-
公开(公告)号：CN116596764B
公开(公告)日：2023-10-31
申请号：CN202310871402.8
申请日：2023-07-17
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44
Abstract: 本发明涉及图像处理技术领域，公开了一种基于Transformer与卷积交互的轻量级图像超分辨率方法，包括以下步骤：S1，构建跨通道Transformer模块与高效局部特征提取模块；S2，构建反转U型网络模块；S3，构建全局特征提炼模块；S4，将反转U型网络模块与全局特征提炼模块组合起来，构建基于Transformer与卷积交互的轻量级超分辨率网络；网络输入低分辨率图像，输出高分辨率的重建图像。本发明使用较少参数与计算量，同时拥有更优的重建效果；通过Transformer与卷积的交互，兼顾图像的全局与局部细节；反转U型网络模块先在编码器阶段将关键信息转移至特征图维度上，再在解码器阶段将关键信息返回至通道维度中，以实现低资源耗费来融合多阶段信息的目的。
-
公开(公告)号：CN116596764A
公开(公告)日：2023-08-15
申请号：CN202310871402.8
申请日：2023-07-17
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44
Abstract: 本发明涉及图像处理技术领域，公开了一种基于Transformer与卷积交互的轻量级图像超分辨率方法，包括以下步骤：S1，构建跨通道Transformer模块与高效局部特征提取模块；S2，构建反转U型网络模块；S3，构建全局特征提炼模块；S4，将反转U型网络模块与全局特征提炼模块组合起来，构建基于Transformer与卷积交互的轻量级超分辨率网络；网络输入低分辨率图像，输出高分辨率的重建图像。本发明使用较少参数与计算量，同时拥有更优的重建效果；通过Transformer与卷积的交互，兼顾图像的全局与局部细节；反转U型网络模块先在编码器阶段将关键信息转移至特征图维度上，再在解码器阶段将关键信息返回至通道维度中，以实现低资源耗费来融合多阶段信息的目的。
-
公开(公告)号：CN117237197B
公开(公告)日：2024-03-01
申请号：CN202311475296.8
申请日：2023-11-08
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种基于交叉注意力机制与Swin‑Transformer的图像超分辨率方法及装置，涉及图像重建领域，该方法包括：获取待重建的低分辨率图像及其对应的梯度图；构建基于交叉注意力机制与Swin‑Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，并输入图像重建模块，重建得到高分辨率图像，解决
-
公开(公告)号：CN117196959A
公开(公告)日：2023-12-08
申请号：CN202311475294.9
申请日：2023-11-08
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于自注意力的红外图像超分辨率方法、装置及可读介质，涉及图像处理领域，包括：构建基于自注意力的轻量级红外图像超分辨率模型并训练，得到经训练的轻量级红外图像超分辨率模型；将待重建的低分辨率红外图像输入经训练的轻量级红外图像超分辨率模型，该模型包括3×3卷积层、轻量级Transformer与CNN骨干、高效细节自注意力模块和图像重建模块，待重建的低分辨率红外图像输入3×3卷积层，得到第一特征，再依次经过轻量级Transformer与CNN骨干和高效细节自注意力模块，且高效细节自注意力模块以共享参数的方式循环n次，得到第二特征，将第一特征和第二特征进行残差连接后输入图像重建模块，输出高分辨率红外图像，解决参数量冗余、性能差等问题。
-
Patent Agency Ranking
公开(公告)号：CN117196959B
公开(公告)日：2024-03-01
申请号：CN202311475294.9
申请日：2023-11-08
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于自注意力的红外图像超分辨率方法、装置及可读介质，涉及图像处理领域，包括：构建基于自注意力的轻量级红外图像超分辨率模型并训练，得到经训练的轻量级红外图像超分辨率模型；将待重建的低分辨率红外图像输入经训练的轻量级红外图像超分辨率模型，该模型包括3×3卷积层、轻量级Transformer与CNN骨干、高效细节自注意力模块和图像重建模块，待重建的低分辨率红外图像输入3×3卷积层，得到第一特征，再依次经过轻量级Transformer与CNN骨干和高效细节自注意力模块，且高效细节自注意力模块以共享参数的方式循环n次，得到第二特征，将第一特征和第二特征进行残差连接后输入图像重建模块，输出高分辨率红外图像，解决参数量冗余、性能差等问题。
