-
公开(公告)号：CN115272097B
公开(公告)日：2025-05-06
申请号：CN202210665296.3
申请日：2022-06-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于神经结构搜索和雨密度引导的单幅图像去雨方法，包括以下步骤：S1.确定雨密度推理网络和单幅图像去雨网络的结构搜索空间，构建雨密度推理网络和单幅图像去雨网络；S2.将有雨图像输入雨密度推理网络，雨密度推理网络自动搜索网络结构；S3.冻结雨密度推理网络的结构参数，将有雨图像输入雨密度推理网络，训练雨密度推理网络的网络权重；S4.将有雨图像输入雨密度推理网络，雨密度推理网络输出雨密度图，将有雨图像和雨密度图输入单幅图像去雨网络，单幅图像去雨网络自动搜索网络结构；S5.冻结单幅图像去雨网络的结构参数，将有雨图像和雨密度图输入单幅图像去雨网络，训练单幅图像去雨网络的网络权重，冻结其网络权重，获得去雨模型。
-
公开(公告)号：CN111079715B
公开(公告)日：2023-04-25
申请号：CN202010000354.1
申请日：2020-01-02
Applicant: 华南理工大学
IPC: G06V40/16 , G06V10/772 , G06V10/776
Abstract: 本发明公开了一种基于双字典学习的遮挡鲁棒性人脸对齐方法，该对齐方法包括：训练过程与对齐过程。本发明在收集人脸面部特征时，综合考虑了人脸全局形状特征和局部外观特征，得到的训练模型在测试拟合时对噪声有更强的抗干扰能力，同时，针对遮挡条件下人脸关键点的突变问题，进一步分析对齐误差，引入关键点突变参数和对齐误差权重衰减参数，构建对齐误差编码矩阵，使字典学习过程更多地关注未遮挡部分，减轻遮挡位置与遮挡样式带来的影响，提高了人脸对齐的准确率，更好地适应自然条件下有遮挡的人脸对齐。
-
公开(公告)号：CN111160313B
公开(公告)日：2023-04-07
申请号：CN202010001785.X
申请日：2020-01-02
Applicant: 华南理工大学
IPC: G06V40/40 , G06V10/774 , G06V10/40 , G06V10/82 , G06N3/0455 , G06N3/044 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于LBP‑VAE异常检测模型的人脸表示攻击检测方法，该方法包括：构建LBP‑VAE异常检测模型；获取训练样本，训练样本只需用真实样本；对训练样本提取LBP特征，得到样本特征向量；将训练样本的特征向量作为VAE的输入，训练VAE网络，得到完整的LBP‑VAE异常检测模型；当人脸表示攻击样本输入到该模型时，由于样本特征空间分布与真实样本不同，因此VAE网络的输出误差很大，将被作为异常检测出来，而当真实样本输入到该模型时，VAE网络的输出误差较小，由此可以区分两类样本。本发明公开的攻击检测方法，对不同类型的人脸表示攻击样本都有较好的检测性能，对噪声鲁棒性强，能适应不同的现实场景。
-
公开(公告)号：CN113158838A
公开(公告)日：2021-07-23
申请号：CN202110354595.0
申请日：2021-03-29
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于全尺寸深度图监督的人脸表示攻击检测方法，该方法包括：构建基于全尺寸深度图监督的人脸表示攻击检测模型；输入待检测人脸图片到经过训练的人脸表示攻击检测模型中，得到与待检测人脸图片宽和高尺寸完全相同的全尺寸预测深度图，该全尺寸预测深度图上的每个像素值是对待检测人脸图片对应像素点的深度预测值；取全尺寸预测深度图的平均深度预测值作为最终得分，与事先设定的判别阈值进行比较，得到检测结果。本发明采用全尺寸深度图作为标签进行监督建模，融合输入人脸图片的浅层特征和深层特征得到全尺寸预测深度图，检测精度高，能够适应不同的光照和采集设备条件下的现实检测场景。
-
公开(公告)号：CN109801324B
公开(公告)日：2020-11-24
申请号：CN201910010401.8
申请日：2019-01-07
Applicant: 华南理工大学
IPC: G06T7/593
Abstract: 本发明公开了一种对光强不敏感的斜面近邻传播立体匹配方法，包括：提取对光照强度不敏感的特征，该提取方法结合每个特征提取窗口的光照条件，完善处理所有灰度差值情况下的特征编码；把像素匹配问题转化为两个提取特征间的不相似性比较；改善常规的斜面近邻传播算法，在得到的初步平面的基础上对聚合窗口进行挑选，与中心像素法向量角度差别大于阈值块舍弃掉，其它保留下来的块按块内平面进行映射，最后再次进行近邻传播得到最终的像素模型；转化得到最终的视差图。本发明通过对光照不敏感的特征提取，以及有效完善的方案得到每个像素的实际所处空间平面进而得到高匹配精度的视差图，适用于更广泛的立体匹配场景。
-
Patent Agency Ranking
公开(公告)号：CN108737979B
公开(公告)日：2020-05-22
