-
公开(公告)号：CN116310621A
公开(公告)日：2023-06-23
申请号：CN202211490992.1
申请日：2022-11-25
Applicant: 电子科技大学
IPC: G06V10/774 , G06V10/762 , G06V10/77 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于特征库构建的少样本图像识别方法，属于图像分类领域；本发明能够在新类别训练样本数量及其不足的情况下完成该类别中的新类别物体的识别任务。首先是基于通道的主属性微调方法，只关注高响应的通道进行再训练。其次为了对新类图像信息进行补充，通过对已知类别图片进行特征提取并建立相应的特征库。最后对少数新类样本通过已知类别特征库进行多次局部特征替换，达到生成新类伪样本的效果，能够有效完成在少样本条件下对新类物体的识别任务。
-
公开(公告)号：CN116310484A
公开(公告)日：2023-06-23
申请号：CN202211587833.3
申请日：2022-12-11
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于双分支网络的连续学习的图像分类方法，属于图像处理技术领域。本发明包括：构建双分支网络，包含主分支、记忆分支；使用记忆分支学习第1批类别，并生成第1批类别的预测结果；从第2批开始，使用主分支学习第t批类别，更新记忆分支参数，生成第1批至第t批类别的预测结果；后续批次采用与步骤三相同的方法进行学习，直至学习完所有批次。本发明能有效避免学习新的类别时造成的旧类别遗忘以及有效克服类别不平衡造成的预测偏见现象，并且不额外增加模型参数量或网络结构。本发明有效提升了模型处理类增量数据的性能。
-
公开(公告)号：CN116228933A
公开(公告)日：2023-06-06
申请号：CN202310295814.1
申请日：2023-03-23
Applicant: 电子科技大学
Abstract: 本发明提供一种基于域适应的漫画视频生成方法，包括以下步骤：先使用人脸视频数据集对运动驱动网络进行训练；完成预训练的运动驱动网络对于输入的一张给定的源影像和驱动帧，就能根据驱动帧的运动生成并输出给定源影像的目标视频；再使用人脸视频数据集与漫画数据集对跨域网络进行训练；引入域判别器，利用梯度翻转层混淆人脸视频数据集和漫画数据集实现域分类误差的最大化。本发明首先使用人脸视频数据集进行图像动态化任务的训练，再将其使用域适应的方法适应到漫画域，解决了漫画数据集数量少而直接使用其进行训练容易导致的过拟合，泛化能力差等问题，不需要进行逐视频优化，使得生成视频的质量和稳定性得以保证。
-
公开(公告)号：CN114677515B
公开(公告)日：2023-05-26
申请号：CN202210442111.2
申请日：2022-04-25
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/764 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于类间相似性的弱监督语义分割方法，属于弱监督语义分割领域。本发明包括：基于每个类别的特征通过聚类方法将相似类进行合并得到新类，重新生成数据集中每个样本在新类上的标签；基于原始标签搭建分类网络，提取对应的类激活谱，将其与阈值比较获取判别性区域，从原图中擦除判别性区域，将其送入基于新标签建立的分类网络，完成对抗擦除模型的搭建；基于训练好的对抗擦除模型，提取类激活谱，依次经过类激活谱增强模块和融合模块的处理，得到最终的类激活谱，再将其与前景背景阈值比较得到伪标注，基于该伪标注对语义分割模型进行训练，得到训练好的分割模型。本发明提升了图像的弱监督语义分割的分割准确。
-
公开(公告)号：CN114494284B
公开(公告)日：2023-04-18
申请号：CN202111635864.7
申请日：2021-12-29
Applicant: 电子科技大学
IPC: G06T7/11 , G06T5/50 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明的目的在于提供一种基于显式监督区域关系的场景解析模型及方法，属于计算机视觉中的图像分割技术领域。本发明所公开的场景解析模型通过对场景图片中的区域内和区域间关系分别建模，并在网络训练过程中给予两种区域关系对应的显式监督信息，使得区域内关系模块利用了更准确的区域内类别先验信息，提高了困难类别的判别能力；通过区域间关系模块捕捉了更准确的区域间类别相互关系，提高了相似类别的分辨能力，具有解析准确率高、额外计算复杂度低等特点。
-
Patent Agency Ranking
公开(公告)号：CN110956671B
公开(公告)日：2022-08-02
申请号：CN201911290877.8
申请日：2019-12-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多尺度特征编码的图像压缩方法，通过训练集图像特征的梯度谱绝对值取平均得到选择向量，并利用选择向量来指导不同通道特征选择编码分辨率；同时将低分辨率编码的特征在解码端经过超分辨网络进行恢复，最终与高分辨率编码的特征重新组合成完整特征谱，映射回原始图像。本发明针对图像特征的特点进行差异性处理，对于容易从上下文信息恢复的特征用低分辨率传输，从而节省了码率；对于复杂的精细特征用高分辨率传输，减小了损失程度。
-
公开(公告)号：CN110309792B
公开(公告)日：2022-07-01
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：CN110675405B
公开(公告)日：2022-06-03
申请号：CN201910867163.2
申请日：2019-09-12
Applicant: 电子科技大学
IPC: G06T7/11 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于注意力机制的one‑shot图像分割方法。在单个特征和简单的双分支融合不足以使查询分支从支持分支中提取有用信息的情况下。本发明为了支持分支关注于两个分支共性的区域，以便准确地引导查询分支分割图像，将多级上下文特征和注意模块引入到one‑shot图像分割中找到更准确有效的指导方法。本发明能更好地利用现有的知识迅速对新类图像进行分割，利用多级指导和注意力机制来强化学习两个分支的共性，进而准确地指导未知图像的分割。
-
公开(公告)号：CN110648332B
公开(公告)日：2022-03-15
申请号：CN201910866119.X
申请日：2019-09-12
Applicant: 电子科技大学
Abstract: 本发明提供的一种基于多分支卷积神经网络特征正交的图像可判别区域提取方法，包括步骤：1)构建N个结构相同卷积神经网络作为多分支卷积神经网络的N个分支，N个卷积神经网络相互不共享参数；任意两个不同分支输出的特征之间作哈达玛积，将哈达玛积的矩阵中所有元素相加得到两两分支的特征正交损失；多分支卷积神经网络的总损失函数为所有分支的分类损失加上超参数乘两两分支的特征正交损失之和；2)得到训练集；3)训练多分支卷积神经网络；4)利用经过训练的多分支卷积神经网络进行图像可判别区域提取。本发明使用了多分支卷积神经网络，利用特征正交，使不同分支的卷积神经网络之间彼此不同，从而可以获得不同的可判别区域信息。
-
公开(公告)号：CN113379655A
公开(公告)日：2021-09-10
申请号：CN202110537516.X
申请日：2021-05-18
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于动态自注意力生成对抗网络的图像合成方法，属于计算机视觉领域。该方法首先选择生成对抗网络作为基本框架，并对训练图片进行归一化，还对正态分布进行采样得到噪声样本。本发明借鉴了Linformer算法和动态卷积算法，并对发明中使用的多头自注意力机制进行改进，增加了每个自注意力头之间的联系和约束，使得这些自注意力头可以去学习到图像的各种模式知识。本发明充分地发挥了动态自注意力机制和生成对抗网络的优势，提出的动态自注意力模块可大幅度降低多头自注意力机制的计算复杂度，并改善生成对抗网络的模式崩塌和训练不稳定等问题。
-
-
-
-
-
-
-
-
-
Search Results
122
records
(took 0.025 seconds)
