-
公开(公告)号：CN117746140A
公开(公告)日：2024-03-22
申请号：CN202311772256.X
申请日：2023-12-21
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06N3/084 , G06F18/22 , G06V10/82 , G06N3/045
Abstract: 一种基于提示词微调和特征重放的小样本类增量图像分类方法，属于计算机视觉领域中的小样本类增量图像分类领域。本发明针对现有基于纯视觉模型的小样本类增量图像分类方法分类能力差的问题。包括使用可学习提示词和类别名的拼接作为文本编码器的输入，利用图像特征和文本特征的匹配结果，以及真实标签计算交叉熵损失函数来优化可学习提示词；利用上一阶段训练好的提示词来初始化当前阶段的提示词，根据每个类别训练图片的特征，以及VAE输出的合成特征，来估计每个类别特征层面上的高斯分布；在当前阶段使用旧类别的特征高斯分布做虚拟特征采样，计算交叉熵损失函数，并综合新旧类别的交叉熵损失来约束提示词的优化方向。本发明用于增量图像分类。
-
公开(公告)号：CN116757932A
公开(公告)日：2023-09-15
申请号：CN202310735103.1
申请日：2023-06-20
Applicant: 哈尔滨工业大学
IPC: G06T3/40 , G06N3/0464 , G06V10/42 , G06V10/80
Abstract: 一种基于循环神经网络的多帧图像超分辨率方法，属于图像复原技术领域。本发明针对现有低分辨率图像采用单张图像复原，复原结果细节不足的问题。包括：设置循环神经网络作为超分辨率模型的基本架构，并对循环神经网络进行训练，得到多帧图像超分辨率网络；所述循环神经网络包括N个分支，其中第1分支包括第1编码器、第1融合模块和第1上采样模块，其余N‑1个分支均包括第i编码器、第i‑1对齐模块、第i融合模块和第i上采样模块；N为正整数；i＝2，3，4，……，N；通过第N分支输出高分辨率图像；循环神经网络在训练过程中根据损失函数#imgabs0#修改网络参数。本发明方法基于同一场景的多张输入低分辨率图像进行低分辨率图像的复原。
-
公开(公告)号：CN116704314A
公开(公告)日：2023-09-05
申请号：CN202310707104.5
申请日：2023-06-14
Applicant: 哈尔滨工业大学
Abstract: 基于分布外样本检测的双路数据增广方法，涉及数据增广领域。解决了现有数据增广方法中无法同时兼顾增加样本多样性和降低分布外数据的问题。本发明分别通过两种不同增广强度对原始图像阵列进行数据增广，实现双路数据增广的同时，依赖于数据混合策略，智能地融合来自基础增广分支和强增广分支中的增广图像，融合过程中通过阈值τ对强增广分支图像阵列中的样本进行筛选，筛选出分布外样本，并对其进行替换，替换成相同索引下基础增广分支图像阵列中分布内样本，生成混合增广图像阵列，实现对原始图像阵列的双路数据增广。本发明主要用于增强神经网络训练时所使用样本的多样性，以提高神经网络性能。
-
公开(公告)号：CN116071265A
公开(公告)日：2023-05-05
申请号：CN202310144160.2
申请日：2023-02-21
Applicant: 哈尔滨工业大学
IPC: G06T5/00 , G06T7/00 , G06V10/22 , G06V10/80 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 基于空间自适应自监督学习的图像去噪方法，属于图像复原技术领域。解决了现有自监督图像去噪方法存在对空间相关噪声去噪效果差的问题。本发明包括：步骤一、对噪声图像y进行区域特征提取，获得平坦区域监督图像和纹理区域监督图像步骤二、利用区域判别模块对平坦区域监督图像中每个像素点所在空间位置坐标(,j)处的平坦度自适应系数α(i,j)进行识别，从而确定的平坦度自适应系数矩阵α；步骤三、利用y、以及α对去噪模块进行训练，进行模型参数迭代更新，获得训练后的去噪模块；步骤四、利用训练后的去噪模块对待去噪图像进行去噪。本发明主要用于对相机采集的真实图像进行去噪。
-
公开(公告)号：CN110689071B
公开(公告)日：2023-03-24
申请号：CN201910912143.2
申请日：2019-09-25
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/80
Abstract: 一种基于结构化高阶特征的目标检测系统及方法，它属于图像目标检测技术领域。本发明解决了现有方法在进行目标检测时仅仅使用了简单的判别信息少的一阶特征，导致无法准确地检测出图像中包含目标的问题。本发明的目标检测系统包括多尺度特征提取模块，结构化高阶特征提取模块，特征加权模块，特征融合模块，预选框生成模块，特征映射模块、分类及回归模块。多尺度特征提取模块用于提取多尺度的输出特征；结构化高阶特征提取模块用于获得结构化高阶特征，特征加权模块输出特征权重，特征融合模块将结构化高阶特征与特征权重进行按位点积，输出加权后的结构化高阶特征；再利用加权后的结构化高阶特征进行目标检测。本发明可以应用于图像目标检测。
