-
公开(公告)号：CN118862656A
公开(公告)日：2024-10-29
申请号：CN202410886380.7
申请日：2024-07-03
Applicant: 西安工程大学
Abstract: 本发明公开了基于物理扩散过程的时空注意力空气污染预测方法，具体包括如下步骤：步骤1，获取历史空气污染数据及相应的历史气相数据，并对获取的数据进行预处理，并将预处理后的数据集划分为测试集、验证集和训练集；步骤2，构建基于物理扩散过程的空气污染时空注意力预测模型；步骤3，通过步骤1划分的训练集对步骤2构建的基于物理扩散过程的空气污染时空注意力预测模型进行训练；步骤4，使用步骤1划分的测试集对步骤3训练后的模型进行测试，输出预测结果。本发明提供的方法解决了现有的基于注意力机制的方法由于没有集成污染物传播物理机理而导致的预测精度不高以及无法反应站点之间关系的实时变化问题。
-
公开(公告)号：CN118297807A
公开(公告)日：2024-07-05
申请号：CN202410467247.8
申请日：2024-04-18
Applicant: 西安工程大学
IPC: G06T3/4076 , G06T5/73 , G06T5/60 , G06V10/44 , G06V10/80 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了基于多尺度残差注意力的图像超分辨重建方法，采用超分辨网络接收低分辩输入图像，低分辩输入图像依次经过浅层特征提取、深度特征提取和图像重建部分，网络输出得到超分辨图像。本发明设计多尺度非局部注意力模块，通过探索低分辨图像内部的多尺度图像块之间的相似性，从而有效地探索多尺度特征固有的长程依赖关系。本发明解决了现有超分辨重建方法无法准确评估不同特征之间的相似性，从而不能根据特征相似性有效利用图像内部相似结构对图像内容有效重建，导致重建结果纹理结构失真、边缘细节迷糊的问题。
-
公开(公告)号：CN118115915A
公开(公告)日：2024-05-31
申请号：CN202410220485.9
申请日：2024-02-28
Applicant: 西安工程大学
IPC: G06V20/40 , G06V20/70 , G06V10/82 , G06V10/80 , G06V10/766 , G06N3/0442 , G06N3/09
Abstract: 本发明公开了基于语义类别感知的多尺度视频质量评价方法，具体包括如下过程：首先将视频帧以及视频帧分块作为相对应的数据，形成有约束关系的全局‑局部多尺度特征，利用GRU网络建立多尺度时间信息并同时捕捉短时和长时的时间依赖关系；使用伪标签生成策略得到视频中的语义类别信息，利用监督对比学习策略来学习与视频语义信息相关的语义类别感知特征，通过多任务框架实现局部空时信号表征空间与全局空间中视频语义信息的嵌入，在全局语义类别信息约束下，构建了具有局部‑全局关系约束的UGC‑VQA模型，从而实现多尺度评价视频的质量。该方法利用深度学习模型自动的评价UGC视频的质量，能够获得与人眼感官一致的视频评分。
-
公开(公告)号：CN117252818A
公开(公告)日：2023-12-19
申请号：CN202311113182.9
申请日：2023-08-31
Applicant: 西安工程大学
IPC: G06T7/00 , G06V10/774 , G06V10/80 , G06V10/82 , G06V20/70
Abstract: 本发明公开了基于改进YOLOv5的PCB缺陷检测方法，具体过程为：收集实时拍摄的PCB检测图像以及人工合成的图像，并对这些图像进行标记，构成数据集图像，通过设计多尺度注意力MBiFormer模块，并对于特征提取层后插入该模块，从而实现从多个尺度对图像特征进行提取融合。解决了现有检测方法对PCB中微小缺陷难以提取及检测精度低的问题。
-
公开(公告)号：CN118096621A
公开(公告)日：2024-05-28
申请号：CN202410220490.X
申请日：2024-02-28
Applicant: 西安工程大学
Abstract: 本发明公开了基于混合注意力的渐进式弱光图像增强方法，具体包括如下过程：输入弱光图像经卷积得到初始特征映射，随后经过第一阶段子网络，由重建混合注意力模块对特征进行初步的整合；随后第二阶段子网络和第三阶段子网络以渐进融合的方式充分利用多尺度特征，实现特征的全局信息表达；最后引入像素损失、多尺度感知损失和颜色损失，进而重建出更高质量的弱光图像恢复结果。本发明通过对多尺度特征局部和非局部信息的充分利用，由粗到精的解决了图像重建后出现的失真问题。
-
Patent Agency Ranking
公开(公告)号：CN117252812A
