-
公开(公告)号：CN112001404A
公开(公告)日：2020-11-27
申请号：CN202010861661.9
申请日：2020-08-25
Applicant: 华中农业大学
Abstract: 本发明提供了一种自适应全局和局部双层优化的图像生成模型GL-GAN和自适应全局和局部优化方法Ada-OP，通过将局部双层优化模型与传统的全局优化模型相结合，根据模型判别器输出的特征图，得到图像中各区域的质量测度，通过精确捕获、优化样本中的低质量区域，将特征图中的局部信息作为自适应全局和局部双层优化的基础，以局部双层优化模型指导生成器优化，使生成器在生成对抗网络GAN的最大最小博弈的基础上同时关注图像的全局区域和局部区域，对图像的整体和局部进行协调优化，实现了在高计算效率的同时生成高质量图像的功能。
-
公开(公告)号：CN115512368B
公开(公告)日：2024-05-10
申请号：CN202211007329.1
申请日：2022-08-22
Applicant: 华中农业大学
IPC: G06V30/41 , G06V30/19 , G06F40/126 , G06F40/30 , G06N3/0464 , G06N3/048 , G06N3/094
Abstract: 本发明提供了一种跨模态语义生成图像模型和方法，采用了深度学习领域的生成对抗网络技术，结合自然语言处理领域的Bert模型提取文本描述的特征向量作为图像生成的条件，从而生成符合文本描述的图像，实现了由文本描述产生图像的功能。本发明提出了自适应语义特征融合模块，通过跨模态的方式调整生成图像，将语义特征更好地融合到图像生成的过程中，更加有效地构建文本与图像之间的映射关系，使得生成图像更加贴合语义描述。本发明将对比学习的方法应用到跨模态语义图像生成研究中，提出基于对比学习的损失函数，通过其约束文本特征与图像特征之间的相关性增强最终生成图像与语义的一致性，极大提升了模型性能。
-
Patent Agency Ranking
公开(公告)号：CN112241741A
公开(公告)日：2021-01-19
申请号：CN202010861642.6
申请日：2020-08-25
Applicant: 华中农业大学
Abstract: 本发明提供了基于分类对抗网络的自适应图像属性编辑模型，通过构建上卷机残差网络和在判别器中增加属性对抗分类器Atta‑cls，同时实现了准确的属性转换和生成高质量图像的功能；采用上卷积残差网Tr‑resnet构造解码器，选择性地提取属性特征和内容特征，解决了深层编码器‑解码器结构中跳跃连接的局限性问题，增强了目标图像的属性特征，生成了更加精确和高质量的图像，提高了模型的性能。受生成对抗网络思想的影响，属性对抗分类器Atta‑cls针对属性差异以对抗学习的方式了解转换图像的不足，并根据不足进行进一步优化。本发明还通过属性连续性损失函数使评估的属性标签逼近源标签，保证了生成图像的属性连续性。
-
公开(公告)号：CN118333885A
公开(公告)日：2024-07-12
申请号：CN202410612193.X
申请日：2024-05-17
Applicant: 华中农业大学
IPC: G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06T7/11 , G06V10/74
Abstract: 本发明公开了一种基于锥形网络的图像处理方法，包括：设计锥形网络结构；在编码器部分进行特征提取，得到对应信息的编码向量；设计解码器部分结构，在原UNet解码器结构基础上引入第二个解码器，进一步挖掘和利用解码器中提取的特征信息，提高解码过程中的准确性和细节恢复能力；通过跳跃连接融合编码器和第一个解码器的特征，使得解码过程更加精确和有效；对锥形网络模型进行训练；使用评价指标评估模型的性能。本发明有效解决了传统图像图像处理网络中常见的信息损失和图像细节模糊的问题，适用于多个图像处理领域，如图像分类、图像分割、图像配准等，可以大幅提高图像处理效率和质量。
-
公开(公告)号：CN118333885B
公开(公告)日：2025-01-21
申请号：CN202410612193.X
申请日：2024-05-17
Applicant: 华中农业大学
IPC: G06T5/60 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06T7/11 , G06V10/74
Abstract: 本发明公开了一种基于锥形网络的图像处理方法，包括：设计锥形网络结构；在编码器部分进行特征提取，得到对应信息的编码向量；设计解码器部分结构，在原UNet解码器结构基础上引入第二个解码器，进一步挖掘和利用解码器中提取的特征信息，提高解码过程中的准确性和细节恢复能力；通过跳跃连接融合编码器和第一个解码器的特征，使得解码过程更加精确和有效；对锥形网络模型进行训练；使用评价指标评估模型的性能。本发明有效解决了传统图像图像处理网络中常见的信息损失和图像细节模糊的问题，适用于多个图像处理领域，如图像分类、图像分割、图像配准等，可以大幅提高图像处理效率和质量。
-
公开(公告)号：CN115563297A
公开(公告)日：2023-01-03
申请号：CN202211134812.6
申请日：2022-09-19
Applicant: 华中农业大学
Abstract: 本发明提供了一种基于图神经网络的食品安全知识图谱构建与补全方法，通过获取与食品品类、食品添加剂、食品中农药残留相关的国家食品安全标准文件，通过数据清洗和格式化等操作将其处理为可以应用到知识图谱中的三元组，并构建起食品安全知识图谱的本体层模式架构；设计可以实现实体查询和可视化展示的食品安全知识图谱查询系统；根据预训练语言模型BERT生成食品安全知识图谱中实体名称的词向量；利用图神经网络架构将食品安全知识图谱中的文本信息和图结构信息进行特征融合，分别应用到实体分类和链接预测两项下游任务中，以达到知识图谱补全的目的。本发明提高了食品安全知识图谱的完整性和实用性，实现了食品安全标准信息的智能化应用。
-
公开(公告)号：CN115512368A
公开(公告)日：2022-12-23
申请号：CN202211007329.1
申请日：2022-08-22
Applicant: 华中农业大学
Abstract: 本发明提供了一种跨模态语义生成图像模型和方法，采用了深度学习领域的生成对抗网络技术，结合自然语言处理领域的Bert模型提取文本描述的特征向量作为图像生成的条件，从而生成符合文本描述的图像，实现了由文本描述产生图像的功能。本发明提出了自适应语义特征融合模块，通过跨模态的方式调整生成图像，将语义特征更好地融合到图像生成的过程中，更加有效地构建文本与图像之间的映射关系，使得生成图像更加贴合语义描述。本发明将对比学习的方法应用到跨模态语义图像生成研究中，提出基于对比学习的损失函数，通过其约束文本特征与图像特征之间的相关性增强最终生成图像与语义的一致性，极大提升了模型性能。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