-
公开(公告)号：CN116911574B
公开(公告)日：2024-02-02
申请号：CN202311168407.0
申请日：2023-09-12
Applicant: 华侨大学
IPC: G06Q10/0631 , G06N3/006 , G06N20/00 , G06Q10/04 , G06Q10/087 , G06Q30/0201 , G06Q50/04 , G06F17/10
Abstract: 本发明公开了一种基于鲸鱼算法与随机森林的三级供应链优化方法及装置，涉及供应链管理领域，包括：构建多产品三级供应链网络以其目标函数和约束条件；构建随机森林模型，通过鲸鱼算法对随机森林模型进行优化，确定决策树数量与各决策树叶节点上所需的最小样本数，得到优化后的随机森林模型；对优化后的随机森林模型进行训练，得到经训练的随机森林模型，获取多产品三级供应链网络中的不确定性因素的特征，将不确定性因素的特征输入经训练的随机森林模型，得到对应的权重值；根据该权重值计算得到不确定性概率，将不确定性概率代入约束条件中，并求取目标函数在约束条件下的最优
-
公开(公告)号：CN117237197A
公开(公告)日：2023-12-15
申请号：CN202311475296.8
申请日：2023-11-08
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种基于交叉注意力机制与Swin‑Transformer的图像超分辨率方法及装置，涉及图像重建领域，该方法包括：获取待重建的低分辨率图像及其对应的梯度图；构建基于交叉注意力机制与Swin‑Transformer的图像超分辨率模型并训练，得到经训练的图像超分辨率模型；将待重建的低分辨率图像输入经训练的图像超分辨率模型，经训练的图像超分辨率模型包括SR分支和梯度分支，SR分支和梯度分支中分别采用浅层特征提取模块提取低分辨率图像及其对应的梯度图的浅层特征，通过全局深层特征提取模块将浅层特征进行融合，得到深层特征，并输入图像重建模块，重建得到高分辨率图像，解决原有经典图像超分辨率模型难以提取全局特征的问题，以提高重建图像的清晰度。
-
公开(公告)号：CN116911574A
公开(公告)日：2023-10-20
申请号：CN202311168407.0
申请日：2023-09-12
Applicant: 华侨大学
IPC: G06Q10/0631 , G06N3/006 , G06N20/00 , G06Q10/04 , G06Q10/087 , G06Q30/0201 , G06Q50/04 , G06F17/10
Abstract: 本发明公开了一种基于鲸鱼算法与随机森林的三级供应链优化方法及装置，涉及供应链管理领域，包括：构建多产品三级供应链网络以其目标函数和约束条件；构建随机森林模型，通过鲸鱼算法对随机森林模型进行优化，确定决策树数量与各决策树叶节点上所需的最小样本数，得到优化后的随机森林模型；对优化后的随机森林模型进行训练，得到经训练的随机森林模型，获取多产品三级供应链网络中的不确定性因素的特征，将不确定性因素的特征输入经训练的随机森林模型，得到对应的权重值；根据该权重值计算得到不确定性概率，将不确定性概率代入约束条件中，并求取目标函数在约束条件下的最优解，得到最优的供应链方案，可解决供应链过程中不确定性的问题。
-
公开(公告)号：CN116739903A
公开(公告)日：2023-09-12
申请号：CN202310793797.4
申请日：2023-06-30
Applicant: 华侨大学
IPC: G06T3/40 , G06V10/764 , G06V10/42 , G06V10/774
Abstract: 本发明公开了一种结合分类加强与细化微调的目标跟踪方法、装置及可读介质，构建目标跟踪网络模型并训练，得到经训练的目标跟踪网络模型，将当前帧输入ResNet模块，将ResNet模块的输出特征输入全局感知模块，得到全局感知特征，将全局感知特征与模板帧输入分类加强模块，得到前景特征图和前景概率特征图；在第一分支中，将降维后的全局感知特征与模板帧输入判别相关滤波器，得到定位特征图；在第二分支中，将前景特征图、前景概率特征图和定位特征图融合得到混合特征图，将混合特征图与ResNet模块的部分输出特征输入微调路径模块，得到目标的掩膜，通过拟合掩膜，得到矩形框，细化微调模块根据矩形框提取目标的特征，并与模板帧做逐像素相关，得到目标跟踪框。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.045 seconds)
