-
公开(公告)号：CN113160032B
公开(公告)日：2024-10-29
申请号：CN202110333549.2
申请日：2021-03-29
Applicant: 浙江工业大学
IPC: G06T3/04 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于生成对抗网络的无监督多模态图像转换方法，包括以下步骤：1)同时输入属于A域图像xa以及属于B域图像xb进入图像跨域转换神经网络中；2)编码器将图像拆分编码为图像内容编码c以及域风格编码s；3)针对不同的域图像配置不同的特定域编码m；4)将内容编码c、域风格编码s和特定域编码m融合并解码，生成指定目标域图像；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，只需单个生成网络即可完成多域的图像生成，高效且有效地实现无监督图像跨域转换。
-
公开(公告)号：CN112581550B
公开(公告)日：2024-10-29
申请号：CN202011391478.3
申请日：2020-12-02
Applicant: 浙江工业大学
IPC: G06T9/00 , G06N3/0464 , G06N3/0475 , G06N3/0455 , G06N3/094 , G06T7/11
Abstract: 一种基于生成对抗网络的非匹配图像风格转换方法，包括以下步骤：1)同时输入属于A风格图像xa以及属于B风格图像xb进入风格转换神经网络中；2)根据源域图像，网络生成器生成对应的目标域风格图像；3)将源域与生成的目标域图像经过分割网络，通过形状一致性损失进行约束；4)将源域与生成的目标域图像经过感知网络，通过感知损失进行一致性约束；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，实现将图像的风格进行有效的转换。通过精心设计的网络结构，能够有效地提高转换图像的质量且适应于更广阔的应用场景范围。
-
公开(公告)号：CN110533066A
公开(公告)日：2019-12-03
申请号：CN201910655806.7
申请日：2019-07-19
Applicant: 浙江工业大学
Abstract: 一种基于深度神经网络的图像数据集自动构建方法，所述图像数据集自动构建方法包括以下步骤：第一步、获取图片：根据目标类别确定需要检索的关键字信息，使用计算机自动程序在互联网上检索出包含关键字的图片并保存下来；第二步、图像清洗：通过使用或改良目前流行的深度神经网络将保存下来的关键字图片与过渡数据集中的类别建立联系，筛选出有价值的建议区域图像；第三步、基于类别层次的数据集构建：针对保存下来的建议区域图像，根据关键字，过渡类别和目标类别的从属关系进行整合操作，输出目标图像数据集。本发明提供了一种可以解决图像识别领域中面临着训练样本数量不够，类型不够丰富的基于深度神经网络的图像数据集自动构建方法。
-
公开(公告)号：CN110706234B
公开(公告)日：2022-05-13
申请号：CN201910950415.8
申请日：2019-10-08
Applicant: 浙江工业大学
Abstract: 本发明公开了一种图像的自动精细分割方法，包括以下步骤：1)通过具有实例分割功能的Mask RCNN算法对输入的原始图像进行初步的分割，得到初始掩膜；2)通过SLIC超像素分割算法对原始图像进行超像素分割得到超像素块，并结合超像素块对初始掩膜的边缘进行扩展；3)结合扩展后的掩膜和初始掩膜进行形态学操作得到GrabCut算法分割的初始三元图；4)利用改进的GrabCut算法建立高斯混合模型，并反复迭代高斯混合模型参数，最后利用最大流最小割算法得到最优目标分割结果。本发明分割所得到的物体掩膜，分割效果在直观上能保证物体的完整性，基本能够将物体的所有信息都分割出来，边缘精度较高，具有很好的视觉效果。
-
公开(公告)号：CN113160032A
公开(公告)日：2021-07-23
申请号：CN202110333549.2
申请日：2021-03-29
Applicant: 浙江工业大学
Abstract: 一种基于生成对抗网络的无监督多模态图像转换方法，包括以下步骤：1)同时输入属于A域图像xa以及属于B域图像xb进入图像跨域转换神经网络中；2)编码器将图像拆分编码为图像内容编码c以及域风格编码s；3)针对不同的域图像配置不同的特定域编码m；4)将内容编码c、域风格编码s和特定域编码m融合并解码，生成指定目标域图像；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，只需单个生成网络即可完成多域的图像生成，高效且有效地实现无监督图像跨域转换。
-
Patent Agency Ranking
公开(公告)号：CN110533066B
