公开(公告)号：CN115809962A

公开(公告)日：2023-03-17

申请号：CN202211576778.8

申请日：2022-12-09

Applicant: 武汉大学

Inventor： 陈震中 ,  黄成瑞

IPC: G06T3/40 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明针对图像缩放和图像处理领域，公开了一种图像下采样方法和系统。首先通过尺度自适应特征提取模块从高分辨率图像提取尺度相关特征，再根据通过坐标映射得到的采样坐标对尺度相关特征进行重采样，获得多组与低分辨率图像具有相同大小的候选特征。与此同时，权重生成器根据采样坐标为每组候选特征生成自适应权重。最终通过使用生成的自适应权重对候选特征加权求和获得下采样后的低分辨率图像。本方法提出的图像下采样模型是在现有的基于插值的图像超分辨率重建方法的指导下训练得到的，可以有效解决基于插值的图像下采样方法得到的低分辨率图像通常不能充分适用于现有的图像超分辨率重建方法的问题。

公开(公告)号：CN112418293A

公开(公告)日：2021-02-26

申请号：CN202011296097.7

申请日：2020-11-18

Applicant: 武汉大学

Inventor： 何国良 ,  王晗 ,  黄成瑞 ,  陈仪榕

IPC: G06K9/62 ,  G06F16/2458 ,  G16H50/70

Abstract: 本发明公开了一种基于信息度和代表度的主动学习抽样方法，该方法包括以下步骤：1)对未标注数据集中多元时间序列，获取各时间序列的信息度和代表度；2)基于步骤1)中计算得到的信息度和代表度，通过抽样算法得到最有价值的未标记样本；3)对步骤2)抽样所得的未标注样本进行标注，并将标注后的样本加入标注数据集；4)判断是否满足停止标准，满足停止标准后得到更新后的标记数据集。本发明针对多元时间序列的主动学习问题，提出了一种抽取未标记时间序列样本的有效抽样算法，通过双优化抽样算法结合信息度和代表度进行抽样，能在保证准确度的条件下，有效减少未标记样本的抽样数目。

公开(公告)号：CN112348108A

公开(公告)日：2021-02-09

申请号：CN202011292894.8

申请日：2020-11-18

Applicant: 武汉大学

Inventor： 何国良 ,  王晗 ,  黄成瑞

IPC: G06K9/62

Abstract: 本发明公开了一种基于众包模式的样本标注方法，包括以下步骤：1)获取未标注的多元时间序列数据集，抽取选择数据集中需要标注的样本；2)对所有标注者，基于每个标注者的标注准确度和标注成本，选择达到置信度阈值且成本最低的标注者集，作为成本效益众包标注模型；3)对抽取的需要标注的样本，基于成本效益众包标注模型得到标注结果，将标注后的样本加入标注数据集，并将其逆最近邻样本与该未标注样本分为同一类，加入标记数据集，得到更新后的标记数据集；4)计算停止标准，达到停止条件后，得到多元时间序列数据集对应的最终的标记数据集结果。本发明方法用于实现对未标注样本可靠且低成本的标注。