-
公开(公告)号：CN1852088B
公开(公告)日：2011-07-27
申请号：CN200510100337.0
申请日：2005-10-13
Abstract: 一种流媒体传输码流的加密解密方法及模块，发送端选取分包后的若干个流媒体数据包组成一个加密单元；再对加密单元中的数据分别进行置换加密和流加密；对加密单元中的数据再次进行分包，并依次编号，记录数据包在加密单元中的位置；对分包后的数据包进行发送。本发明针对分包后的流媒体数据分别进行置换加密和流加密，该密码算法是对称的，接收端收到媒体数据后，可采用原理相同的方法依次对包数据进行流解密和置换解密，最终得到解密的流媒体数据。本发明联合使用流加密和置换加密能有效抵抗已知明文的攻击，并具有良好的容错性，而且不影响压缩效率。
-
公开(公告)号：CN1852088A
公开(公告)日：2006-10-25
申请号：CN200510100337.0
申请日：2005-10-13
Abstract: 一种流媒体传输码流的加密解密方法及模块，发送端选取分包后的若干个流媒体数据包组成一个加密单元；再对加密单元中的数据分别进行置换加密和流加密；对加密单元中的数据再次进行分包，并依次编号，记录数据包在加密单元中的位置；对分包后的数据包进行发送。本发明针对分包后的流媒体数据分别进行置换加密和流加密，该密码算法是对称的，接收端收到媒体数据后，可采用原理相同的方法依次对包数据进行流解密和置换解密，最终得到解密的流媒体数据。本发明联合使用流加密和置换加密能有效抵抗已知明文的攻击，并具有良好的容错性，而且不影响压缩效率。
-
公开(公告)号：CN1564602A
公开(公告)日：2005-01-12
申请号：CN200410012857.1
申请日：2004-03-18
Applicant: 华中科技大学
IPC: H04N7/24
Abstract: 本发明属于图象处理技术，特别涉及视频编解码器中图像数据压缩的整数变换，针对当前我国将要制定的第一个音视频编码标准(AVS)采用8乘8整数类DCT变换，提出了一种整数变换的变换基选择方法，综合评价变换基的去相关效率和能量集中率两项指标及变换基变换动态范围和计算复杂度，并通过此方法提出两组性能优异的8乘8整数变换基(5，6，4，1)和(4，5，3，1)，并得到基于这两组基的整数变换快速算法。
-
公开(公告)号：CN118674929A
公开(公告)日：2024-09-20
申请号：CN202410822470.X
申请日：2024-06-25
Applicant: 华中科技大学
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明涉及计算机视觉技术领域，提供了一种基于分割万物模型和前融合的指令分割方法和装置。包括：选取前融合的多模态特征提取编码器，将文本提示与低分辨率图像进行前期联合编码处理；构造嵌入维度投影层，使用嵌入维度投影层转换联合编码后的多模态特征至统一的嵌入空间；优化提示词编码器适配性。本发明通过使用前融合的多模态特征提取编码器，使不同模态的输入在早期阶段进行融合，从而能够更早地整合不同模态的信息，提高模型对指令内容的理解能力和分割精度，即提高模型的性能，并且通过优化提示词编码器适配性，以保持输入和输出的一致序列长度，从而确保实际训练和推理的不稳定，并实现模型的轻量化。
-
公开(公告)号：CN114140322B
公开(公告)日：2024-07-05
申请号：CN202111374589.8
申请日：2021-11-19
Applicant: 华中科技大学
IPC: G06V10/26 , G06T3/4038 , G06T3/4007 , G06V10/74 , G06V20/70
Abstract: 本发明公开了一种注意力引导插值方法：对初始低分辨率特征图利用双线性插值进行上采样得到上采样的低分辨率特征图，并将上采样的低分辨率特征图与初始高分辨率特征图拼接得到查询特征矩阵；将上采样的低分辨率特征图看作键特征矩阵和值特征矩阵，把查询特征矩阵和键特征矩阵输入到相似度函数中，并将相似度函数输出的结果输入归一化指数函数，计算得到相似度矩阵，再通过相似度矩阵和值特征矩阵求出每一个高分辨率特征图中像素的特征向量，得到中间高分辨率特征图；将中间高分辨率特征图Fa和上采样的低分辨率特征图Fl拼接，再通过1x1的卷积，得到最终输出的高分辨率特征图。本发明还公开了相应的低延迟语义分割方法。
-
Patent Agency Ranking
公开(公告)号：CN117635944A
公开(公告)日：2024-03-01
申请号：CN202311658529.8
申请日：2023-12-04
Applicant: 华中科技大学
