过时空复用的压缩视频成像方法，重建视频信号。根据视频重建的优化模型，重建一个初始视频估计，然后应用增广拉格朗日方法和应用变量替换将多约束的优化问题分解为多个子问题，最终采用交替方向方法求解，完成图像的重建。由于融合视频信号时空非局部相似性和其它结构化特性，构建视频信号互独立的多先验约束重建优化目标函数，降低解的自由度，引导优化问题的解趋向视频信号的固有特性。
-
公开(公告)号：CN107609595A
公开(公告)日：2018-01-19
申请号：CN201710846757.6
申请日：2017-09-19
Applicant: 长沙理工大学
Abstract: 本发明涉及一种线裁剪图像检测方法，该方法具体分为训练和测试二个阶段；训练阶段步骤：步骤一：将原始图像和裁剪图像作为训练集；判断输入图像是否为灰度图像；步骤二：对训练集的灰度图像样本逐个提取LBP(local binary patterns)和WLD(Weber local descriptor)直方图特征；步骤三：使用Kruskal-Wallis方法对提取的特征进行降维处理；测试阶段步骤：步骤一：对测试图像按训练阶段步骤一进行灰度化处理；步骤二：对测试图像按训练阶段的步骤二进行LBP和WLD特征提取操作；步骤三：根据训练阶段步骤三产生相应的降维特征通过串联操作形成融合特征集；最后，由SVM(Support Vector Machine)分类器自动选择最优参数来判断测试图像是否经过了线裁剪操作。该方法可广泛用于线裁剪图像检测领域中。
-
公开(公告)号：CN104822063A
公开(公告)日：2015-08-05
申请号：CN201510180111.X
申请日：2015-04-16
Applicant: 长沙理工大学
IPC: H04N19/114 , H04N19/573 , H04N19/177 , H04N19/61
Abstract: 本发明涉及压缩感知和视频编解码领域，是一种基于字典学习残差重建的压缩感知视频重建方法。该方法先对视频划分图像组（Group of Picture,GOP），每组指定关键帧和非关键帧，关键帧和非关键帧采用不同采样率、不同方法逐帧逐块顺序编码。在解码端，取一个GOP，先采用多参考帧加权平均获得其初始重建；再采取迭代法获得GOP的最终重建。在迭代中先使用多参考帧对当前帧进行运动估计获得其运动补偿图像；接着采用多参考帧残差域字典学习，获得当前帧各个块的残差域自适应基，进行残差重建；最后，根据各帧的运动补偿图像和残差，得到该GOP的最终重建，进而得到重建视频，实现压缩感知视频的高质量重建。该方法可广泛应用于基于压缩感知的视频重建等多个领域。
-
公开(公告)号：CN103997645A
公开(公告)日：2014-08-20
申请号：CN201410180404.3
申请日：2014-04-29
Applicant: 长沙理工大学
IPC: H04N19/11 , H04N19/159 , H04N19/147
Abstract: 本发明涉及一种快速的高效视频编码（HighEfficiencyVideoCoding，HEVC）帧内编码单元和模式决策方法，包括下列步骤：1）设置阈值的有效长度；2）对于视频序列的第一帧正常编码，并将每个最大编码单元（LargestCodingUnit,LCU）最终的编码深度和离散化全变差(DiscreteTotalVariation,DTV)值存入缓存区中；3）统计缓存区中的DTV，根据深度范围得出阈值和阈值；4）对于余下N-1帧，根据当前LCU的DTV值和阈值，跳过概率很小的深度，在每一深度搜索时采用基于方向梯度的快速模式搜索算法；5）将第+1帧设置为首帧，重复1）、2）、3）、4），直到编码完所有帧。该方法采用自适应的DTV阈值决策,减小宏块单元搜索的数量，采用基于方向梯度特征简化了模式搜索的过程，加快了编码速度。
-
Patent Agency Ranking
公开(公告)号：CN116596790B
公开(公告)日：2025-04-29
申请号：CN202310564544.X
申请日：2023-05-18
Applicant: 长沙理工大学
Abstract: 本发明公开了一种图像修复方法、系统、设备及存储介质，包括将待修复图像输入编码器进行特征转化，得到编码特征图像，根据空间路径对编码特征图像进行空间信息特征提取，得到第一特征图像；能够获取到更有效地特征信息，根据上下文路径对编码特征图像进行上下文信息特征提取，得到第二特征图像；能够提供具有全局上下文信息的最大感受野，将第一特征图像与第二特征图像进行特征融合，得到特征融合图像；根据若干个残差块对编码特征图像进行特征提取，得到第三特征图像；将特征融合图像与第三特征图像进行连接，得到连接后融合特征图像；将连接后融合特征图像输入解码器进行解码，得到修复好的图像，提升了修复图像的质量。
-
公开(公告)号：CN114708635B
公开(公告)日：2025-04-18
申请号：CN202210331682.9
