-
公开(公告)号：CN114332847B
公开(公告)日：2025-04-25
申请号：CN202210006799.X
申请日：2022-01-05
Applicant: 安徽大学
IPC: G06V20/64 , G06V10/762 , G06V10/774
Abstract: 本发明属于图像聚类领域，具体涉及一种基于主动选择约束的深度图像聚类方法、系统、装置。包括如下步骤：S1：构建包含两个共享权重的子网络的孪生网络；S2：在孪生网络后增加一个聚类网络进而得到所需的深度图像聚类模型；S3：获取多个原始图像，构成所需的数据集；S4：随机选择数据集中样本图像，人工添加约束信息后依次输入到深度图像聚类模型中完成聚类处理；S5：根据数据集中所有样本的对应的聚类结果，主动选择各个类别中具有弱链接关系的样本图像构建成对约束，重新聚类；S6：设定迭代次数对网络模型进行迭代训练。本发明解决了现有半监督聚类方法的数据集中样本间的成对约束质量难以保证，进而导致聚类精度差等问题。
-
公开(公告)号：CN118710526A
公开(公告)日：2024-09-27
申请号：CN202410857782.4
申请日：2024-06-28
Applicant: 安徽大学
IPC: G06T5/60 , G06V10/20 , G06V10/52 , G06V10/56 , G06V10/54 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于颜色和细节增加的图像模型训练方法、去雾方法。模型训练方法包括：获取原始有雾图像和原始清晰无雾图像；对原始有雾图像和原始清晰无雾图像分别进行傅里叶变换，得到原始有雾图像和原始清晰无雾图像分别对应的低频子图和高频子图；对原始有雾图像、低频子图和高频子图分别进行特征提取，得到去雾特征、颜色特征、细节特征。基于去雾特征、颜色特征、细节特征进行图像重建,得到去雾图像、颜色图像、细节图像；基于去雾图像、颜色图像、细节图像以及原始清晰无雾图像和其对应的低频子图和高频子图计算损失。本发明提供的方法改善了现有去雾方法的去雾结果中存在的颜色偏差和细节模糊的问题，获得了更好的去雾效果。
-
公开(公告)号：CN113487503A
公开(公告)日：2021-10-08
申请号：CN202110749087.2
申请日：2021-07-01
Applicant: 安徽大学
Abstract: 本发明提供了一种基于通道注意力生成对抗网络的PET超分辨率方法。该方法包括：步骤一.获取高分辨率的训练数据集和测试数据集；步骤二.获取低分辨率的训练数据集和测试数据集；步骤三.在超分辨率生成对抗网络(Super Reso l ut i on Generat i ve Adversar i a l Network，SRGAN)的生成器中用残差通道注意力块取代残差块，得到通道注意力超分辨率生成对抗网络；步骤四.用像素级的均方误差损失改进SRGAN的感知损失；步骤五.对网络进行训练；步骤六.用图像质量评价指标对网络进行评价。本发明在SRGAN的基础上加入了通道注意力机制，使得生成器网络更加关注含有丰富高频信息的通道，增加了卷积神经网络的表征能力。同时，用像素级的均方误差损失改进SRGAN的感知损失，进一步提高了重建图像的质量。
-
公开(公告)号：CN117475185A
公开(公告)日：2024-01-30
申请号：CN202311483804.7
申请日：2023-11-07
Applicant: 安徽大学
IPC: G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/09
Abstract: 本发明公开一种深度自步主动聚类方法，步骤一、获取数据集及相应数据标签，合并训练集与测试集；步骤二、预训练神经网络；步骤三、使用神经网络提取所有数据特征，并在特征上运行K‑means聚类方法得到聚类结果；步骤四、根据聚类结果计算每个数据的权重，进而选出数据进行人工标注，得到新的有标签数据集和无标签数据集；步骤五、使用新数据集训练网络；重复步骤三到步骤五直至标注预算用完；步骤六、使用分类器得到最终结果，对结果进行评估；本发明通过在深度图像聚类的基础上引入主动学习与自步学习，帮助找出数据集中既具代表性又具一定困难度的样本与具有高置信度的样本，并分别赋予真实标签与伪标签。
-
公开(公告)号：CN114004748A
公开(公告)日：2022-02-01
申请号：CN202111289499.9
申请日：2021-11-02
Applicant: 安徽大学
IPC: G06T3/40 , G06K9/62 , G06T5/50 , G06V10/764
Abstract: 本发明属于医学图像重构技术领域，公开了一种脑PET图像超分辨率方法、系统、设备及处理终端，所述脑PET图像超分辨率方法包括：获取带有标签的脑PET高分辨率图像数据集，将数据集分为训练集与测试集；对图像进行双三次下采样，得到低分辨率的训练集和测试集；在SRGAN生成器的残差块中加入简单注意力机制SimAm得到ARB，用ARB代替原有残差块；在生成器后加入分类器ResNet34，得到SRGAN_RC；将分类器的分类损失与SRGAN损失联合优化，用训练集训练网络；用高清测试集和低清测试集测试SRGAN_RC模型，评估网络性能。本发明通过引入医学先验知识与简单注意力机制，提高脑PET图像的分辨率。
