-
公开(公告)号：CN116797677A
公开(公告)日：2023-09-22
申请号：CN202310779355.4
申请日：2023-06-28
Applicant: 重庆邮电大学
IPC: G06T9/00 , G06N3/0464 , G06V10/44 , G06V10/82 , G06T3/40
Abstract: 本发明属于图像处理领域，涉及一种基于矩阵数据重排的图像特征编码方法、装置及电子设备；所述方法包括获取待处理的目标图像并预处理；采用特征提取网络提取出目标图像的输入特征张量；将输入特征张量切分为若干子特征，在通道上采用通道或空间维度优先进行矩阵数据重排，拼接得到目标图像的第一特征张量；采用分组特征混合器对第一特征张量进行处理，生成目标图像的第二特征张量，并进行残差连接，连接得到目标图像的第三特征张量；将第三特征张量切分为若干子特征，在空间上采用相对应的空间或通道维度优先进行逆矩阵数据重排，拼接得到目标图像的输出特征张量。本发明能够充分利用图像内部的信息，提高了模型在计算机视觉任务中的性能。
-
公开(公告)号：CN113435578A
公开(公告)日：2021-09-24
申请号：CN202110712501.2
申请日：2021-06-25
Applicant: 重庆邮电大学
IPC: G06N3/04
Abstract: 本发明属于图像处理领域，具体涉及一种基于互注意力的特征图编码方法、装置及电子设备，所述方法包括获取待处理的特征图，将待处理的每个特征图经过卷积模块后编码为两个相同且维度可调的第一向量和第二向量；通过第一向量和第二向量计算所有特征图之间的互注意力得分情况，利用卷积模块对特征图进行重新编码；本发明将不同特征图信息按一定注意力权重进行融合，使得重新编码后的特征图所包含的信息更加全面且有效，即在编码过程中，所含信息越丰富的输入特征图在重编码后的特征图中保留所占的比重就会越大，能够充分挖掘出特征图的信息。
-
公开(公告)号：CN119942540A
公开(公告)日：2025-05-06
申请号：CN202510038952.0
申请日：2025-01-10
Applicant: 重庆邮电大学
IPC: G06V20/69 , G06V10/44 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于YOLOv8改进模型的血细胞图像检测方法，该方法包括：获取待检测血细胞图像数据，将其输入训练后的YOLOv8改进模型中，得到血细胞检测结果；该YOLOv8改进模型包括主干网络backbone，颈部网络neck和检测头head。本发明在现有YOLOv8模型的backbone中引入Swin Transformer模块和SimSPPF模块，可以降低模型参数和提升模型的实时检测速度；在现有YOLOv8模型的颈部引入SGE注意力机制和SGE_C2f模块，同时还引入MFN模块，可以在保证模型参数量不变的情况下，提高对血细胞的特征提取能力；本发明对YOLOv8模型参数量、检测指标上有极大的改善，相较于现有YOLOv8模型实现了轻量化与高性能的平衡，可以明显提升血细胞检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN112767251B
公开(公告)日：2023-04-07
申请号：CN202110073381.6
申请日：2021-01-20
Applicant: 重庆邮电大学
Abstract: 本发明属于图像超分辨率重建领域，具体涉及一种基于多尺度细节特征融合神经网络的图像超分辨率方法，该方法包括：获取待处理的图像，将待处理的图像输入到训练好的改进的深度神经网络模型中，得到高质量图像；本发明在提取特征的过程中，增加了原始图片中的高频信息，通过这种集成的方式，增加了网络的稳定性；另外在残差密集块方面，利用了多层的特征融合机制，增加了语义信息，也加入了通道特征筛选，使整个网络能够更好地表达；并且，在特征提取过程的每个阶段，即每个残差密集块后，加入损失计算，用于反向传播调整特征提取的过程，提高了网络的表达能力以及能够更好地学习重建高分辨率图片。
-
公开(公告)号：CN113435578B
公开(公告)日：2022-04-05
申请号：CN202110712501.2
申请日：2021-06-25
Applicant: 重庆邮电大学
IPC: G06N3/04
Abstract: 本发明属于图像处理领域，具体涉及一种基于互注意力的特征图编码方法、装置及电子设备，所述方法包括获取待处理的特征图，将待处理的每个特征图经过卷积模块后编码为两个相同且维度可调的第一向量和第二向量；通过第一向量和第二向量计算所有特征图之间的互注意力得分情况，利用卷积模块对特征图进行重新编码；本发明将不同特征图信息按一定注意力权重进行融合，使得重新编码后的特征图所包含的信息更加全面且有效，即在编码过程中，所含信息越丰富的输入特征图在重编码后的特征图中保留所占的比重就会越大，能够充分挖掘出特征图的信息。
-
公开(公告)号：CN116797678A
公开(公告)日：2023-09-22
申请号：CN202310780064.7
申请日：2023-06-28
Applicant: 重庆邮电大学
IPC: G06T9/00 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 本发明属于图像处理领域，涉及一种基于多头类卷积自注意力的图像特征编码方法、装置及电子设备；所述方法包括获取目标图像并进行预处理；提取出输入特征张量后进行展开操作，按照指定步长和子区域大小生成Q、K、V展开特征；使用可学习的Q、K和V类卷积权重参数，对应编码为一组自注意力特征；使用点积注意力机制计算多头注意力权重，将多头Q特征和多头K特征相互关联；将多头注意力权重应用于多头V特征，融合子区域内的特征点信息，得到多头自注意力输出特征；利用多头混洗权重参数进行混洗操作；提取和整合目标图像的输出特征信息。本发明采用多头类卷积自注意力机制，提升了处理图像时的性能，改善了对图像底层局部特征的学习。
-
公开(公告)号：CN116246098A
公开(公告)日：2023-06-09
申请号：CN202310041708.0
申请日：2023-01-12
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明属于图像识别技术领域，具体涉及一种基于特征块折叠的非局部性卷积建模方法及装置；该方法包括：构建FFNL模块，FFNL模块包括FF子模块、RFF子模块和NL子模块；将FFNL模块嵌入到普通卷积网络的浅层阶段，得到基于特征块折叠的非局部性卷积分类模型；获取训练数据并采用训练数据训练基于特征块折叠的非局部性卷积分类模型，得到训练好的基于特征块折叠的非局部性卷积分类模型；采用训练好的基于特征块折叠的非局部性卷积分类模型对待分类数据处理，得到分类结果；本发明可帮助卷积神经网络建立基于特征块的非局部特征学习机制，从而获得更大的有效感受野和更好的性能。
-
公开(公告)号：CN213028109U
公开(公告)日：2021-04-20
申请号：CN202022134384.X
申请日：2020-09-25
Applicant: 重庆邮电大学
Abstract: 本实用新型属于机器人应用领域，特别涉及一种基于智能终端的家庭机器人服务控制系统统；所述系统包括机器人端和第一智能终端；所述机器人端包括机器人本体以及载有第二智能终端的上位机系统和载有底层控制板的下位机系统；所述上位机系统和所述下位机系统之间通过通讯串口通信；所述第一智能终端与所述第二智能终端通过无线网络进行通信；所述底层控制板按照从第一智能终端的通讯串口接收到的信息控制所述机器人本体运动；本实用新型采用模块化设计，打破了传统机器人一体化设计模式，利用智能终端强大的运算能力替代了运算力弱、自主性低的传统工控机，与底层控制板共同控制机器人本体的运作；实现其高度的智能化目标，服务于大众家庭。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
