-
公开(公告)号：CN119182618A
公开(公告)日：2024-12-24
申请号：CN202411078821.7
申请日：2024-08-06
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于计算管理平台的计费方法、装置、电子设备和介质，计费方法应用于高性能计算管理平台，包括：接收作业任务请求，监控作业任务的运行情况；根据作业任务的运行情况，得到作业任务的运行信息；根据运行信息确定作业任务完成需要的资源信息；根据资源信息以及用户定义的计费周期策略，判断是否执行扣费；根据计费周期策略和账单生成策略生成账单。本申请能够将作业任务调度系统和计费系统解耦，以适配任意作业调度系统，同时，能够灵活地对作业任务进行实时监控、分析，并根据用户设置的计费策略进行周期计费，方便灵活，做到计费统一，不会导致费用遗漏，可靠实用。
-
公开(公告)号：CN115034982B
公开(公告)日：2024-08-09
申请号：CN202210594886.1
申请日：2022-05-27
Applicant: 大连海事大学
IPC: G06T5/90 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明为一种基于多尺度注意机制融合的水下图像增强方法，提供一种多尺度注意机制融合网络来恢复水下图像，包括以下步骤，首先原始的水下图像输入到解码器网络，经过处理后输出特征图，会进入到上述多尺度注意力密集模块，这一模块的加入改善了我们网络的性能，提高了增强图像的视觉效果。接着，经过多尺度注意力密集模块处理后的特征会输入到解码器网络中，最终解码器网络会输出一个增强后的图像。此外，我们还引入了角损失函数作为对生成器额外的监督。角损失函数的作用是提高生成的图像和原始图像之间的相似度，增加图像的清晰度，并减少了图像色彩的偏差。通过大量的实验结果表明，本发明方法优于现有的方法。
-
公开(公告)号：CN115034979B
公开(公告)日：2025-04-18
申请号：CN202210593968.4
申请日：2022-05-27
Applicant: 大连海事大学
Abstract: 本发明提供一种基于双路径联合校正的深度学习水下图像增强方法，包括以下步骤：获取基本的特征图；分别获取到R、G、B通道的特征图；添加通道注意力机制得到权重矩阵乘到之前特征图上对应通道的每个像素值；获取富有代表性的颜色特征；将所述纹理特征提取路径中获取的基本特征图进行双维注意力的处理；通过像素注意力模块对所述高阶特征形成重新校准的纹理细节特征；将颜色特征和纹理特征拼接为一个全新的综合特征，馈送到多尺度的U‑Net网络中；最终输出增强后的结果图像。本发明采用三元组特征提取模块，将图像R、G、B通道分别处理，平衡了退化图像的R、G、B颜色的灰度比，解决了图像的偏色问题，获得了更好的色彩校正效果。
-
公开(公告)号：CN115034981B
公开(公告)日：2024-08-06
申请号：CN202210593981.X
申请日：2022-05-27
Applicant: 大连海事大学
IPC: G06T5/90 , G06T5/60 , G06T5/40 , G06N3/0455 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于嵌入式多特征融合的深度学习水下图像增强方法，包括以下步骤：获取原始水下图像P再分别获取颜色校正后的增强图像P1及对比度后的增强图像P2；设置每个输入均通过残差增强模块，分别提取到三条路径的特征；再将特征融合；提取到每条路径的深层特征；将三条路径的深层特征进行拼接，并且通过连续的多次下采样操作，获取低分辨率下的特征图；通过注意力模块分别给不同特征赋予不同的权重值，再通过解码器模块获取最终的增强图像P3，并且使用Ll2损失函数和感知损失Lper的组合对网络性能进行优化。本发明主要利用多特征融合方法，将颜色校正和图像细节的特征融合，从而起到较好的解决水下图像的偏色问题并且更好的恢复图像细节。
-
公开(公告)号：CN115034982A
公开(公告)日：2022-09-09
申请号：CN202210594886.1
申请日：2022-05-27
Applicant: 大连海事大学
Abstract: 本发明为一种基于多尺度注意机制融合的水下图像增强方法，提供一种多尺度注意机制融合网络来恢复水下图像，包括以下步骤，首先原始的水下图像输入到解码器网络，经过处理后输出特征图，会进入到上述多尺度注意力密集模块，这一模块的加入改善了我们网络的性能，提高了增强图像的视觉效果。接着，经过多尺度注意力密集模块处理后的特征会输入到解码器网络中，最终解码器网络会输出一个增强后的图像。此外，我们还引入了角损失函数作为对生成器额外的监督。角损失函数的作用是提高生成的图像和原始图像之间的相似度，增加图像的清晰度，并减少了图像色彩的偏差。通过大量的实验结果表明，本发明方法优于现有的方法。
-
Patent Agency Ranking
公开(公告)号：CN117593202A
