-
公开(公告)号：CN119962380A
公开(公告)日：2025-05-09
申请号：CN202510057508.3
申请日：2025-01-14
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N20/00 , G06N3/08 , G06F18/213 , G06F18/25 , G06F111/04 , G06F119/08
Abstract: 本发明提出基于物理约束的自适应神经网络的湿物理参数化方法，构建一个结合物理约束的自适应湿物理参数化模型，参数化模型分为两个阶段，第一阶段通过基于双分支的特征提取网络提取来自适应聚合全局与局部信息，从而获得不同尺度的特征信息；第二阶段，为了保留大气状态、对流和云的历史数据变化，设计卷积长短期记忆模块与注意力机制的结合，学习过去时刻和当前已知的大气状态等动态变化关系，然后通过注意力机制去融合筛选学习到的特征来预测湿物理过程中湿度和温度变化趋势等，最后，在训练过程和网络推理过程中还引入湿静态能量守恒作为物理约束来避免模拟结果产生不稳定性和气候漂移等问题。本发明方法参数化过程效率和精度有明显提升。
-
公开(公告)号：CN118864690B
公开(公告)日：2025-04-29
申请号：CN202410867723.5
申请日：2024-07-01
Applicant: 成都信息工程大学
IPC: G06T15/20 , G06T17/00 , G06T11/00 , G06N3/0475 , G06N3/0464 , G06N3/0455 , G06T7/70
Abstract: 本发明涉及一种基于大脑EEG信号的高保真3D重建方法，首先通过面向3D图像信号重建的EEG关联特征来获取大脑活动的精细特征，以实现对参与者视觉感知或想象内容的准确编码；然后采用EEG信号到2D图像映射，利用编码得到的特征对预训练的2D图像生成模块和CLIP模型进行微调，以实现对EEG信号语义的图像化表达，得到预训练的2D图像生成模块；最后将预训练后的2D图像生成模型与3D表示技术相结合，将3D场景参数化通过联合损失函数，以实现从EEG信号编码特征到具体3D图像的直观映射，生成具有高保真度和丰富细节的3D图像。本发明通过参与者对物体所产生的EEG信号而生成其对应的3D图像，为认知科学、心理学和神经科学领域的研究提供新的视角和工具。
-
公开(公告)号：CN119888133A
公开(公告)日：2025-04-25
申请号：CN202510377177.1
申请日：2025-03-28
Applicant: 成都信息工程大学
IPC: G06T17/20 , G06T17/00 , G06T7/90 , G06N3/0455 , G06N3/0475
Abstract: 本发明一种结构感知的三维场景重建方法及装置，包括：根据基于Unet架构的扩散模型构建稀疏点云生成模型；将信息输入稀疏点云生成模型中，生成对应视角下RGB图像帧的相机内外参和稀疏点云数据；根据稀疏点云数据构建粗糙的三维结构网格；对粗糙的三维结构网格进行随机采样，并根据随机采样结果对高斯基元进行高斯场初始化，得到初始化高斯场；计算当前图像帧和RGB彩色图像之间的损失，根据损失依次迭代优化信息中所有RGB图像帧的高斯基元的参数，组合优化后的所有高斯基元，得到重建的三维场景。本发明提升了重建结果的空间一致性、准确性。
-
公开(公告)号：CN116704580B
公开(公告)日：2025-03-07
申请号：CN202310683248.1
申请日：2023-06-09
Applicant: 成都信息工程大学
IPC: G06V40/16 , G06V40/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于深度信息解耦的泛化性人脸伪造检测方法，首先将人脸图像输入到人脸特征提取基础网络，提取出对应的人脸表征信息，然后传递给深度信息解耦模块，深度信息解耦模块将人脸表征信息解耦为真伪判别相关信息和真伪判别无关信息，真伪判别无关信息包括人脸图像生成方法相关信息和其他信息，如人脸表情等；同时，所述深度信息解耦模块还约束所述真伪判别相关信息与真伪判别无关信息相互独立，进而提高伪造检测模型的鲁棒性和可泛化性。
-
公开(公告)号：CN118485923B
公开(公告)日：2024-09-13
申请号：CN202410931719.0
申请日：2024-07-12
Applicant: 成都信息工程大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明提供一种基于模型无关元学习和密集残差注意力的降尺度方法，涉及数据处理领域，包括：确定多个降尺度任务，任意两个降尺度任务对应的气象变量、时间范围和空间范围中的至少一个存在差异；对于每个降尺度任务，确定降尺度任务对应的降尺度样本，包括原气象图及原气象图对应的降尺度气象图；重复执行从多个降尺度任务中采样，形成元批次任务，对元模型进行训练，直至元模型满足预设条件；基于目标降尺度任务的对应的降尺度样本对元模型进行参数调整，生成降尺度模型；获取目标降尺度任务对应的待降尺度气象图；基于降尺度模型，生成待降尺度气象图对应的降尺度气象图，具有提升降尺度结果的大气物理准确性和细节丰富度的优点。