申请号：CN201810447411.3
申请日：2018-05-11
Applicant: 华南理工大学
Abstract: 本发明公开了一种室内定位方法，该室内定位方法基于网格聚类和动态近邻机制，解决室内指纹数据规模过大造成定位效率低的问题，同时也满足对室内空间连续和分离区域都有定位需求的普适性。包括：离线阶段，采集RSS指纹；将区域内的指纹按网格进行划分，构建整个区域的离线指纹库；在线阶段，使用STING算法查询出近邻单元格，选出近邻点及对应距离；计算待定位目标的定位结果；输出定位结果。本发明公开的一种室内定位方法利用网格聚类的思想和动态近邻机制，实现了快速精确定位。
-
公开(公告)号：CN111160313A
公开(公告)日：2020-05-15
申请号：CN202010001785.X
申请日：2020-01-02
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于LBP-VAE异常检测模型的人脸表示攻击检测方法，该方法包括：构建LBP-VAE异常检测模型；获取训练样本，训练样本只需用真实样本；对训练样本提取LBP特征，得到样本特征向量；将训练样本的特征向量作为VAE的输入，训练VAE网络，得到完整的LBP-VAE异常检测模型；当人脸表示攻击样本输入到该模型时，由于样本特征空间分布与真实样本不同，因此VAE网络的输出误差很大，将被作为异常检测出来，而当真实样本输入到该模型时，VAE网络的输出误差较小，由此可以区分两类样本。本发明公开的攻击检测方法，对不同类型的人脸表示攻击样本都有较好的检测性能，对噪声鲁棒性强，能适应不同的现实场景。
-
公开(公告)号：CN108805179A
公开(公告)日：2018-11-13
申请号：CN201810506015.3
申请日：2018-05-24
Applicant: 华南理工大学
CPC classification number: G06K9/6255 , G06K9/00221
Abstract: 本发明公开了一种基于人脸局部约束编码校准识别方法，包括：输入训练集，构建字典；获取失配准的待识别人脸图像作为测试样本；初始化误差权重；对测试样本图像进行基于加权重构误差的局部约束编码；更新校准结果；判断更新后的校准结果是否收敛或达到最大迭代次数；若收敛或达到最大迭代次数，则输出最终的校准结果，若不收敛或未达到最大迭代次数，则更新误差权重之后再次进行基于加权重构误差的局部约束编码，直至收敛或达到最大迭代次数。该方法对表示系数进行局部约束，并采用加权l2范数的正则项约束重构误差，使得校准和识别结果更注重于非遮挡区域。该方法能适应不同的现实场景，对于遮挡和非遮挡场景都能快速完成人脸校准和识别。
-
公开(公告)号：CN108764597A
公开(公告)日：2018-11-06
申请号：CN201810281599.9
申请日：2018-04-02
Applicant: 华南理工大学
CPC classification number: G06Q10/06395 , G06F17/5009 , G06F17/5086 , G06F2217/12 , G06K9/6267 , G06Q50/04
Abstract: 本发明公开了一种基于集成学习的产品质量控制方法，对于预测生产流程中不同进度下产品关键质量指标(良品率)，包括以下步骤：(1)基于注塑工艺数据的数据分析；(2)特征工程分析与构建；(3)基于集成学习的模型设计；(4)数据不平衡处理；(5)多模型融合处理方案。对于对生产过程中工艺参数进行最优预设值推荐，包含如下步骤：(6)整体的工艺可调整参数推荐；(7)针对特定的工艺不可调整参数，对工艺可调参数进行推荐。本发明适用于处理工业数据中数据不平衡的特点，突破传统产品质量控制单一的参数分析方式，通过使用机器学习的特征工程构建，挖掘出参数之间内在的特征联系，来发现生产过程的异常，提高产品的质量控制。
-
公开(公告)号：CN102801792B
公开(公告)日：2015-04-22
申请号：CN201210262103.6
申请日：2012-07-26
Applicant: 华南理工大学
IPC: H04L29/08
CPC classification number: Y02D50/10
Abstract: 本发明公开了基于统计预测的云CDN资源自动部署方法，其根据云CDN各边缘节点负载的历史数据预测未来24小时负载预测值，制定相应边缘节点的虚拟服务器资源部署计划，对云CDN各边缘节点进行虚拟服务器资源部署；实时监控云CDN各边缘节点负载情况，当云CDN处于用户访问高峰期时，云平台将配置好相关业务的镜像挂载到虚拟服务器中并启动加入到云CDN各边缘节点当中，分摊突发的访问压力；当云CDN处于非访问高峰期时，只保留维持业务正常水平运行的虚拟服务器，将闲置的虚拟服务器资源回收到资源池中。该方法不仅能有效应对突发的业务高峰，提高CDN的资源利用率，而且降低了CDN的能耗和运维成本。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.211 seconds)
