-
公开(公告)号：CN112435264A
公开(公告)日：2021-03-02
申请号：CN202011197268.0
申请日：2020-10-30
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于深度学习的42CrMo单相金相组织分割方法及系统，通过将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；然后将U‑Net模型中的卷积层增加至六块卷积层，去除U‑Net模型中影像重叠策略Overlap‑tile strategy，在U‑Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U‑Net模型，利用六块卷积层，增加网络的深度更好的提取碳化物颗粒特征，将输入图像删减了影像重叠策略，避免图像重影干涉，更容易获取图像，在精度上更好的提取了碳化物颗粒特征信息，增加批量归一化处理，使得每层网络输入标准化，在一定程度上使得网络的收敛速度更快，进而提高了训练速度，从而有效提高了42CrMo金相图像的研究效率。
-
公开(公告)号：CN112435175A
公开(公告)日：2021-03-02
申请号：CN202011197261.9
申请日：2020-10-30
Applicant: 西安交通大学
IPC: G06T5/00
Abstract: 本发明公开了一种金相图像去噪方法及系统，以完全鲁棒的RPCA中的正则化方法为基础，在低秩稀疏矩阵分解算法上，对去除噪声后的低秩清晰数据矩阵分块进行L2范数的约束，在实现图像块特征局部正则化的基础上，对高斯噪声进行约束处理得到改进后的低秩稀疏矩阵分解模型，用图像的局部特征表示图像的结构信息，将该噪声作为实际噪声处理，改善了传统低秩稀疏矩阵分解算法去噪时将图像噪声信息默认为稀疏矩阵的问题，减少了传统RPCA处理后导致的重点内容模糊、纹理细节及边缘不清晰的情况，且解决了传统RPCA只对脉冲噪声去噪处理时效果显著的问题，将实际图像数据采样过程中因周边环境及硬件设备干扰而出现的大量高斯噪声考虑在内，处理混合噪声。
-
公开(公告)号：CN111369124A
公开(公告)日：2020-07-03
申请号：CN202010125300.8
申请日：2020-02-27
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于自生成全局特征和注意力的图像美学预测方法，对深度分类网络中的自生成全局特征和注意力机制模块进行优化训练，最小化输入得分分布和预测得分分布的差异，得到预测得分分布和真实得分输入分布的相似度，使用面向有序分类的深度学习网络对图形美学进行评估，采用面向有序分类的混合损失函数，无需手工提取特征时需要的技巧性，发觉隐藏在图像和美学评分之间的关联性，突破对图像美学二分的分类方法；本发明在深度网络中嵌入注意力机制和自生成全局特征，在对图像整体进行评估的同时，重点提取相关的图像元素特和图像整体的全局特征，实现更加精准的图像美学评估。
-
-
Search Results
3
records
(took 0.022 seconds)