IPC: G06V10/26 , G06V10/25 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了一种基于分割大模型的高精度弱监督目标检测分割方法。该方法先利用分类线索提示分割大模型用以生成高召回的图片建议框，再基于该建议框训练弱监督目标检测网络。同时本发明还提出了动态伪标签生成策略用以提升弱监督网络产生的伪标签质量，以及感兴趣区域/查询丢弃方法用以降低伪标签中的噪声影响。此外，本方法可以进一步扩展到弱监督物体分割任务，即通过弱监督检测的伪标签提示分割大模型，用以生成高质量实例伪标签。该实例伪标签能够为物体分割网络提供相比以往弱监督物体分割方法更精细的监督信息。该方法准确而高效，在多个弱监督实例识别基准上取得了远超其他方法的精度与速度。
-
公开(公告)号：CN112668305B
公开(公告)日：2024-02-09
申请号：CN202011393595.3
申请日：2020-12-03
Applicant: 华中科技大学
IPC: G06F40/211 , G06F40/289 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于注意力机制的论文引用量预测方法与系统。对于待预测的论文，首先使用深度神经网络来提取特征，然后通过注意模块过滤掉那些不重要的句子，从而将较长的论文简化为较短的文本，再将这个精简的版本输入预测模型，即可在硬件资源有限的情况下充分利用论文信息，来更准确地预测论文引用量。该方法的预测过程分为两步：第一步，并列输入文章中的所有句子，得到每个句子的注意力权重，即为每个句子的重要性；第二步，根据每个句子的重要性，只选择一些关键的句子拼接成精简的文章，最后根据精简的文章来预测论文的引用量。本发明还提供了相应的基于注意力机制的论文引用量预测系统。
-
公开(公告)号：CN115797390A
公开(公告)日：2023-03-14
申请号：CN202211484285.1
申请日：2022-11-24
Applicant: 华中科技大学
IPC: G06T7/194 , G06V10/40 , G06V10/80 , G06V10/82 , G06V20/40 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/0895
Abstract: 本发明公开了一种基于Query机制的半监督视频物体分割方法：将参考帧与当前帧分别输入同一个主干网络提取图像特征；将参考帧的分割掩膜通过一层卷积层提取掩膜特征，然后与相应的图像特征相加进行融合得到参考特征；用参考帧的参考特征作为参考，构建键值对输入Transformer，同时前景Query和背景Query作为探针输入Transformer；将前景Query和背景Query作为参考，当前帧的图像特征作为探针，输入另一个Transformer；将当前帧图像特征输入特征金字塔网络进行解码；将前景Query和背景Query与解码后的当前帧特征做矩阵乘进行融合；同组内的Query对每个像素取最大，前景和背景两个掩膜再进行逐像素Softmax操作，根据值的大小判断是前景还是背景。本发明还提供了相应的基于Query机制的半监督视频物体分割装置。
-
公开(公告)号：CN115272389A
公开(公告)日：2022-11-01
申请号：CN202210859274.0
申请日：2022-07-20
Applicant: 华中科技大学同济医学院附属协和医院
Abstract: 本发明公开了一种带有内膜瓣注意力模块的主动脉夹层分割方法，包括如下步骤：对主动脉体积上下采样形成3D的CT图像，提取CT图像中的体素并进行立方形态学开运算；在CT图像中的主动脉夹层上标注真腔MTL和假腔MFL，使用形态扩张操作生成内膜瓣标注Mflap：利用生成的内膜瓣标注Mflap作为监督，训练第一U‑Net神经网络来预测生成内膜瓣掩码及内膜瓣置信度图，将主动脉夹层待分割的体素输入第一U‑Net神经网络中进行训练得到预测结果，计算出第一U‑Net神经网络输出的预测内膜瓣和内膜瓣标注之间的dice损失函数并进行反向传播，得到第一U‑Net神经网络的模型；将经过第一U‑Net神经网络预测生成的内膜瓣掩码输入至第二U‑Net神经网络进行更加平滑有效地训练，得到最终网络模型进行分割。
-
公开(公告)号：CN112927245B
公开(公告)日：2022-06-21
申请号：CN202110388605.2
申请日：2021-04-12
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于实例查询的端到端实例分割方法：(1)训练基于实例查询和多层级并行掩码监督的端到端实例分割算法模型，包括以下子步骤：(1.1)对原始数据集中所有图片的感兴趣类别的物体进行实例级别的标注，标签为实例级别的包围框的左上及右下顶点和实例对应的前景掩码，得到带标注的标准训练数据集；(1.2)定义基于实例查询向量以及多层级并行掩码监督的端到端实例分割算法模型，利用反向传播和梯度下降算法训练该基于实例查询向量以及多层级并行掩码监督的端到端实例分割算法模型；(2)利用上述训练好的模型对待识别图片进行实例分割。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.025 seconds)
