-
公开(公告)号：CN110033410B
公开(公告)日：2020-08-04
申请号：CN201910241051.6
申请日：2019-03-28
Applicant: 华中科技大学
Abstract: 本发明公开了一种图像重建模型训练方法、图像超分辨率重建方法及装置，属于图像超分辨率技术领域，包括：通过图像预处理得到样本集；建立用于图像超分辨率重建的图像重建模型；利用样本集对图像重建模型进行训练和测试；图像重建模型中，特征提取网络用于对低分辨率图像进行特征提取后输入第一个残差网络；级联的m个残差网络分别用于对前一网络的输出图像进行特征提取后与该图像进行叠加；m个注意力网络分别用于从m个残差网络的输出图像中提取出感兴趣区域的图像；放大网络用于对各注意力网络及第m个残差网络的输出图像进行融合并放大，以由第一融合层融合其输出图像和双三次插值放大后的图像。本发明能够有效提高重建图像的视觉效果。
-
公开(公告)号：CN110134774A
公开(公告)日：2019-08-16
申请号：CN201910355026.0
申请日：2019-04-29
Applicant: 华中科技大学
IPC: G06F16/332 , G06F16/33 , G06F16/583 , G06N5/04 , G06K9/62
Abstract: 本发明公开了一种基于注意力决策的图像视觉问答模型、方法和系统，属于开放式图像视觉问答领域。包括：信息融合模块，用于在k＝1时，融合全局图像特征g和问题特征向量q，得到融合特征向量uk；在k＝2,…,K时，融合特征向量uk-1和图像特征向量 得到融合特征向量uk；注意力决策模块，用于接收融合特征向量uk，决策出注意力框Lk，并发送给特征抽取池化模块；特征抽取池化模块，用于接收空间图像特征v和注意力框Lk-1，得到图像特征向量 答案推理模块，用于接收融合特征向量uK，推理出问题答案。本发明利用强化学习，学习特征选择的决策过程，可以自适应的选择与问题相关的视觉特征。可以端到端的训练，让学习到的特征更加具有问题针对性。
-
公开(公告)号：CN110134774B
公开(公告)日：2021-02-09
申请号：CN201910355026.0
申请日：2019-04-29
Applicant: 华中科技大学
IPC: G06F16/332 , G06F16/33 , G06F16/583 , G06N5/04 , G06K9/62
Abstract: 本发明公开了一种基于注意力决策的图像视觉问答模型、方法和系统，属于开放式图像视觉问答领域。包括：信息融合模块，用于在k＝1时，融合全局图像特征g和问题特征向量q，得到融合特征向量uk；在k＝2,…,K时，融合特征向量uk‑1和图像特征向量得到融合特征向量uk；注意力决策模块，用于接收融合特征向量uk，决策出注意力框Lk，并发送给特征抽取池化模块；特征抽取池化模块，用于接收空间图像特征v和注意力框Lk‑1，得到图像特征向量答案推理模块，用于接收融合特征向量uK，推理出问题答案。本发明利用强化学习，学习特征选择的决策过程，可以自适应的选择与问题相关的视觉特征。可以端到端的训练，让学习到的特征更加具有问题针对性。
-
Patent Agency Ranking
公开(公告)号：CN108052528B
公开(公告)日：2019-11-26
申请号：CN201711094873.3
申请日：2017-11-09
Applicant: 华中科技大学
IPC: G06F16/2458 , G06K9/62
Abstract: 本发明公开了一种存储设备时序分类预警方法，包括：实时采集存储设备参数；数据清洗；进行ARIMA时序分析；logistic回归分析和预警机制输出步骤。本发明在大数据的环境背景下，根据统计得到的历史数据和硬盘SMART信息，采用ARIMA模型进行时序预测分析，分析SMART特征值与存储设备故障率的相关性，进而选取出更适合于Logistic模型的特征值进行分类预测。本发明采用机器学习的方法预测存储设备故障率，解决了存储设备最终预测中存在的分类单一性和预警低强度的问题，克服了现有技术对于磁盘的预警机制存在的滞后性和准确率低、实际预警效用不大，难以应用于大数据环境的缺陷，能预测每类预警强度发生概率大小，为数据中心环境下的实时运维和监控提供了有效的应对解决方案。
