一种基于时间序列残差网络的织物无损定量分析方法

    公开(公告)号:CN114264626A

    公开(公告)日:2022-04-01

    申请号:CN202111557145.8

    申请日:2021-12-18

    Applicant: 复旦大学

    Abstract: 本发明公开了一种基于时间序列残差网络的织物无损定量分析方法,针对相邻波段具有相关性的光谱数据,采用先抽取局部特征,再进行含量预测的建模思路。具体地,本发明使用一维卷积网络与残差结构进行局部特征的提取,同时消除无损检测条件下数据中存在的干扰,再将抽取过后的特征送入全连接网络,产生所关心的成分含量的百分比预测值。此方法能实现织物含量预测模型的端到端训练,利用卷积模块替代了传统预处理方法,并利用全连接网络建立了波形特征与所关心成分含量之间的非线性关系,误差小于常见的统计方法,且便于操作。

    一种基于深度解耦网络的渐进式图像修复方法

    公开(公告)号:CN114627006B

    公开(公告)日:2022-12-20

    申请号:CN202210191314.9

    申请日:2022-02-28

    Applicant: 复旦大学

    Abstract: 本发明公开了一种基于深度解耦网络的渐进式图像修复方法。该方法包括以下步骤:首先进行特征提取和边缘提取;接着用部分卷积模块渐进式更新缺陷区域和掩码;再将纹理和结构特征输入到编解码器计算,计算过程中进行双向感知计算,进行纹理生成和结构重建;然后在获得第一次重建特征图像后对图像缺失区域进行着色;再进行特征融合和图像再次重建;最后输出并计算损失函数,通过损失函数对网络进行训练,优化修复过程。本发明修复方法优于其它方法。

    一种基于深度解耦网络的渐进式图像修复方法

    公开(公告)号:CN114627006A

    公开(公告)日:2022-06-14

    申请号:CN202210191314.9

    申请日:2022-02-28

    Applicant: 复旦大学

    Abstract: 本发明公开了一种基于深度解耦网络的渐进式图像修复方法。该方法包括以下步骤:首先进行特征提取和边缘提取;接着用部分卷积模块渐进式更新缺陷区域和掩码;再将纹理和结构特征输入到编解码器计算,计算过程中进行双向感知计算,进行纹理生成和结构重建,然后在获得第一次重建特征图像后对图像缺失区域进行着色;再进行特征融合和图像再次重建;最后输出并计算损失函数,通过损失函数对网络进行训练,优化修复过程。本发明修复方法优于其它方法。

    基于图像和近红外光谱信号的深度多模态纤维识别方法

    公开(公告)号:CN114595752A

    公开(公告)日:2022-06-07

    申请号:CN202210193445.0

    申请日:2022-02-28

    Applicant: 复旦大学

    Abstract: 本发明公开了一种基于图像和近红外光谱信号的深度多模态纤维识别方法。该方法包括以下步骤:(1)获取纺织品的图像和近红外光谱信号;(2)将图像数据处理成局部切片后利用深度自注意力网络提取子图像的视觉序列;(3)对近红外光谱数据进行处理后,用多分支深度卷积网络获得分层的近红外特征;(4)基于图像和信号相关注意力模块,通过一个评分模块对图像和近红外信号的顺序特征进行匹配,通过参数分离的双向特征一致性模块,捕捉信号到图像和图像到信号特征之间两个方向的关联性,获得融合特征;(5)对融合特征编码;(6)进行分类和损失计算;本发明能识别具有类似纹理特征、具有类似近红外光谱曲线的纺织品,识别精度高。

Patent Agency Ranking