公开(公告)日：2023-12-19
申请号：CN202311077258.7
申请日：2023-08-25
Applicant: 西安工程大学
Abstract: 本发明公开了基于三重注意双尺度残差网络的超分辨图像质量评价方法，首先，给定一幅超分辨图像，将超分辨图像不重叠的裁剪为超分辨图像块；然后，依次通过卷积层、三重注意力模块和双尺度卷积模块提取超分辨图像块的特征；最后，通过最大池化操作对特征提取阶段的输出特征进行压缩，将压缩特征送入全连接层进行非线性质量映射，输出超分辨图像块的预测质量分数。本发明采用三重注意力模块用于探索图像中的显著特征，同时设计了一个双尺度卷积模块DSCM，以捕获更加全面的图像信息，以实现更有效评价超分辨图像的目的。
-
公开(公告)号：CN119919370A
公开(公告)日：2025-05-02
申请号：CN202411982854.4
申请日：2024-12-31
Applicant: 西安工程大学
IPC: G06T7/00 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开了基于多尺度分层融合的轻量化道路缺陷检测方法，具体包括如下步骤：步骤1，构建数据集，并将数据集划分为训练集、测试集和验证集；步骤2，构建多尺度分层融合轻量化目标检测模型；步骤3，采用步骤1划分的训练集对步骤2构建的模型进行训练；步骤4，使用步骤1划分好的测试集和验证集对步骤3训练好的模型进行测试和验证，输出检测结果。本发明解决了现有检测方法采用单尺度特征提取方式存在的小目标漏检的问题。
-
公开(公告)号：CN117994134A
公开(公告)日：2024-05-07
申请号：CN202410208885.8
申请日：2024-02-26
Applicant: 西安工程大学
IPC: G06T3/4053 , G06T3/4046 , G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于多频域级联的超分辨图像质量评价方法，具体过程为，将SR图像裁剪成不重叠的图像块，给每个图像块分配质量标签，并利用2D_DCT将超分辨图像转换到频域，并对其进行频带分割；将经过CNN得到的特征引入到Transformer网络中，以二者相互协作的方式，同时利用局部信息和全局信息来进一步的提取超分辨图像的质量；设计一个质量分数预测模块来建立预测结果与主观分数之间的映射关系，以达到有效评价超分辨图像质量的目的。本发明的无参考型超分辨图像质量评价方法度量标准能够实现与人类主观具有更一致的感知质量评估。
-
公开(公告)号：CN118521483A
公开(公告)日：2024-08-20
申请号：CN202410467250.X
申请日：2024-04-18
Applicant: 西安工程大学
IPC: G06T3/4076 , G06T5/73 , G06T5/60 , G06V10/42 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了基于双阶段自注意力的轻量化图像超分辨方法，具体包括如下步骤：步骤1，对数据集进行预处理，将处理后的数据集划分为训练集、验证集和测试集；步骤2，构建基于双阶段自注意力的轻量化图像超分辨网络模型；步骤3，对步骤2构建的网络模型进行训练；步骤4，将测试集输入步骤3训练好的网络模型中，输出超分辨图像。本发明解决了现有的基于Transformer的图像超分辨方法存在的计算冗余、计算资源消耗高的问题，实现了在全局特征范围内进行精确且高效的长程依赖关系建模，有效提升轻量化图像超分辨模型的稳健性和重建质量。
-
公开(公告)号：CN118333865A
公开(公告)日：2024-07-12
申请号：CN202410467245.9
申请日：2024-04-18
Applicant: 西安工程大学
IPC: G06T3/4076 , G06T5/73 , G06T5/60 , G06V10/44 , G06V10/42 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了基于多尺度混合自注意力的轻量化图像超分辨方法，具体包括如下步骤：步骤1，数据集预处理，将处理后的数据集划分为训练集、验证集和测试集；步骤2，构建基于多尺度混合自注意力的轻量化图像超分辨网络模型；步骤3，对步骤2构建的网络模型进行训练；步骤4，将测试集输入步骤3训练好的网络模型中，输出超分辨图像。本发明解决了现有的基于Transformer的图像超分辨方法感受野受限，无法有效重建出精细细节和纹理结构的问题。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