公开(公告)日：2024-02-23
申请号：CN202311442595.1
申请日：2023-11-01
Applicant: 大连海事大学
Abstract: 本发明提供一种基于内监督的协同多尺度水下图像增强方法，通过集成四个阶段图像，为网络提供了不同尺度的场景信息。首先使用输入图像通过退化操作分别获取一、二、三级退化图像。使用基于双分支的上下文注意力模块进行对输入图像提取初始特征，然后进行下采样后使用基于双分支的上下文注意力模块获取一级退化特征；在一级退化图像上使用基于自适应选择性内在监督模块选择有利于场景恢复的特征，集成为一级退化特征。利用二、三级退化阶段重复两次。三级退化特征进行特征恢复后集成三级退化阶段进行二级特征恢复。通过利用二、一级退化阶段重复此操作两次。在获得一级退化特征后恢复为增强图像。基于多阶段退化损失函数约束四个阶段的增强过程。
-
公开(公告)号：CN115034979A
公开(公告)日：2022-09-09
申请号：CN202210593968.4
申请日：2022-05-27
Applicant: 大连海事大学
Abstract: 本发明提供一种基于双路径联合校正的深度学习水下图像增强方法，包括以下步骤：获取基本的特征图；分别获取到R、G、B通道的特征图；添加通道注意力机制得到权重矩阵乘到之前特征图上对应通道的每个像素值；获取富有代表性的颜色特征；将所述纹理特征提取路径中获取的基本特征图进行双维注意力的处理；通过像素注意力模块对所述高阶特征形成重新校准的纹理细节特征；将颜色特征和纹理特征拼接为一个全新的综合特征，馈送到多尺度的U‑Net网络中；最终输出增强后的结果图像。本发明采用三元组特征提取模块，将图像R、G、B通道分别处理，平衡了退化图像的R、G、B颜色的灰度比，解决了图像的偏色问题，获得了更好的色彩校正效果。
-
公开(公告)号：CN119580080A
公开(公告)日：2025-03-07
申请号：CN202411664674.1
申请日：2024-11-20
Applicant: 大连海事大学
IPC: G06V20/05 , G06V10/25 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 一种基于改进YOLOv7的目标检测方法，包括以下步骤：获取水下声学图像；对水下声学图像进行数据增强，得到增强后的水下声学图像；将增强后的水下声学图像数据集划分为训练集和测试集；构建基于改进YOLOv7的声纳图像目标识别模型；基于训练集对基于改进YOLOv7的声纳图像目标识别模型进行训练，得到最优目标检测模型；将测试集输入所述最优目标检测模型中，实现对声纳图像的水下目标检测。本发明通过对YOLOv7模型进行改进，在主干提取网络引入注意力机制，提高模型对声纳图像复杂背景的抗干扰能力和目标特征的提取能力，同时在网络Neck部分，融入Multi GnBlocks模块实现关键特征之间的高阶交互。为提高算法的实时性，对模型冗余剪枝，极大压缩模型体积的同时保持检测的高精度。
-
公开(公告)号：CN119025235A
公开(公告)日：2024-11-26
申请号：CN202411032006.7
申请日：2024-07-30
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于云计算网络用户短时需求任务调度优化方法。本发明中，AES‑CTR使用一个初始值IV和一个计数器，每次加密操作都会生成一个新的密文块，即使两个明文块相同，也会产生不同的密文块，这增加了加密的安全性，因为密文块的多样性使得攻击者难以通过密文分析出明文。通过使用AES‑CTR对任务数据进行加密，可以确保用户数据在传输和存储过程中的隐私安全，防止未授权访问和数据泄露。由于AES‑CTR加密和解密操作的效率较高，它可以在保持数据安全性的同时，减少对计算资源的占用，这对于任务调度系统来说是一个重要的优势，因为可以更有效地利用云计算资源。
-
公开(公告)号：CN115034981A
公开(公告)日：2022-09-09
申请号：CN202210593981.X
申请日：2022-05-27
Applicant: 大连海事大学
Abstract: 本发明提供一种基于嵌入式多特征融合的深度学习水下图像增强方法，包括以下步骤：获取原始水下图像P再分别获取颜色校正后的增强图像P1及对比度后的增强图像P2；设置每个输入均通过残差增强模块，分别提取到三条路径的特征；再将特征融合；提取到每条路径的深层特征；将三条路径的深层特征进行拼接，并且通过连续的多次下采样操作，获取低分辨率下的特征图；通过注意力模块分别给不同特征赋予不同的权重值，再通过解码器模块获取最终的增强图像P3，并且使用Ll2损失函数和感知损失Lper的组合对网络性能进行优化。本发明主要利用多特征融合方法，将颜色校正和图像细节的特征融合，从而起到较好的解决水下图像的偏色问题并且更好的恢复图像细节。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