-
Patent Agency Ranking
公开(公告)号：CN118134809A
公开(公告)日：2024-06-04
申请号：CN202410408260.6
申请日：2024-04-07
Applicant: 成都信息工程大学
IPC: G06T5/77 , G06V40/16 , G06V10/774 , G06V10/25 , G06V10/80
Abstract: 本发明提出基于面部属性信息预测的自适应人脸修复网络和装置，通过面部解析网络的微调，从缺失人脸中预测获得完整脸部属性信息，以提供面部结构信息，如缺失人脸应有的姿势、表情和角度等；在面部修复中，区别现有人脸先验信息的方法，通过可分离自适应归一化模块自适应地提取结构信息并进行归一化，将预测的属性信息和输入人脸图像的特征信息进行自适应融合，以准确的结构指导面部结构的生成，最后通过多头判别器的身份提取器获取生成的图像和原始图像的身份信息，使用身份损失约束保证生成中身份的准确性。实验结果表明，本发明方法与现有方法相比，即使在复杂的遮挡部位不同的情况下，也能修复出具有准确结构和清晰纹理的面部图像。
-
公开(公告)号：CN117746171B
公开(公告)日：2024-04-23
申请号：CN202410189155.8
申请日：2024-02-20
Applicant: 成都信息工程大学
IPC: G06V10/77 , G01W1/10 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/045 , G06N3/088 , G06N3/048
Abstract: 本发明提供一种基于对偶学习和辅助信息的无监督气象降尺度方法，涉及数据处理领域，包括：建立无监督气象降尺度模型；获取训练样本，基于训练样本对无监督气象降尺度模型进行训练，生成训练后的无监督气象降尺度模型；获取待降尺度的气象数据；获取待降尺度的气象数据的辅助气象数据，其中，辅助气象数据的分辨率高于待降尺度的气象数据的分辨率；通过训练后的无监督气象降尺度模型基于待降尺度的气象数据及辅助气象数据，生成待降尺度的气象数据对应的降尺度的气象数据，具有提高气象降尺度效率及准确度的优点。
-
公开(公告)号：CN117765378A
公开(公告)日：2024-03-26
申请号：CN202410197246.6
申请日：2024-02-22
Applicant: 成都信息工程大学
IPC: G06V20/00 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种多尺度特征融合的复杂环境下违禁物品检测方法和装置，通过加强局部特征提取和缓解特征融合的语义冲突来提高对重叠目标和小目标的检测能力，设计多尺度注意力模块主干增强网络对重叠物体的局部特征提取能力，引入挤压激励注意力机制减少目标区域的冗余信息；针对小目标的信息丢失问题，设计自适应融合特征金字塔网络，引入包含细节信息的浅层特征和包含语义信息的深层特征防止小目标信息丢失；采用自适应权重融合策略和通道注意力机制，避免直接融合造成的目标信息丢失。实验结果表明，与现有方法相比，本发明即使在物品遮挡严重、背景复杂的情况下也能准确检测出目标，同时具有更优秀的小目标检测能力。
-
公开(公告)号：CN117574961A
公开(公告)日：2024-02-20
申请号：CN202410051188.6
申请日：2024-01-15
Applicant: 成都信息工程大学
IPC: G06N3/0455 , G06N3/084 , G06F16/35 , G06N3/048
Abstract: 本发明涉及一种将适配器注入预训练模型的参数高效化方法和装置，通过将一个可以用于适配各种下游任务的适配器模块注入预训练模型，所述适配器模块设置在靠近输出端，由于在训练过程中，除适配器层外的所有参数会被冻结，而适配器模块的参数靠近输出端，这样使得反向传播的距离大大减小，不仅使得计算梯度的时间大大减小，而且用于存储梯度信息所消耗的显存也会大大减小。从而使得本发明方法能够以极低的成本去适配下游任务，解决以往参数高效化方法虽然可以极大地减少参数，但其训练的时间和硬件成本并没有大幅度减小的问题。
-
公开(公告)号：CN116993788A
公开(公告)日：2023-11-03
申请号：CN202310718688.6
申请日：2023-06-16
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于多帧智能体的多模态医学图像柔性配准算法，基于强化学习设计一种新的端到端的多模态图像配准方法，由软演员‑评论家算法SAC驱动进行训练，能够模仿人类专家的逐步配准过程，提高高维配准动作的精准度。鉴于多模态环境极为复杂，在三维空间中的像素级控制存在严峻挑战，本发明将强化学习与计划者网络结合，鼓励人工代理显式地从已经产生的状态帧中学习更加准确的配准动作，用时空维度的优势克服来自多模态和高维连续动作空间的挑战，避免引入参数量巨大的深层次神经网络，且具有强大的鲁棒性和泛化能力，能够驱动模型沿着正确的方向扭曲移动图像。
-
-
-
-
-
-
-
-
-
Search Results
172
records
(took 0.037 seconds)
