-
公开(公告)号：CN111460894B
公开(公告)日：2021-09-03
申请号：CN202010139068.3
申请日：2020-03-03
Applicant: 温州大学
Abstract: 本发明提供一种基于卷积神经网络的车标智能检测方法，首先给定车标检测训练集及车标检测测试集，并构建和初始化车标检测模型及SGD优化器；其次，在车标检测模型的每次迭代计算中，将车标检测训练集中的输入图像作为车标检测模型的输入得到车标检测结果，且根据损失函数，计算出损失值并进行反向传播对车标检测模型的网络参数进行调整，同时利用车标检测测试集对车标检测模型进行评估，直至迭代结束，得到最终的最优网络参数来更新车标检测模型；最后，获取待测包含车标信息的输入图像输入计算，得到待测包含车标信息的输入图像的车标检测结果。实施本发明，提高车标检测模型的识别准确率和定位精准度，实现高鲁棒性高准确率的车标智能检测。
-
公开(公告)号：CN113160081A
公开(公告)日：2021-07-23
申请号：CN202110408739.6
申请日：2021-04-16
Applicant: 温州大学
Abstract: 本发明公开了一种基于感知去模糊的深度人脸图像修复方法，包括以下步骤：步骤S1：给定人脸图像修复训练集和测试集。步骤S2：设计粗重构生成器G1、全局判别器D1和局部判别器D2。步骤S3：使用G1、D1和D2前向传播数据，计算损失并反向传播，更新模型参数。步骤S4：重复第3步直至粗重构训练结束。步骤S5：设计感知去模糊生成器G2、判别器D3。步骤S6：使用G2和D3前向传播数据，计算损失并反向传播，更新模型参数。步骤S7：重复第6步直至感知去模糊阶段训练结束。步骤S8：使用测试集评判模型，保存最优模型。本发明在给定有缺失信息的人脸图片时，能快速给出预测结果。该预测结果视觉效果良好，内容保持连贯，并拥有正确语义信息。
-
公开(公告)号：CN111368909A
公开(公告)日：2020-07-03
申请号：CN202010139043.3
申请日：2020-03-03
Applicant: 温州大学
Abstract: 本发明提供一种基于卷积神经网络深度特征的车标识别方法，首先给定车标图像训练集及车标图像测试集，并构建和初始化分类器网络及SGD优化器；其次，在分类器网络的每次迭代计算中，将车标图像训练集中的车标图像作为分类器网络的输入得到车标识别结果，且根据损失函数，计算出损失值并进行反向传播对分类器网络的网络参数进行调整，同时利用车标图像测试集对分类器网络进行评估，直至迭代结束，得到最终的最优网络参数来更新分类器网络；最后，获取待测车标图像输入计算，得到待测车标图像的车标识别结果。实施本发明，提高分类器网络的识别准确率和定位精准度，实现高鲁棒性高准确率的车标智能检测。
-
公开(公告)号：CN110807762A
公开(公告)日：2020-02-18
申请号：CN201910884346.5
申请日：2019-09-19
Applicant: 温州大学
Abstract: 本发明公开了一种基于GAN的视网膜血管图像智能分割方法，包括以下步骤：1、给定视网膜图像集，划分训练集和测试集；2、设计生成器网络G和判别器网络D，构建Adam优化器；3、将训练集输入到G；4、G生成血管分割图像；5、D对G生成的分割图像判别计算；6、对G和D参数更新；7、对G评估并获得最优模型G’，重复第3-7步直至迭代结束；8、将视网膜图像输入G’生成血管分割图像。本发明使用大感受野网络模型对视网膜图像进行智能分割，得到最终的视网膜血管分割图像。本发明的网络模型具有较好的鲁棒性，所得到的血管分割图像含有较少的噪声，总体优于现有的视网膜血管图像分割方法。
-
公开(公告)号：CN109493352B
公开(公告)日：2020-01-14
申请号：CN201811215584.9
申请日：2018-10-18
Applicant: 温州大学
Abstract: 本发明实施例公开了一种基于GPU并行加速的立体图像区域轮廓生成方法，包括给定左视图图像、右视图图像、左视图图像中的区域轮廓像素集合；根据GPU加速的尺度不变特征转换和随机柚样检验一致性方法得到鲁棒匹配的特征像素集合对；边缘线均匀采样得到左视图图像中的边缘采样的像素集合；额外随机采样得左视图图像中的三角化像素集合；根据GPU加速的Delaunay三角化方法计算出左视图图像的平面三角形网格；利用GPU加速的共轭梯度法得到右视图图像中的三角化像素集合；计算右视图图像中的区域轮廓像素集合，其所组成的封闭环线即为右视图图像中的区域轮廓线结果。实施本发明，能有效改进区域轮廓线生成的并行性，提高计算效率。
-
Patent Agency Ranking
公开(公告)号：CN109493352A