-
Patent Agency Ranking
公开(公告)号：CN114022384B
公开(公告)日：2025-03-28
申请号：CN202111308284.7
申请日：2021-11-05
Applicant: 安徽大学
IPC: G06T5/70
Abstract: 本发明公开一种基于各向异性扩散模型的自适应边缘保持去噪方法，包括以下步骤：原始噪声图像预处理、构建去噪算法模型、原始噪声图像迭代计算和原始噪声图像去噪处理；本发明改进了基于分数阶微分算子与高斯曲率相结合的自适应图像去噪算法的扩散系数，加入双边滤波和局部方差，在扩散模型中引入正则化项，提高图像边缘保持的效果，对自适应图像去噪算法模型的扩散系数进行了修正，使得去噪和保持边缘的效果更好，提高图像的视觉效果；利用局部方差调节扩散系数，以更好地控制扩散速度；正则化项的加入提高了图像保真度，并且使用了自适应阈值，除了自然图像，在处理医学图像方面也优于传统图像处理方法。
-
公开(公告)号：CN113487503B
公开(公告)日：2024-07-09
申请号：CN202110749087.2
申请日：2021-07-01
Applicant: 安徽大学
IPC: G06T5/73 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于通道注意力生成对抗网络的PET超分辨率方法。该方法包括：步骤一.获取高分辨率的训练数据集和测试数据集；步骤二.获取低分辨率的训练数据集和测试数据集；步骤三.在超分辨率生成对抗网络(Super Reso l ut i on Generat i ve Adversar i a l Network，SRGAN)的生成器中用残差通道注意力块取代残差块，得到通道注意力超分辨率生成对抗网络；步骤四.用像素级的均方误差损失改进SRGAN的感知损失；步骤五.对网络进行训练；步骤六.用图像质量评价指标对网络进行评价。本发明在SRGAN的基础上加入了通道注意力机制，使得生成器网络更加关注含有丰富高频信息的通道，增加了卷积神经网络的表征能力。同时，用像素级的均方误差损失改进SRGAN的感知损失，进一步提高了重建图像的质量。
-
公开(公告)号：CN117314671A
公开(公告)日：2023-12-29
申请号：CN202311326796.5
申请日：2023-10-13
Applicant: 安徽大学
IPC: G06Q50/00 , G06N3/0464 , G06N5/022 , G06F18/22 , G06N3/0455 , G06F16/901
Abstract: 本发明公开了一种基于特征图增强的网络嵌入的社团检测方法，关注特征图的信息，并将其与拓扑结构和特征嵌入相结合进行社区检测，可以利用节点在特征空间的关系实现更可靠的社团检测分析，最后通过伯努利泊松分布模型将节点聚集到对应的社团，充分利用特征空间中节点的关系，并将其与拓扑图和特征嵌入相结合，并通过具有注意机制的分层融合方法将它们的特征进行融合，从而实现更高质量的社团检测。本发明能够有效且高效地对复杂网络进行社团检测，能够使得检测出来的社团内部节点之间的链接较社团之间的紧密，同时社团内部的节点具有较好的属性相似性，更加体现了社团的同质性，本发明能够为复杂网络的分析等研究提供有力的支持。
-
公开(公告)号：CN114332847A
公开(公告)日：2022-04-12
申请号：CN202210006799.X
申请日：2022-01-05
Applicant: 安徽大学
IPC: G06V20/64 , G06N3/08 , G06K9/62 , G06V10/762 , G06V10/774
Abstract: 本发明属于图像聚类领域，具体涉及一种基于主动选择约束的深度图像聚类方法、系统、装置。包括如下步骤：S1：构建包含两个共享权重的子网络的孪生网络；S2：在孪生网络后增加一个聚类网络进而得到所需的深度图像聚类模型；S3：获取多个原始图像，构成所需的数据集；S4：随机选择数据集中样本图像，人工添加约束信息后依次输入到深度图像聚类模型中完成聚类处理；S5：根据数据集中所有样本的对应的聚类结果，主动选择各个类别中具有弱链接关系的样本图像构建成对约束，重新聚类；S6：设定迭代次数对网络模型进行迭代训练。本发明解决了现有半监督聚类方法的数据集中样本间的成对约束质量难以保证，进而导致聚类精度差等问题。
-
公开(公告)号：CN118710525A
公开(公告)日：2024-09-27
申请号：CN202410857756.1
申请日：2024-06-28
Applicant: 安徽大学
Abstract: 本发明提供一种图像去雾模型的训练方法、图像去雾方法，训练方法包括：获取原始有雾图像和对应的原始清晰无雾图像；对原始有雾图像进行两次下采样，对应得到中分辨率有雾图像、低分辨率有雾图像；对原始有雾图像、中分辨率有雾图像、低分辨率有雾图像分别进行特征提取,对应得到3个不同尺度的特征信息；基于所述3个不同尺度的特征信息进行图像重建,得到去雾图像；计算去雾图像与原始清晰无雾图像之间的损失，并基于该损失对图像去雾模型进行训练，得到训练好的图像去雾模型。本发明提供的方法，能够有效提高去雾的效果。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