-
公开(公告)号：CN110211611A
公开(公告)日：2019-09-06
申请号：CN201910440998.X
申请日：2019-05-24
Applicant: 华中科技大学
Abstract: 本发明公开了一种二维信道均衡模型训练方法及二维信道均衡方法，属于磁记录领域，包括：建立基于前馈神经网络的二维信道均衡模型，用于根据回读数据块对其内部的子数据块进行二维均衡，得到均衡之后的回读信息；模型中各隐藏层均采用非线性激活函数；在已写入已知数据的磁盘中，在相邻多个轨道中获取等长的比特序列以构成回读数据块，并获得对应的写入数据块，将回读数据块作为特征信息，将该写入数据块内部的子数据块作为标记信息，由标记信息和特征信息构成训练样本；得到包含多个训练样本的训练样本集后，对二维信道均衡模型进行训练。本发明能够对磁盘进行二维均衡，有效抑制非线性噪声，并避免因重复计算均衡系数而增加系统延迟。
-
公开(公告)号：CN108052528A
公开(公告)日：2018-05-18
申请号：CN201711094873.3
申请日：2017-11-09
Applicant: 华中科技大学
Abstract: 本发明公开了一种存储设备时序分类预警方法，包括：实时采集存储设备参数；数据清洗；进行ARIMA时序分析；logistic回归分析和预警机制输出步骤。本发明在大数据的环境背景下，根据统计得到的历史数据和硬盘SMART信息，采用ARIMA模型进行时序预测分析，分析SMART特征值与存储设备故障率的相关性，进而选取出更适合于Logistic模型的特征值进行分类预测。本发明采用机器学习的方法预测存储设备故障率，解决了存储设备最终预测中存在的分类单一性和预警低强度的问题，克服了现有技术对于磁盘的预警机制存在的滞后性和准确率低、实际预警效用不大，难以应用于大数据环境的缺陷，能预测每类预警强度发生概率大小，为数据中心环境下的实时运维和监控提供了有效的应对解决方案。
-
公开(公告)号：CN110033410A
公开(公告)日：2019-07-19
申请号：CN201910241051.6
申请日：2019-03-28
Applicant: 华中科技大学
Abstract: 本发明公开了一种图像重建模型训练方法、图像超分辨率重建方法及装置，属于图像超分辨率技术领域，包括：通过图像预处理得到样本集；建立用于图像超分辨率重建的图像重建模型；利用样本集对图像重建模型进行训练和测试；图像重建模型中，特征提取网络用于对低分辨率图像进行特征提取后输入第一个残差网络；级联的m个残差网络分别用于对前一网络的输出图像进行特征提取后与该图像进行叠加；m个注意力网络分别用于从m个残差网络的输出图像中提取出感兴趣区域的图像；放大网络用于对各注意力网络及第m个残差网络的输出图像进行融合并放大，以由第一融合层融合其输出图像和双三次插值放大后的图像。本发明能够有效提高重建图像的视觉效果。
-
公开(公告)号：CN110211611B
公开(公告)日：2020-06-02
申请号：CN201910440998.X
申请日：2019-05-24
Applicant: 华中科技大学
Abstract: 本发明公开了一种二维信道均衡模型训练方法及二维信道均衡方法，属于磁记录领域，包括：建立基于前馈神经网络的二维信道均衡模型，用于根据回读数据块对其内部的子数据块进行二维均衡，得到均衡之后的回读信息；模型中各隐藏层均采用非线性激活函数；在已写入已知数据的磁盘中，在相邻多个轨道中获取等长的比特序列以构成回读数据块，并获得对应的写入数据块，将回读数据块作为特征信息，将该写入数据块内部的子数据块作为标记信息，由标记信息和特征信息构成训练样本；得到包含多个训练样本的训练样本集后，对二维信道均衡模型进行训练。本发明能够对磁盘进行二维均衡，有效抑制非线性噪声，并避免因重复计算均衡系数而增加系统延迟。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