公开(公告)日：2019-03-19
申请号：CN201811215584.9
申请日：2018-10-18
Applicant: 温州大学
Abstract: 本发明实施例公开了一种基于GPU并行加速的立体图像区域轮廓生成方法，包括给定左视图图像、右视图图像、左视图图像中的区域轮廓像素集合；根据GPU加速的尺度不变特征转换和随机柚样检验一致性方法得到鲁棒匹配的特征像素集合对；边缘线均匀采样得到左视图图像中的边缘采样的像素集合；额外随机采样得左视图图像中的三角化像素集合；根据GPU加速的Delaunay三角化方法计算出左视图图像的平面三角形网格；利用GPU加速的共轭梯度法得到右视图图像中的三角化像素集合；计算右视图图像中的区域轮廓像素集合，其所组成的封闭环线即为右视图图像中的区域轮廓线结果。实施本发明，能有效改进区域轮廓线生成的并行性，提高计算效率。
-
公开(公告)号：CN107392967B
公开(公告)日：2018-07-10
申请号：CN201710542659.3
申请日：2017-07-05
Applicant: 温州大学
Abstract: 本发明实施例公开了一种基于多峰高斯分布函数的彩色图像灰度化方法，包括给定彩色输入图像及每一个像素点颜色值；基于每一个像素点及其局部相邻的像素点构建一个局部颜色对集合；基于线性包围体层次结构构建一个显著颜色对集合；定义一个基于多峰高斯分布函数的彩色图像灰度化能量函数和一个线性参数函数，并且基于线性参数离散化方法选取能量函数值中最小的参数取值组合作为最佳的线性参数的值；根据线性参数函数和最佳的线性参数的值，计算出最终的输出图像，即为所求的仅包含亮度通道的8位单通道灰度图像。实施本发明，既能够较好地保持局部的相邻像素点的颜色对比度信息，也能有效地保持全局的显著颜色对比度信息。
-
公开(公告)号：CN102779351B
公开(公告)日：2016-12-21
申请号：CN201210199382.6
申请日：2012-06-08
Applicant: 温州大学
Abstract: 本发明公开了一种基于局部线性模型优化的交互式灰度图像彩色化方法，包括输入待处理灰度图像，将待处理灰度图像转换为RGB颜色空间输入图像，进行少量人工线条着色获得着色图像，将待处理灰度图像、着色图像由各自原来的RGB颜色空间转换到YUV颜色空间，计算出一个拉普拉斯抠图矩阵，再利用局部线性模型优化求解稀疏矩阵方程，获得基于YUV颜色空间的彩色化图像，最后将基于YUV颜色空间的彩色化图像转换到RGB颜色空间获得最终的彩色化图像六个步骤。这种方法改进了现有基于局部颜色扩展的图像彩色化方法在更少的人工线条着色情况下，降低在灰度图像彩色化过程中出现的严重色彩渗透问题，提高灰度图像彩色化的质量。
-
公开(公告)号：CN113627595B
公开(公告)日：2023-07-25
申请号：CN202110903135.9
申请日：2021-08-06
Applicant: 温州大学
IPC: G06N3/0464 , G06N3/082 , G06F18/214
Abstract: 本发明提出一种基于概率的MobileNetV1网络通道剪枝方法。分为三步：预训练，剪枝，融合。预训练阶段：利用交叉熵损失和BN缩放因子的L1损失进行训练，得到预训练模型。剪枝阶段：利用MobileNetV1网络结构设计时使用BN和ReLU的特性，计算每个BN通道输出小于0的概率，并将概率大的通道进行剪枝。融合阶段：因为被剪枝的通道对于准确率的影响通常存在于深度卷积输出层BN的偏移因子中，本发明将其融合到下一层BN的偏移因子中，得到最终的剪枝网络。实施本发明，能够加快剪枝的获取时间，减少网络的运算量，同时尽可能的保持和预训练网络相同的准确率。
-
公开(公告)号：CN113627595A
公开(公告)日：2021-11-09
申请号：CN202110903135.9
申请日：2021-08-06
Applicant: 温州大学
Abstract: 本发明提出一种基于概率的MobileNetV1网络通道剪枝方法。分为三步：预训练，剪枝，融合。预训练阶段：利用交叉熵损失和BN缩放因子的L1损失进行训练，得到预训练模型。剪枝阶段：利用MobileNetV1网络结构设计时使用BN和ReLU的特性，计算每个BN通道输出小于0的概率，并将概率大的通道进行剪枝。融合阶段：因为被剪枝的通道对于准确率的影响通常存在于深度卷积输出层BN的偏移因子中，本发明将其融合到下一层BN的偏移因子中，得到最终的剪枝网络。实施本发明，能够加快剪枝的获取时间，减少网络的运算量，同时尽可能的保持和预训练网络相同的准确率。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.105 seconds)
