-
公开(公告)号：CN110533068A
公开(公告)日：2019-12-03
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：CN107886519A
公开(公告)日：2018-04-06
申请号：CN201710977831.8
申请日：2017-10-17
申请人： 杭州电子科技大学
CPC分类号： G06T7/162 , G06T1/20 , G06T7/11 , G06T2207/20072 , G06T2207/30016
摘要： 本发明公开了一种基于CUDA的多图谱三维脑图像快速分割方法。本发明运用块的稀疏表示方法进行多图谱标签融合算法的基础上，将特定的ROI区域的并集提取出来并进行适当的膨胀，并建立索引。在GPU中求取权重和标签，所有需要处理的点并行运行得到块向量、块的预选择、块的正则化、权重计算以及确定标签。同时利用NVIDIA的统一计算设备架构，转化为CUDA线程块并行计算过程，使部分程序在GPU中加速执行，在保证一定的分割精度下，显著地提高了算法的运算速度。本发明方法并行部分主要在解l1范数优化问题，很多只要是涉及到解l1范数优化的问题，都可以通过本发明方法更加快速地解决，所以本发明更加具有普适性。
-
公开(公告)号：CN110674675A
公开(公告)日：2020-01-10
申请号：CN201910711588.4
申请日：2019-08-02
申请人： 杭州电子科技大学
IPC分类号： G06K9/00
摘要： 本发明公开了一种行人面部反欺诈方法。本发明步骤如下：步骤1：获取原始的视频图像序列；步骤2：将获取的视频图像序列作为输入，进行人脸检测；步骤3：利用mask rcnn网络对视频图像序列进行实例分割，提取出人脸视频图像序列，输入数据为获取的图像；步骤4：对步骤3中提取出的人脸视频图像序列进行欧拉视频放大，提取出的时间域信息；步骤5：根据步骤4提取出的时间域信息基于阈值判别出真实人脸和伪造人脸。本发明解决了人工识别人脸信息的不准确性和低效性，解放了部分人工生产力，并采用了欧拉视频微小运动放大技术来提取时间域中人脸肤色的规律性变化信息，所提取的信息人工难以伪造，提高了安全性。
-
公开(公告)号：CN107798680A
公开(公告)日：2018-03-13
申请号：CN201710962059.2
申请日：2017-10-16
申请人： 杭州电子科技大学
IPC分类号： G06T7/10
摘要： 本发明公开了一种减少图像标签融合冗余计算的方法。本发明的方法是利用GPU多线程并行计算，整体上提取目标图像和多图谱图像的灰度特征，再建立一个从目标图像的灰度特征到多图谱图像的灰度特征的映射地图，通过映射地图寻找每个点匹配到的多图谱点集和对应的标签集，接着用欧氏距离计算匹配到的点集处的权重值，然后统计可能匹配的每个标签值的权重，找到目标图像每个点处对应权重值总和最大的标签值，最后得到带标签的分割图像。本发明所述的方法能够保证在不改变原有算法的分割精度的条件下，根据GPU多线程并行计算的特点，通过改为适用于GPU多线程的计算方式，来减少标签融合时的冗余计算，提高医学图像的分割效率。
-
公开(公告)号：CN111680702B
公开(公告)日：2022-04-01
申请号：CN202010467331.1
申请日：2020-05-28
申请人： 杭州电子科技大学
IPC分类号： G06V10/46 , G06V10/764 , G06K9/62
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：CN110364223B
公开(公告)日：2021-04-06
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：CN107798680B
公开(公告)日：2020-09-22
申请号：CN201710962059.2
申请日：2017-10-16
申请人： 杭州电子科技大学
IPC分类号： G06T7/10
摘要： 本发明公开了一种减少图像标签融合冗余计算的方法。本发明的方法是利用GPU多线程并行计算，整体上提取目标图像和多图谱图像的灰度特征，再建立一个从目标图像的灰度特征到多图谱图像的灰度特征的映射地图，通过映射地图寻找每个点匹配到的多图谱点集和对应的标签集，接着用欧氏距离计算匹配到的点集处的权重值，然后统计可能匹配的每个标签值的权重，找到目标图像每个点处对应权重值总和最大的标签值，最后得到带标签的分割图像。本发明所述的方法能够保证在不改变原有算法的分割精度的条件下，根据GPU多线程并行计算的特点，通过改为适用于GPU多线程的计算方式，来减少标签融合时的冗余计算，提高医学图像的分割效率。
-
公开(公告)号：CN107680043A
公开(公告)日：2018-02-09
申请号：CN201710902249.5
申请日：2017-09-29
申请人： 杭州电子科技大学
IPC分类号： G06T3/40
CPC分类号： G06T3/4053 , G06T3/4007
摘要： 本发明公开了一种基于图模型的单幅图像超分辨率输出方法。本发明步骤如下：1:先将输入的单幅图像利用双三次插值方法按照预设定的采样率进行插值，得到一张低分辨率图像，然后将得到的低分辨率图像分割成m×n的图像块，对每个图像块计算像素值的欧氏距离，根据欧氏距离确定一组相似块的集合；针对分割好的低分辨率图像中的每个图像块都有一组相似块的集合。2:对相似块的集合构建图模型；3:对得到的二维矩阵进行拉普拉斯变换，得到拉普拉斯矩阵，然后利用优化公式求解进行图像块的修复；4:对修复后的图像块集合进行平均并重建，最终得到超分辨率的图像。本发明能够克服机器学习方法需要大量的图像数据去训练模型的缺点，更加适合图像超分辨率。
-
公开(公告)号：CN107820085B
公开(公告)日：2021-02-26
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。
-
公开(公告)号：CN107680043B
公开(公告)日：2020-09-22
申请号：CN201710902249.5
申请日：2017-09-29
申请人： 杭州电子科技大学
IPC分类号： G06T3/40
摘要： 本发明公开了一种基于图模型的单幅图像超分辨率输出方法。本发明步骤如下：1:先将输入的单幅图像利用双三次插值方法按照预设定的采样率进行插值，得到一张低分辨率图像，然后将得到的低分辨率图像分割成m×n的图像块，对每个图像块计算像素值的欧氏距离，根据欧氏距离确定一组相似块的集合；针对分割好的低分辨率图像中的每个图像块都有一组相似块的集合。2:对相似块的集合构建图模型；3:对得到的二维矩阵进行拉普拉斯变换，得到拉普拉斯矩阵，然后利用优化公式求解进行图像块的修复；4:对修复后的图像块集合进行平均并重建，最终得到超分辨率的图像。本发明能够克服机器学习方法需要大量的图像数据去训练模型的缺点，更加适合图像超分辨率。
-
-
-
-
-
-
-
-
-
搜索结果
15 条记录 (耗时 0.026 秒)
