-
公开(公告)号：CN115063862A
公开(公告)日：2022-09-16
申请号：CN202210731136.4
申请日：2022-06-24
Applicant: 电子科技大学
Abstract: 该发明公开了一种基于特征对比损失的年龄估计方法，属于计算机视觉领域。该方法首先选择注意力机制作为特征提取网络的基本结构，并使用了基于注意力机制的偏移窗口变换网络作为特征提取网络的主要结构，用于从面部图像中提取鲁棒的年龄特征；然后设计了用于计算特征之间相对距离的距离估计网络，通过基于特征的对比损失引导特征空间保留标签空间的序约束关系，使得尾部特征能够利用头部特征的信息，进而提升尾部数据的预测准确度，从而解决年龄估计中的长尾分布问题。
-
公开(公告)号：CN110675421B
公开(公告)日：2022-03-15
申请号：CN201910813756.0
申请日：2019-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于少量标注框的深度图像协同分割方法，属于图像处理领域。本发明提出了一种基于卷积神经网络的深度图像协同分割网络，仅利用图像级标签和少量人工标注框实现图像协同分割的方法。该方法不仅考虑了图像的内在信息，而且结合卷积神经网络提取的深度语义特征利用了图像之间的相关性，使得在弱监督学习情况下，图像也能得到更加准确的分割结果。
-
公开(公告)号：CN113538216B
公开(公告)日：2022-03-01
申请号：CN202110667797.0
申请日：2021-06-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于属性分解的图像风格迁移方法，首先获取一张内容图像，将该图像输入到风格迁移网络模型结构中进行风格迁移处理，输出风格迁移后的图像，所述风格迁移网络模型结构包括两部分，第一部分是基于自动编码器的风格解耦网络，第二部分是基于CGAN的特征谱生成网络。本发明提出的方法对于传统风格迁移方式有极大的创新，引入属性解耦的方法，将风格视为解耦对象，实现新图像风格的创建与迁移，同时，其中隐变量引入了随机性，实现了多种新风格的产生。
-
公开(公告)号：CN113393386B
公开(公告)日：2022-03-01
申请号：CN202110540665.1
申请日：2021-05-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于特征解耦的非成对图像对比去雾方法，包括，采用提取特征并进行对比学习，能有效的在非成对场景下实现图像去雾。本发明方法能够在缺乏同场景下成对的雾天和清晰的户外图像作为训练样本的情况下，充分考虑单方向的图像生成，利用图像本身的自我监督信息来有效的提升非成对的图像去雾效果，提出了基于特征解耦的对比去雾方法来解决非成对去雾问题，它可以在非成对场景下有效地实现图像去雾。
-
公开(公告)号：CN110930409A
公开(公告)日：2020-03-27
申请号：CN201910998936.0
申请日：2019-10-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的盐体语义分割方法及语义分割模型，采用预处理模型做基础模型进行特征提取，得到的特征图经过分类监督模块预测图片有盐与否作为辅助监督加速收敛，同时监督盐体分割分支模块输出的含盐图片分割结果和整体分割分支模块输出的所有图片分割结果，边缘预测模块输出边缘预测结果，组成混合损失有效提高盐体分割精度，最终得到较好的语义分割结果。语义分割模型中每级上采样的特征图经过特征融合模块，将每级上采样的特征图与上一级上采样特征图级联，这样逐级加强特征通道信息的密集获取，更好的利用每级上采样的特征图信息，更好的融合高层的语义信息和底层的空间信息。
-
Patent Agency Ranking
公开(公告)号：CN110675421A
公开(公告)日：2020-01-10
申请号：CN201910813756.0
申请日：2019-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于少量标注框的深度图像协同分割方法，属于图像处理领域。本发明提出了一种基于卷积神经网络的深度图像协同分割网络，仅利用图像级标签和少量人工标注框实现图像协同分割的方法。该方法不仅考虑了图像的内在信息，而且结合卷积神经网络提取的深度语义特征利用了图像之间的相关性，使得在弱监督学习情况下，图像也能得到更加准确的分割结果。
-
公开(公告)号：CN110675353A
公开(公告)日：2020-01-10
申请号：CN201910820033.3
申请日：2019-08-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于条件生成对抗网络的选择分割图像合成方法，属于图像合成技术领域。本发明结合条件生成对抗网络的典型图像生成架构，将图像分割逆应用选择来进行图像间对象和背景的语义合成，为获取待合成目标d，将输入图像及其对应匹配的图像掩膜进行实例分割后，将待合成目标d作为约束条件变量和高斯随机噪声z联合输入到生成网络G中，生成的图像G(z|d)包含对象d，再和背景目标训练集t输入到判别网络D中，将训练集t中的背景和生成图像G(z|d)进行语义合成，再根据二元极小值极大博弈目标函数来提高生成网络G和判别网络D的性能，以合成质量高、符合人类感知的有意义图像。
-
公开(公告)号：CN110619358A
公开(公告)日：2019-12-27
申请号：CN201910814124.6
申请日：2019-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多组k分类的卷积特征谱的图像可判别区域联合提取方法，属于图像处理领域。本发明基于训练集的图片类型，对于任意类，随机选取k-1类和当前类组成一组，对于每一类分别选取a组；再分别将每组图片输入到预置的卷积神经网络进行卷积神经网络训练，得到多个训练好的卷积神经网络；将待提取图片及其图像级标签输入到图片类型匹配的a个训练好的卷积神经网络中；对于匹配的每个训练好的卷积神经网络，通过加权梯度类激活映射获取该卷积神经网络生成一组可判别区域，融合a组可判别区域得到待提取图片的最终的可判别区域。本发明能够提取出图像更加完整可判别区域，提升现有的提取方法的提取结果的完整性。
-
公开(公告)号：CN110309792A
公开(公告)日：2019-10-08
申请号：CN201910599633.1
申请日：2019-07-04
Applicant: 电子科技大学
Abstract: 本发明公开了基于部件模板的室内人物检测方法，属于目标检测领域和深度学习领域，首先收集数据集，再对数据集进行特征提取和构建特征金字塔，基于部件模板的子区域得到每个候选框的前景置信分数，并通过池化和全连接层得到定位框位置，完成检测模型的搭建；然后根据数据集的图片采用Xavier方法对检测模型进行初始化，基于检测模型的损失函数进行迭代到预设迭代次数，完成检测模型的训练，最后使用新的图片进行推理测试，得到检测结果。本发明解决了目前通用的目标检测方法在对室内场景的人物检测方面定位和识别的准确率较低的问题。
-
公开(公告)号：CN107123123B
公开(公告)日：2019-06-25
申请号：CN201710302338.6
申请日：2017-05-02
Applicant: 电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种新的基于卷积神经网络的图像分割结果评价方法。分割结果评价具有十分重要的作用，有助于分割方法性能的提升以及分割结果的修复。分割结果评价通常被看作回归问题，而卷积神经网络在回归问题上具有非常好的性能，我们采用卷积神经网络来实现分割评价方法。然而，现有的分割评价方法缺乏一个全面有效的分割结果数据库，并且，适合于分割评价的卷积神经网络还有待研究。基于此，本发明充分挖掘了分割目标前景和背景的特征信息，设计了一种全新的分割质量评价卷积神经网络，通过验证，我们的方法表现出了优异的性能。此外，针对数据库的不足，我们构建了一个新的分割数据库，该数据库具有涵盖多种类型的分割结果及其客观评价指标。
-
-
-
-
-
-
-
-
-
Search Results
122
records
(took 0.043 seconds)
