-
公开(公告)号：CN116206166A
公开(公告)日：2023-06-02
申请号：CN202310490898.4
申请日：2023-05-05
Applicant: 西南科技大学
IPC: G06V10/77 , G06V10/774 , G06V10/764 , G06V40/16
Abstract: 本发明公开了一种基于核投影学习的数据降维方法、设备和介质，包括以下具体步骤：构建OPLFE模型并引入核函数，将原始数据空间转到高维非线性空间中；获取空间转换的映射关系，确定约束条件，构建核Gram矩阵，指导低秩矩阵学习数据的高维非线性关系；基于单个核Gram矩阵构建多核Gram矩阵，并定义核Gram矩阵权重参数；根据多核Gram矩阵，确定数学联合核投影与表示学习的图像特征提取JNPRL模型；对JNPRL模型进行优化，输出降维后的图像数据。通过学习数据在高维非线性核空间中的数据结构关系指导数据从原始空间到低维特征空间过程的数据转换，提取出图像的主要特征信息，提高对于人脸图像特征提取的精度。
-
公开(公告)号：CN111259904B
公开(公告)日：2022-12-27
申请号：CN202010047315.7
申请日：2020-01-16
Applicant: 西南科技大学
IPC: G06V10/26 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习和聚类的语义图像分割方法和系统，包括以下步骤：S1:通过卷积神经网络，对原图像进行卷积和池化，得到原图像的线性特征矩阵；S2:将所述线性特征矩阵，进行子空间聚类，得到聚类后的特征数据；S3:将所述聚类后的特征数据，通过反卷积和上采样，处理至与原图像相同的像素，得到分割后的图像。本发明将深度神经网络中的卷积神经网络(CNN)与子空间聚类相结合，又用稀疏子空间替代CNN中全连接层的方式，解决了现有技术中语义图像分割计算复杂，数据量大而信息贫乏的问题。在神经网络中引入子空间聚类方法，减少了CNN工作时需要的大量标记数据，实现对CNN神经网络的无监督学习。
-
公开(公告)号：CN113378415A
公开(公告)日：2021-09-10
申请号：CN202110925533.0
申请日：2021-08-12
Applicant: 西南科技大学
IPC: G06F30/20 , G06F17/16 , G06K9/40 , G06K9/46 , G06K9/62 , G06F111/04 , G06F119/10
Abstract: 本发明公开了一种基于局部和全局约束的多媒体数据自适应恢复方法及装置，包括以下步骤：提取多媒体数据的特征数据，所述特征数据包括全局特征和局部特征；用构建好的数据全局约束模型对所述特征数据进行低秩约束，以获取干净数据；用构建好的噪声数据局部相似性度量模型对所述特征数据中的噪声进行提取，以获取噪声数据。本发明的目的在于提供一种基于局部和全局约束的多媒体数据自适应恢复方法和装置，能提高数据恢复质量，尤其是对破坏严重的图像、视频等多媒体数据的恢复效果更明显，能够提供更加准确的图像和视频目标和背景信息，达到较理想的去噪效果。
-
公开(公告)号：CN111259904A
公开(公告)日：2020-06-09
申请号：CN202010047315.7
申请日：2020-01-16
Applicant: 西南科技大学
Abstract: 本发明公开了一种基于深度学习和聚类的语义图像分割方法和系统，包括以下步骤：S1:通过卷积神经网络，对原图像进行卷积和池化，得到原图像的线性特征矩阵；S2:将所述线性特征矩阵，进行子空间聚类，得到聚类后的特征数据；S3:将所述聚类后的特征数据，通过反卷积和上采样，处理至与原图像相同的像素，得到分割后的图像。本发明将深度神经网络中的卷积神经网络(CNN)与子空间聚类相结合，又用稀疏子空间替代CNN中全连接层的方式，解决了现有技术中语义图像分割计算复杂，数据量大而信息贫乏的问题。在神经网络中引入子空间聚类方法，减少了CNN工作时需要的大量标记数据，实现对CNN神经网络的无监督学习。
-
公开(公告)号：CN110163872A
公开(公告)日：2019-08-23
申请号：CN201910396497.6
申请日：2019-05-14
Applicant: 西南科技大学
Abstract: 本申请实施例公开了一种HRMR图像分割与三维重建的方法及电子设备，用于定位的准确性以及分割结果的精准度。本申请实施例方法包括：获取待分割的颅内HRMR图像；提取粥样硬化斑块所在的感兴趣区域；对感兴趣区域进行降噪处理，得到降噪后的图像；对降噪后的图像进行图像边缘增强，得到边缘增强后的图像；对边缘增强后的图像进行斑块定位，得到斑块定位图像；对斑块定位图像进行斑块分割，得到斑块分割图像；对颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像；将斑块分割图像和动脉血管分割图像进行融合，得到融合图像；根据斑块分割图像、动脉血管分割图像和融合图像，进行三维重建，得到三维重建后的图像。
-
Patent Agency Ranking
公开(公告)号：CN118864503A
公开(公告)日：2024-10-29
申请号：CN202411345394.4
申请日：2024-09-26
Applicant: 西南科技大学