申请日：2022-03-31
Applicant: 长沙理工大学
IPC: G06V40/16 , G06V40/40 , G06V20/40 , G06V10/764 , G06V30/19 , G06V10/82 , G06N3/0442 , G06N3/049 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/092
Abstract: 本发明公开了一种基于MesoNet和LSTM的面部视频篡改检测方法，通过改进的MesoNet网络提取帧图像的特征并进行分类；将提取的特征、分类结果与预设权重组合成新参数，将所有帧图像的新参数输入LSTM网络，使LSTM网络对帧图像自适应加权，处理目标视频中不同质量帧图像对目标视频的检测影响，提高对目标视频篡改检测精度的可靠性；将帧图像级别的篡改检测与视频级别的篡改检测分开评估，LSTM网络加强了时域特征在视频取证检测中的作用，也避免了参数后传过程对帧图像级的改进的MesoNet网络参数影响；而且改进的MesoNet网络具有比较少的网络层数和参数，可提高特征学习速度，还能增强其面部特征表述能力。
-
公开(公告)号：CN114612847B
公开(公告)日：2025-04-11
申请号：CN202210330676.1
申请日：2022-03-31
Applicant: 长沙理工大学
IPC: G06V20/40 , G06V10/74 , G06V40/16 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种Deepfake视频篡改检测方法以及系统，本发明基于子空间连续学习思想，将目标视频中帧图像序列的不同子空间区域，全部经过级联网络的特征提取，级联网络对同一张帧图像的不同子空间区域分别学习特征，能对篡改遗留下的不平衡痕迹进行有效利用；另外级联网络在学习像素邻域特征的同时，也兼顾了彩色图像三通道的关联性特征，其充分捕捉人脸面部子空间区域之间的特征关系以及RGB图像通道之间的色彩分布特征，能够提高对目标视频的篡改检测的准确度；而且相较于现有基于数据驱动的CNN或GAN的深度学习网络，本发明使用的级联网络的参数量较少，极大的减少特征学习的时间，提高了整体的篡改检测效率。
-
公开(公告)号：CN114462382B
公开(公告)日：2024-11-01
申请号：CN202210264113.7
申请日：2022-03-17
Applicant: 长沙理工大学
IPC: G06F21/60 , G06F40/205 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种多类自然语言隐写分析方法，包括以下步骤：步骤1.将隐写分析任务数据集表示为词向量矩阵；步骤2.文本的深度多任务隐写分析特征表示获取；步骤3.多任务隐写分析模型的训练；步骤4.使用最优多任务隐写分析模型对测试集文本进行隐写分析；其中，步骤1包括：1.1定义多个隐写分析任务，分别为：(1)生成式隐写文本与正常文本隐写分析任务；(2)生成式隐写文本与自然文本隐写分析任务；(3)嵌入式隐写文本与正常文本隐写分析任务；(4)嵌入式隐写文本与自然文本隐写分析任务；(5)正常文本和自然文本分类任务；1.2将每个隐写分析任务的数据集中的文本通过词向量矩阵进行表示。
-
公开(公告)号：CN113705570B
公开(公告)日：2023-12-08
申请号：CN202111012122.9
申请日：2021-08-31
Applicant: 长沙理工大学
IPC: G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的少样本目标检测方法，该方法获取少样本目标检测的数据集；将所述数据集划分为训练集和验证集，将所述训练集划分为支持集和询问集；构建目标检测网络模型和所述目标检测网络模型的目标损失函数；根据所述训练集和所述目标损失函数对所述目标检测网络模型进行训练，得到训练完成后的所述目标检测网络模型；根据所述验证集对训练完成后的所述目标检测网络模型进行验证。本发明能够提高少样本目标检测网络模型的准确性和泛化性，该目标检测方法还结合了深度学习，使用了需要候选框的双阶段目标检测，能够提高少样本检测的精确度。(56)对比文件Zhang, DY 等.Few-Shot ObjectDetection Based on the Transformer andHigh-Resolution Network.CMC-COMPUTERSMATERIALS & CONTINUA.2022,第74卷(第2期),第3439-3454页.张新;郭福亮;梁英杰;陈修亮.基于R-CNN算法的海上船只的检测与识别.计算机应用研究.2020,(第S1期),第324-325+329页.
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.072 seconds)
