-
公开(公告)号：CN116091316A
公开(公告)日：2023-05-09
申请号：CN202310031881.2
申请日：2023-01-10
Applicant: 西北大学
IPC: G06T3/40 , G06T5/50 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本申请涉及一种网格约束图像拼接方法及模型构建方法，通过建立一种基于深度学习的无监督神经网络图像拼接模型，用于从输入图像中动态提取图像特征，将训练完成的模型用于古代壁画图像拼接，为今后深度学习技术在文化遗产数字化保护中的应用和推广提供强有力的技术支撑，克服了现有图像拼接技术中存在的结果伪影以及细节缺失问题。
-
公开(公告)号：CN111222519B
公开(公告)日：2023-03-24
申请号：CN202010049526.4
申请日：2020-01-16
Applicant: 西北大学 , 陕西历史博物馆(陕西省文物交流中心)
IPC: G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06T5/00 , G06T7/13 , G06T7/181 , G06T7/194 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种层次化彩绘文物线稿提取模型构建、方法及装置，首先通过提出新的加权损失函数，在BDCN边缘检测神经网络中引入传统FDoG方法，从而得到更加完整的线稿粗提取结果；再通过提出新的多尺度U‑Net网络，在粗提取的基础上抑制病害，得到更为细致、干净的线稿图像。该方法有效结合了BDCN神经网络和传统FDoG方法的优点，在学习明显边缘的同时能够同时学习细节，使得提取的线稿更加完整，甚至补充部分受病害影响断裂的线稿，进一步的，通过多尺度U‑Net网络细化线稿，抑制病害。与现有方法相比，该方法在干净以及复杂背景下均能更有效提取文物线稿图像。
-
公开(公告)号：CN109886870B
公开(公告)日：2023-03-03
申请号：CN201811635472.9
申请日：2018-12-29
Applicant: 西北大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于双通道神经网络的遥感图像融合方法，利用ARSIS思想，首先通过一个双通道网络联合学习，去提取全色图像高通滤波后的高频分量中的空间细节信息；然后使用细节注入模型将空间细节信息注入到多光谱图像的各个波段图像，得到所需的高分辨率多光谱图像；本发明有效利用深度学习的优点，通过双通道网络联合训练，学习得到全色图像不同于多光谱图像各波段图像的空间细节信息，充分利用图像内部和图像间的相关性，使得细节重构更为准确；同时，使用细节注入模型有效地控制注入细节的数量，显著提高融合算法的空间信息保存性能，并很好地保持原始多光谱图像的光谱特性。
-
公开(公告)号：CN114596218A
公开(公告)日：2022-06-07
申请号：CN202210087779.X
申请日：2022-01-25
Applicant: 西北大学
Abstract: 本发明提供一种基于卷积神经网络的古代绘画图像修复方法、模型和装置，本方法在构建古代绘画图像修复模型时，通过结构分支和纹理分支采用信息互补策略在多个尺度上进行特征提取，提升对于图像结构信息的利用；并将提取到的复杂特征继续在原始分辨率上进行像素级细节填充，从而更大限度地复原出图像的真实纹理细节。本发明能更加有效地利用图像结构和纹理信息来预测破损孔洞，重建出高品质的古代绘画图像，提高了古代绘画图像修复效果。
-
-
Patent Agency Ranking
公开(公告)号：CN111127374B
公开(公告)日：2022-02-11
申请号：CN201911155272.8
申请日：2019-11-22
Applicant: 西北大学