IPC: G06T7/11 , G06V10/52 , G06T3/4038 , G06T3/4046 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度动态自调整的图像处理方法及装置，涉及图像处理技术领域，先通过基于轻量可变形残差模块以及多尺度增强自注意力机制模块构成的多层次图像分割网络对目标处理医学图像进行多层次图像特征提取，然后通过基于多尺度增强自注意力机制模块构成的多层次上采样网络对最后一个尺寸的下采样处理图像依次进行多层次上采样，能够动态捕获浅层的轮廓信息，同时避免了过大的计算消耗以及不易训练的问题，避免了巨额计算开销的同时，有效缓解了特征信息的冗余；最后通过多个深度不接收同的语义缓解模块对下采样处理图像与上采样处理图像进行语义连接，以简单高效的方式缓解语义差，提升了网络分割性能。
-
公开(公告)号：CN117611931B
公开(公告)日：2024-04-05
申请号：CN202410091515.0
申请日：2024-01-23
Applicant: 西南科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/762 , G06V10/80 , G06V10/778 , G06N3/0499 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于深度自表示局部块学习的数据分类方法及系统，涉及数据分类技术领域，解决了在数据中存在的异常值对自表示学习的影响，以及目前基于深度学习的子空间方法未能充分考虑样本的细节特征和抽象特征之间的平衡，导致模型无法有效地学习数据的特征表示，使得模型聚类结果不准确的问题，本方案通过分块矩阵自表示加权和共识表示学习，学习数据的全局结构信息和局部结构信息，不仅增强了同一类样本在全局和局部范围内的相似性，还提高了同一类样本被划分到同一子空间的正确率。极大地提升了模型的聚类性能。
-
公开(公告)号：CN114782688B
公开(公告)日：2025-02-11
申请号：CN202210313253.9
申请日：2022-03-28
Applicant: 西南科技大学
IPC: G06V10/26 , G06V10/762 , G06V10/56
Abstract: 本发明属于自然图像分割领域，具体涉及一种基于张量子空间聚类的自然图像分割方法和系统，基于张量子空间聚类的自然图像分割方法，包括获取原始的自然图像；将原始的自然图像进行预处理，得到多个超像素块；对所述超像素块进行特征数据提取，得到特征数据矩阵；将所述特征数据矩阵代入到预设的张量子空间聚类模型中，计算得到表示系数矩阵；根据所述表示系数矩阵，根据预设公式，计算得到亲和度矩阵；将所述亲和度矩阵导入谱聚类算法模型中，得到分割的前景图像和背景图像。本发明可以实现在使用张量子空间聚类进行图像分割时，张量子空间聚类能够时得到的特征更具鲁棒性，使自然图像分割出的前景图像和背景图像精度得到有效提升。
-
公开(公告)号：CN118864503B
公开(公告)日：2024-11-29
申请号：CN202411345394.4
申请日：2024-09-26
Applicant: 西南科技大学
IPC: G06T7/11 , G06V10/52 , G06T3/4038 , G06T3/4046 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度动态自调整的图像处理方法及装置，涉及图像处理技术领域，先通过基于轻量可变形残差模块以及多尺度增强自注意力机制模块构成的多层次图像分割网络对目标处理医学图像进行多层次图像特征提取，然后通过基于多尺度增强自注意力机制模块构成的多层次上采样网络对最后一个尺寸的下采样处理图像依次进行多层次上采样，能够动态捕获浅层的轮廓信息，同时避免了过大的计算消耗以及不易训练的问题，避免了巨额计算开销的同时，有效缓解了特征信息的冗余；最后通过多个深度不接收同的语义缓解模块对下采样处理图像与上采样处理图像进行语义连接，以简单高效的方式缓解语义差，提升了网络分割性能。
-
公开(公告)号：CN113378415B
公开(公告)日：2021-11-02
申请号：CN202110925533.0
申请日：2021-08-12
Applicant: 西南科技大学
IPC: G06F30/20 , G06F17/16 , G06K9/40 , G06K9/46 , G06K9/62 , G06F111/04 , G06F119/10
Abstract: 本发明公开了基于局部和全局约束的多媒体数据自适应恢复方法及装置，方法包括以下步骤：提取多媒体数据的特征数据；用构建好的数据全局约束模型对所述特征数据进行低秩约束；用构建好的噪声数据局部相似性度量模型对特征数据中的噪声进行提取；用交替最小化方法或交替方向乘子法迭代求解数据全局约束模型和噪声数据局部相似性度量模型，以获取干净数据和噪声数据。本发明的目的在于提供一种基于局部和全局约束的多媒体数据自适应恢复方法和装置，能提高数据恢复质量，尤其是对破坏严重的图像、视频等多媒体数据的恢复效果更明显，能够提供更加准确的图像和视频目标和背景信息，达到较理想的去噪效果。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.019 seconds)
