-
公开(公告)号：CN111680702A
公开(公告)日：2020-09-18
申请号：CN202010467331.1
申请日：2020-05-28
申请人： 杭州电子科技大学
摘要： 本发明公开了一种使用检测框实现弱监督图像显著性检测的方法。本发明的方法是首先使用全连接条件随机场CRF方法处理不带图像类别信息的检测框标注数据，得到初始的粗糙显著图伪标签作为第一轮模型训练的监督信息，再利用显著图伪标签数据训练图像显著性检测网络模型，接着对显著图伪标签进行更新，即使用显著图更新策略处理模型在训练图像数据上预测得到的显著图，得到下一轮训练所需的显著图伪标签，然后进行迭代精炼的过程，重复模型训练和显著图更新过程，最后微调模型，使模型适应测试的显著性检测数据集。该方法使用不带图像类别信息的检测框标注作为模型的弱监督信息，有效提高弱监督显著性检测方法的性能。
-
公开(公告)号：CN110533068B
公开(公告)日：2020-07-17
申请号：CN201910660942.5
申请日：2019-07-22
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于分类卷积神经网络的图像对象识别方法。本发明先设计提取图像中对象位置和类别信息的分类卷积神经网络模型，删除最后一次下采样操作和全连接层，增加一层通道数为分类类别数的卷积操作，对新加卷积操作的输出特征进行局部峰值搜索，然后经过滤波得到特征图中各个通道上的峰值点，求出各通道峰值点的均值并作为类别预测分数；接着在分类数据集上进行训练，使得设计的分类网络中的参数不断得到更新学习；最后用训练完的模型进行测试，利用最后一层卷积层输出的特征和分类网络预测的类别来获得图像中对象的位置和类别信息。本发明使用标注成本较低的分类数据集且训练成本较低，便能预测出图像中对象显著性的位置和类别信息。
-
公开(公告)号：CN110364223A
公开(公告)日：2019-10-22
申请号：CN201910548286.X
申请日：2019-06-24
申请人： 杭州电子科技大学
IPC分类号： G16B30/00
摘要： 本发明公开冷链一种基于多示例学习的IRES序列搜寻方法。本发明以经过实验验证过的含IRES的序列为正样本，未含IRES的序列为负样本，以多示例学习为框架，通过对正负样本组成的数据集进行训练，获得一个有效的IRES预测估计模型。本发明可以快速高效的判断细胞mRNA中是否存在IRES序列以及存在的大致位置。本发明针对mRNA中IRES序列验证的生物实验较为复杂且人力、物力成本消耗过高的问题。本发明可以对mRNA序列是否存在IRES序列进行快速判断，并预估其大概所在位置，从而可使相关科研工作者优先对大概率存在IRES序列的mRNA片段进行生物实验验证，以提高工作效率，减少工作强度。
-
公开(公告)号：CN110363204A
公开(公告)日：2019-10-22
申请号：CN201910548683.7
申请日：2019-06-24
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于多任务特征学习的对象表示方法。本发明的方法，在终端采用深度神经网络对特征进行提取，减少了传输视频的数据量，加快了传输速度，减少了存储空间占有量；在云端由计算机进行对象的分析和恢复，减少了人力成本的投入，同时提高了事件处理效率；且能够实现多个任务同时进行，联合优化的效果。本发明本发明采用人工智能神经网络方法，通过对原视频图像进行特征提取，减少传输数据量，再通过特征计算，实现智能分析，并且利用转置卷积技术，实现图像的还原，大大提高了事件的处理速度，并节省了资金。
-
公开(公告)号：CN107820085A
公开(公告)日：2018-03-20
申请号：CN201711044430.3
申请日：2017-10-31
申请人： 杭州电子科技大学
IPC分类号： H04N19/159 , H04N19/172 , H04N19/51 , H04N19/52 , H04N19/70 , G06T7/223
摘要： 本发明公开了一种基于深度学习的提高视频压缩编码效率的方法。本发明具体步骤如下：步骤1获取由基本的运动估计和运动补偿组成的原始视频帧间预测的峰值信噪比PSNR1；步骤2引入SRCNN模型对帧间图片进行训练得到权重矩阵与偏差矩阵，对SRCNN模型的参数进行修改，并对网络进行调整从而，得到最优的训练参数；步骤3将训练得到的模型对测试图片进行测试，得出由SRCNN模型测试的结果PSNR2，对PSNR1与PSNR2进行比较，得出SRCNN模型应用于帧间预测编码的可行性；步骤4将SRCNN模型应用于最新编码标准HEVC提供的官方代码HM16.0中。本发明将深度学习应用在了帧间编码领域，能提高帧间运动剧烈块的编码效率。
-
-
-
-
搜索结果
15 条记录 (耗时 0.023 秒)