Abstract: 本发明公开了一种基于多尺度密集网络的pan‑sharpening方法，首先将原始多光谱图像上采样后与原始全色图像堆叠，形成网络的输入；然后通过一卷积层提取输入图像中的浅层低级特征；将取到的浅层低级特征作为输入，通过密集连接的多尺度密集块来充分提取原始全色图像中的空间信息和原始多光谱图像中的光谱信息，并将所有输出传递到全局特征融合层，进行特征的学习与融合；最后通过图像重建，利用全局残差学习重建高分辨率多光谱图像。本发明有效利用多尺度特征提取以及密集连接的优点，通过一个端到端的深层卷积神经网络实现pan‑sharpening，最终可获得兼具高空间和高光谱分辨率的融合图像。
-
公开(公告)号：CN109214882B
公开(公告)日：2021-06-25
申请号：CN201810743350.5
申请日：2018-07-09
Applicant: 西北大学
Abstract: 本发明公开了一种商品推荐方法，用于为用户提供商品推荐序列，首先根据用户对商品的评分信息，建立第一用户‑商品评分矩阵，其次利用两两商品之间的相似性填充所述的第一用户‑商品评分矩阵，获得第二用户‑商品评分矩阵，接着对所述的第二用户‑商品评分矩阵进行分解，获得用户因子矩阵P以及商品因子矩阵Q，采用具有时间效应的缓存机制更新所述的用户因子矩阵P以及商品因子矩阵Q，获得商品评分序列，对所述的商品评分序列按照数值从大到小进行排序，获得商品推荐序列；本发明提供的商品推荐方法把用户对商品评论的时间特征融合进算法，使传统的矩阵分解算法具有了时间效应，提高了推荐算法的准确率。
-
公开(公告)号：CN107845065B
公开(公告)日：2021-06-15
申请号：CN201710835137.2
申请日：2017-09-15
Applicant: 西北大学 , 西安空间无线电技术研究所
Abstract: 本发明提供了超分辨率图像重建装置，包括：训练样本获取单元，获取训练样本；字典构建单元，构建字典；低分辨率图像输入单元，将低分辨率图像转化为高分辨率图像初始估计；稀疏编码单元，根据字典对当前估计的高分辨率图像的细节层中每个图像片进行稀疏编码；图像更新单元，更新当前估计的高分辨率图像的细节层；超分辨率图像重建单元，迭代求解呈收敛状态时，则存储更新后的高分辨率图像估计，否则循环迭代执行对高分辨率图像估计和高分辨率图像估计的细节层中每个图像片的稀疏编码。本发明还提出了相应的超分辨率图像重建方法。通过本发明的技术方案，可以显著地提高磁共振图像分辨率，有效地去除图像噪声和模糊等失真，恢复出复杂细微结构，具有更好的主客观效果。
-
公开(公告)号：CN112950644A
公开(公告)日：2021-06-11
申请号：CN202110284664.5
申请日：2021-03-17
Applicant: 西北大学
Abstract: 本发明提供了一种基于深度学习的新生儿大脑图像分割方法及模型构建方法，对数据集中包括双模态磁共振图像和基准图像进行预处理；预构建特征强化双模态分割网络模型FedNet，用与处理后的数据集对特征强化双模态分割网络模型FedNet进行训练，将处理后的数据集输入训练好的特征强化双模态分割网络模型FedNet中，输出分割后的二维图像；对分割后的二维图像进行重建，输出和预处理前图像大小相同的已分割的新生儿大脑磁共振图像；本发明采用双通道特征强化下采样模块，通过不同模态分别进行卷积和最大池化处理，这样充分结合了双通道输出的特征信息的多样性，本发明中提出注意上采样模块，使得分割网络能够具有注意的特征，从而提升了网络分割的精准度。
-
公开(公告)号：CN109002755B
公开(公告)日：2020-09-01
申请号：CN201810563826.7
申请日：2018-06-04
Applicant: 西北大学
Abstract: 本发明公开了一种基于人脸图像的年龄估计模型构建方法及估计方法，本发明采用了基于肤色分类和深度标签分布学习的方法，对MORPH数据库人脸图像进行年龄估计，将个体肤色差异的影响考虑到年龄估计方法之内，与已有的方法相比较能够有效的减少肤色差异带来的影响，将Inception‑V3深度卷积神经网络最后的全局平均池化层改为全局最大池化层，能够减小卷积层参数误差造成估计值均值偏移的问题，更多的保留了纹理信息，并采用深度标签分布学习算法和Inception‑V3深度卷积神经网络，使用迁移学习对数据进行网络微调，通过理论分析和实验验证了该方法的可行性和有效性。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.024 seconds)
