-
公开(公告)号：CN112686345B
公开(公告)日：2024-03-15
申请号：CN202011632940.4
申请日：2020-12-31
Applicant: 江南大学
IPC: G06V30/244 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明提供一种基于注意力机制的脱机英文手写识别方法，其可以提高对手写字符串的识别率，满足实际应用的需求。本发明技术方案中构建的脱机英文手写识别模型包括基于注意力机制的卷积神经网络和双向长短期记忆网络模型，基于注意力机制构建的卷积神经网络提取的图像特征，特征图经注意力模块后更能聚焦有用特征而非无用的手写拖拽特征，使得提取的图像特征更加关注有用信息，忽略无用信息，进而提高了图像识别的准确率。
-
公开(公告)号：CN102572499A
公开(公告)日：2012-07-11
申请号：CN201010575207.3
申请日：2010-12-07
Applicant: 江南大学
Abstract: 本发明公开一种基于小波变换多分辨率预测的无参考图像质量评价方法。其步骤包括：(1)选取理想图像，计算小波变换后各尺度各方向的平均能量；(2)利用各尺度能量特征之间的近似线性关系，建立预测模型；(3)根据预测模型，利用失真图像的高尺度子带平均能量去预测理想图像低尺度的子带平均能量；(4)适当调整失真很严重图像所预测的平均能量；(5)补偿噪声失真图像的能量；(6)补偿JPEG失真类型图像的能量；(7)结合人类视觉系统特性，构建无参考图像质量评价尺度。本发明无需主观得分训练，与主观评价高度一致，能够适用于多种失真类型，可用于对图像视频处理方法有效性进行检测。
-
公开(公告)号：CN102572499B
公开(公告)日：2015-11-25
申请号：CN201010575207.3
申请日：2010-12-07
Applicant: 江南大学
IPC: H04N17/00 , H04N19/154
Abstract: 本发明公开一种基于小波变换多分辨率预测的无参考图像质量评价方法。其步骤包括：(1)选取理想图像，计算小波变换后各尺度各方向的平均能量；(2)利用各尺度能量特征之间的近似线性关系，建立预测模型；(3)根据预测模型，利用失真图像的高尺度子带平均能量去预测理想图像低尺度的子带平均能量；(4)适当调整失真很严重图像所预测的平均能量；(5)补偿噪声失真图像的能量；(6)补偿JPEG失真类型图像的能量；(7)结合人类视觉系统特性，构建无参考图像质量评价尺度。本发明无需主观得分训练，与主观评价高度一致，能够适用于多种失真类型，可用于对图像视频处理方法有效性进行检测。
-
公开(公告)号：CN102547363B
公开(公告)日：2015-06-24
申请号：CN201010575153.0
申请日：2010-12-07
Applicant: 江南大学
IPC: H04N17/00
Abstract: 本发明公开一种基于轮廓波变换域图像能量特征的无参考图像质量评测方法。该方法步骤包括：(1)选择理想图像，然后计算其经轮廓波变换后的各尺度平均能量；(2)利用各尺度能量特征之间的近似线性关系，建立预测模型；(3)利用预测模型和高尺度的平均能量，预测低尺度的平均能量；(4)根据预测的平均能量和由失真图像计算的平均能量初步度量图像质量；(5)对JPEG失真类型进行能量补偿；(6)根据图像质量初步度量和JPEG失真的能量补偿，构建无参考的图像质量评测尺度。本发明无需主观得分进行训练，方法简单，能够适用于多种蚀变类型，与主观评价高度一致，可用于对图像视频处理方法有效性进行检测。
-
公开(公告)号：CN104104943A
公开(公告)日：2014-10-15
申请号：CN201310123323.5
申请日：2013-04-10
Applicant: 江南大学
IPC: H04N17/00 , H04N19/154
Abstract: 一种基于广义回归神经网络无参考JPEG2000压缩图像质量评价方法，其特征在于按如下步骤进行：(一)选择LIVE2数据库中的JPEG2000图像作为训练样本；(二)将该库中的图像转化为相位一致图像；(三)计算相位一致图像的信息熵、对比度和同质性；(四)把图像的信息熵、对比度和同质性3个参数作为输入，DMOS的值作为输出，在LIVE2数据库上对广义回归神经网络进行训练学习；(五)用训练好的广义回归神经网络对待评价图像质量进行预测，得分作为图像的质量评价指标。本发明是一种不需要参考图像，评价JPEG2000图像质量好坏的方法，并且评价结果符合人类视觉主观认识结果。
-
Patent Agency Ranking