-
Patent Agency Ranking
公开(公告)号：CN115272687A
公开(公告)日：2022-11-01
申请号：CN202210811744.6
申请日：2022-07-11
Applicant: 哈尔滨工业大学
Abstract: 单样本自适应域生成器迁移方法，涉及就三级视觉中的图像生成和迁移学习领域。解决了使用现有的算法迁移后的目标生成器无法准确获取引导图风格及迁移后的图片多样性低的问题。本发明方法通过全局水平域迁移损失函数使迁移后的目标域生成器合成的图片拥有引导图的全局特征；设计了局部水平域迁移损失函数来解决现有技术无法准确获取引导图局部代表性特征的问题；利用逆映射器把合成图片映射到隐空间，并提出自适应属性保持损失函数来自适应的挑选和保持域共享的属性，从而使迁移后的图片保持了之前图片的部分属性，提高了合成图片的多样性，并通过给定一张目标域引导图即可实现对自适应域生成器的迁移。主要用于实现对自适应域生成器的迁移。
-
公开(公告)号：CN114663307A
公开(公告)日：2022-06-24
申请号：CN202210283318.X
申请日：2022-03-22
Applicant: 哈尔滨工业大学
Abstract: 基于不确定性网络的集成图像去噪系统，属于图像复原技术领域。本发明针对现有图像去噪方法泛化性弱和不能直接利用已有去噪算法模型造成浪费的问题。包括C个训练好的已知去噪模型、不确定性得分估计网络、SoftMax权重计算器和求和单元；C个训练好的已知去噪模型用于分别对噪声图像进行去噪操作获得去噪后图像；不确定性得分估计网络用于分别对每一幅去噪后图像与噪声图像进行评估，获得C个不确定性方差分布图和C个去噪分数分布图；SoftMax权重计算器用于将C个去噪分数分布图逐像素转化为对应的预测权重分布图；求和单元用于将每一个预测权重分布图与对应去噪后图像相乘的结果进行相加，获得最终去噪图像。本发明实现了对不同去噪结果的逐像素融合。
-
公开(公告)号：CN114170108A
公开(公告)日：2022-03-11
申请号：CN202111525479.7
申请日：2021-12-14
Applicant: 哈尔滨工业大学
Abstract: 一种基于人脸退化模型迁移的自然场景图像盲复原系统，属于图像复原技术领域。本发明针对低质量的自然场景图像由于无法模拟其真实退化过程而无法获得满意的复原结果的问题。包括：采用退化表示学习网络由真实低质量人脸图像样本和对应的复原后高质量人脸图像样本模拟图像真实退化过程，获得图像退化表示特征；采用退化图像生成网络通过退化表示特征控制退化过程获得新生成退化人脸图像；再由高质量自然图像通过退化表示特征控制自然图像退化过程，获得退化后低质量自然图像；再由采集的高质量自然图像与退化后目标场景低质量自然图像形成的数据对，对通用场景复原网络进行训练，获得目标场景复原网络。本发明用于真实场景下低质量自然图像的复原。
-
公开(公告)号：CN113989558A
公开(公告)日：2022-01-28
申请号：CN202111263101.4
申请日：2021-10-28
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/774 , G06K9/62 , G06N3/08
Abstract: 基于迁移学习与边界框调节的弱监督目标检测方法，属于图像理解目标检测领域。解决了针对现有技术中依赖传统的候选框生成算法获取目标边界框结果的方式，仍然存在目标边界框回归能力较差，导致弱监督目标检测的定位性能差的缺陷的问题。本发明先利用多阶段迁移学习方法及辅助弱监督目标检测网络模块faux对可学习的边界框调节网络模块g进行训练，来提高训练后的可学习的边界框调节网络模块g′的精度，再利用训练后的可学习的边界框调节网络模块g′对所构建的目标弱监督目标检测网络模块f进行训练，更进一步的提升训练后的目标弱监督目标检测网络模块f′的目标边界框回归能力，最终提高目标检测精度。本发明主要应用于对图像中的目标进行检测。
-
公开(公告)号：CN113554569A
公开(公告)日：2021-10-26
申请号：CN202110891768.2
申请日：2021-08-04
Applicant: 哈尔滨工业大学
Abstract: 一种基于双记忆字典的人脸图像复原系统，属于人脸图像复原技术领域。本发明针对现有通用人脸图像复原方法对身份的细节特征复原能力差的问题。包括，采用通用字典生成模块获得不同尺度的通用特征字典；特定字典生成模块获得不同尺度的特定特征字典；人脸特征提取模块获得不同尺度的退化人脸各部位特征，以及退化人脸各部位特征的查询值；字典特征迁移模块获得遍历后字典特征；字典特征迁移模块中还设置置信度预测模块获得退化人脸各部位的自适应融合特征；退化图像复原模块获得重建结果特征；并将重建结果特征按照人脸关键点替换到待复原退化人脸图像中，获得复原后人脸图像。本发明用于退化人脸图像的高质量复原。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.043 seconds)