公开(公告)日：2021-12-17
申请号：CN201910655806.7
申请日：2019-07-19
Applicant: 浙江工业大学
Abstract: 一种基于深度神经网络的图像数据集自动构建方法，所述图像数据集自动构建方法包括以下步骤：第一步、获取图片：根据目标类别确定需要检索的关键字信息，使用计算机自动程序在互联网上检索出包含关键字的图片并保存下来；第二步、图像清洗：通过使用或改良目前流行的深度神经网络将保存下来的关键字图片与过渡数据集中的类别建立联系，筛选出有价值的建议区域图像；第三步、基于类别层次的数据集构建：针对保存下来的建议区域图像，根据关键字，过渡类别和目标类别的从属关系进行整合操作，输出目标图像数据集。本发明提供了一种可以解决图像识别领域中面临着训练样本数量不够，类型不够丰富的基于深度神经网络的图像数据集自动构建方法。
-
公开(公告)号：CN110505396A
公开(公告)日：2019-11-26
申请号：CN201910588871.2
申请日：2019-07-02
Applicant: 浙江工业大学
IPC: H04N5/232
Abstract: 一种运动相机的低频大幅抖动抑制装置，通过在多自由度机械臂上安装摄像装置，并使用智能算法进行机械臂的控制来实现运动相机的低频大幅抖动抑制，控制组件有传感器模块和控制模块，控制模块根据机械臂自由度的个数，选用基于机器学习或数学建模的控制算法来进行机械臂的自动控制。一种运动相机的低频大幅抖动抑制方法，包括以下步骤：1)、采集抖动信息：机械臂上安置若干传感器来采集相机装置的实时抖动信息；2)、计算控制参数：客户端根据采集到的抖动信息进行抖动抑制所需控制参数的计算；3)、执行控制命令：客户端发送相应的控制命令，机械臂舵机根据解析后的控制命令作出响应动作。本发明实现了针对相机相对缓慢且大幅度的抖动稳定。
-
公开(公告)号：CN112580783B
公开(公告)日：2024-03-22
申请号：CN202011487738.7
申请日：2020-12-16
Applicant: 浙江工业大学
Abstract: 一种高维深度学习模型向低维迁移知识的跨维度知识迁移方法，1)将n‑1维数据x扩充形成伪n维数据y；2)将y输入教师网络，提取n维特征；3)将教师网络提取的n维特征在第n维度上求特征的均值；4)将x输入学生网络，提取n‑1维特征；5)通过损失函数约束，使学生网络的特征输出逼近教师网络的特征输出；6)按步骤1)～5)重复设定次数，直到学生网络的特征输出与教师网络的特征输出相差小于预设阈值；7)按照步骤1)～6)的方法，可迁移到维度n‑2，直到维度m。当只有低维数据或为了提高算法速度只能采用低维数据时，采用本发明可以得到一个低维模型，其中存储了高维模型的知识，且具备了与高维模型相近的特征提取能力。
-
公开(公告)号：CN112581550A
公开(公告)日：2021-03-30
申请号：CN202011391478.3
申请日：2020-12-02
Applicant: 浙江工业大学
Abstract: 一种基于生成对抗网络的非匹配图像风格转换方法，包括以下步骤：1)同时输入属于A风格图像xa以及属于B风格图像xb进入风格转换神经网络中；2)根据源域图像，网络生成器生成对应的目标域风格图像；3)将源域与生成的目标域图像经过分割网络，通过形状一致性损失进行约束；4)将源域与生成的目标域图像经过感知网络，通过感知损失进行一致性约束；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，实现将图像的风格进行有效的转换。通过精心设计的网络结构，能够有效地提高转换图像的质量且适应于更广阔的应用场景范围。
-
公开(公告)号：CN112580783A
公开(公告)日：2021-03-30
申请号：CN202011487738.7
申请日：2020-12-16
Applicant: 浙江工业大学
Abstract: 一种高维深度学习模型向低维迁移知识的跨维度知识迁移方法，1)将n‑1维数据x扩充形成伪n维数据y；2)将y输入教师网络，提取n维特征；3)将教师网络提取的n维特征在第n维度上求特征的均值；4)将x输入学生网络，提取n‑1维特征；5)通过损失函数约束，使学生网络的特征输出逼近教师网络的特征输出；6)按步骤1)～5)重复设定次数，直到学生网络的特征输出与教师网络的特征输出相差小于预设阈值；7)按照步骤1)～6)的方法，可迁移到维度n‑2，直到维度m。当只有低维数据或为了提高算法速度只能采用低维数据时，采用本发明可以得到一个低维模型，其中存储了高维模型的知识，且具备了与高维模型相近的特征提取能力。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.032 seconds)