公开(公告)号：CN102006497B
公开(公告)日：2013-06-12
申请号：CN201010554928.6
申请日：2010-11-16
Applicant: 江南大学
IPC: H04N17/00
Abstract: 本发明公开一种基于图像局部统计特征的模糊图像无参考评测方法，主要解决模糊图像无参考客观评价问题。该方法步骤包括：(1)首先在待测试图像上采用滤波方法生成一幅模糊图像，(2)使用Sobel算子检测出原始待测试图像的边缘，选择围绕边缘点的局部区域集合；(3)根据选择的局部区域，统计出原始图像和生成模糊图像的变差统计；(4)适当调整局部区域变差统计；(5)根据这些变差统计，构造了一个模糊图像评价测度。本发明结构简单、计算复杂度低，易于硬件实现，与主观评价高度一致的优点，可用于对图像视频处理方法进行有效性检测。
-
公开(公告)号：CN110956201B
公开(公告)日：2023-07-25
申请号：CN201911079537.0
申请日：2019-11-07
Applicant: 江南大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种基于卷积神经网络的图像失真类型分类方法，其可以快速进行分类，且自动实施，无需人工判断，判断结果更为准确。其包括步骤：S1：得到待分类失真图像；S2：搭建基于卷积神经网络的图像失真类型分类模型；模型包括依次连接的输送层、第一卷积块、第二卷积块、第三卷积块，最后连接连续的三个全连接层；每一个卷积块后面跟着一个池化层；第一卷积块包括卷积核为11×11的卷积层，第二卷积块包括卷积核为5×5的卷积层，第三个卷积块包括卷积核为3×3的卷积层；三个全连接层中最后一个全连接层设置与失真类型对应的输出单元；S3：训练分类模型，得到训练好的分类模型；S4:将待分类失真图像输入到训练好的分类模型，进行图像分类。
-
公开(公告)号：CN111369548B
公开(公告)日：2023-06-06
申请号：CN202010161674.5
申请日：2020-03-10
Applicant: 江南大学
IPC: G06T7/00 , G06V10/46 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明提供一种基于生成对抗网络的无参考视频质量评价方法，其无需原始视频信息，方法简单，适用范围广，且分类准确率高。首先利用生成对抗网络恢复失真视频帧块的分辨率，然后将失真视频帧块和与其对应的复原的视频帧块的显著图作为输入送入到视频质量评价网络，对失真视频帧块的质量进行评价。同时本发明还公布了一种基于生成对抗网络的无参考视频质量评价装置。
-
公开(公告)号：CN109919901A
公开(公告)日：2019-06-21
申请号：CN201810832910.4
申请日：2018-07-25
Applicant: 江南大学
IPC: G06T7/00
Abstract: 一种基于集成学习与随机森林的图像质量评价方法，其可大大提高图片质量评价的准确度，其具体实现步骤如下：（1）选择六种基学习算法，（2）采用步骤（1）所选择的基学习算法对失真图像进行打分，（3）将打分后的分数组成训练数据，（4）使用训练数据建立深度随机森林模型，深度随机森林模型包括包括K层训练步骤，经每层训练步骤中的随机森林过滤后得出过滤特征，将过滤特征与原始特征结构构成强化特征，将强化特征作为下一层训练步骤的输入值进行训练，循环往复，直至最后一层，最后一层训练步骤得出的数据作为失真图像的分数。
-
公开(公告)号：CN104463084A
公开(公告)日：2015-03-25
申请号：CN201310442638.6
申请日：2013-09-24
Applicant: 江南大学
CPC classification number: G06K9/00161 , G06K9/6269
Abstract: 本发明公开了一种基于非负矩阵分解的离线手写体签名识别方法，所需步骤包括：(一)采集签名数据，并对所有签名图像进行预处理，获得所有预处理后的训练集签名图像的数据矩阵A以及需识别的测试集签名图像的数据矩阵B；(二)对训练集签名图像特征的提取：将A进行非负矩阵分解(NMF)，得到对应的基图像矩阵W和每张签名图像对应的权重向量即特征向量构成的特征矩阵H；(三)对测试集签名图像特征的提取：将测试集签名图像的数据矩阵B在基图像上做投影，得到投影系数矩阵H’；(四)采用支持向量机进行训练并分类决策，判断是真签名还是假签名。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.015 seconds)
