-
公开(公告)号：CN112085102B
公开(公告)日：2023-03-10
申请号：CN202010944337.3
申请日：2020-09-10
Applicant: 西安电子科技大学
IPC: G06V10/80 , G06V10/82 , G06F17/18 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/045 , G06N3/08 , H04N17/00
Abstract: 本发明公开了一种基于三维时空特征分解的无参考视频质量评价方法，其步骤为：构建由时空失真特征学习模块、质量回归模块组成的质量预测网络，生成无参考的训练数据集和测试数据集，训练时空失真特征学习模块和质量回归模块，输出测试集中每个失真视频的质量评价分数值。本发明用于从输入的失真视频中准确且高效地提取时空域内容的质量感知特征，在网络的输出端得到对应的预测质量分数，具有评价无参考视频质量时结果更加准确、应用更广泛的优点。
-
公开(公告)号：CN111510710A
公开(公告)日：2020-08-07
申请号：CN202010341014.5
申请日：2020-04-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于脑电信号和时空失真的视频质量评价方法，主要解决现有技术没有充分考虑人类视觉特性，导致客观视频质量评价结果与人类主观感知不一致的问题，本发明步骤为：(1)生成模拟水面波动视频；(2)生成时空失真视频；(3)采集连续脑电信号和主观评价；(4)计算主观评价检测率；(5)对脑电信号进行分段；(6)对分段后的脑电信号进行分类；(7)计算脑电信号分类准确率；(8)评价时空失真视频质量。本发明采集不同时空失真视频对应的脑电信号作为评价依据，具有视频质量评价结果与人类主观评价更加一致，评价结果更加准确的优点。
-
公开(公告)号：CN109711465B
公开(公告)日：2022-12-06
申请号：CN201811603384.0
申请日：2018-12-26
Applicant: 西安电子科技大学
IPC: G06V10/82 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08 , G06F40/284
Abstract: 本发明公开一种基于多尺度学习MLL和相邻时间节点联合注意力机制特征重建ASCA‑FR的图像字幕生成方法，主要解决现有技术中注意力模型在某时刻的输出仅考虑图像的特征集合和前一时刻的单词向量，只使用交叉熵损失函数训练网络所带来的生成字幕描述不准确、表述不流畅的问题。本发明的具体步骤如下：(1)生成自然图像测试集和训练集；(2)提取特征向量；(3)构建ASCA‑FR网络；(4)训练ASCA‑FR网络；(5)获得自然图像字幕；本发明利用MLL损失函数对构建的ASCA‑FR网络进行训练，使得生成的字幕描述准确且表述流畅。
-
公开(公告)号：CN108717531B
公开(公告)日：2021-06-08
申请号：CN201810487188.5
申请日：2018-05-21
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于Faster‑RCNN的人体姿态估计方法，其步骤为：输入图像；进行人体部件分类；获取人体姿态图像数据与标签；用训练集图像数据与标签，训练深度网络Faster R‑CNN模型；获得矩形检测框；确定空间约束关系的人体部件位置；确定关节点位置；连接相邻人体部件的关节点并输出，得到人体上半身的姿态。本发明将人体部件分为单一部件和组合部件，采用了Faster R‑CNN，使用脖子对应的位置坐标为基准，能够在图像背景干扰下得到高精度的人体上半身姿态估计。本发明具有鲁棒、高精度、应用场景广的人体姿态估计的优点。
-
公开(公告)号：CN113255789B
公开(公告)日：2023-01-24
申请号：CN202110603651.X
申请日：2021-05-31
Applicant: 西安电子科技大学
IPC: G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/094
Abstract: 本发明提出了一种基于对抗网络和多被试脑电信号的视频质量评价方法，实现步骤为：(1)获取训练样本集、测试样本集和标注样本集；(2)构建多被试对抗网络模型；(3)对多被试对抗网络模型进行迭代训练；(4)获取视频质量评价结果。本发明构建的多被试对抗网络模型中，通过被试域判别器与特征提取器构成的对抗网络，提取了源被试脑电数据与目标被试脑电数据的不变特征，解决了脑电信号视频质量评价模型只适用于单一数据源的问题，提高了视频质量评价精度。
-
Patent Agency Ranking
公开(公告)号：CN110279415B
公开(公告)日：2021-11-02
申请号：CN201910583773.X
申请日：2019-07-01
Applicant: 西安电子科技大学
IPC: A61B5/378
Abstract: 本发明公开了一种基于脑电信号的图像失真阈值系数估计方法，主要解决现有技术没有充分考虑人类视觉特性造成图像质量评价准确率低的问题，其方案为，通过设计不同失真等级的刺激图像；采集受试者观察刺激图像引起的脑电信号；对采集后的脑电信号依次进行参考转换、基线校正、滤波和分段处理；对处理后的脑电信号计算受试者观察失真图像时判断准确率为50％的脑电信号阈值，得到受试者脑电信号阈值与图像失真等级的线性关系，估计出图像失真阈值系数。本发明充分考虑人类视觉感知特性，利用图像失真阈值系数，估计受试者在观察失真图像引起的脑电信号阈值，提高了图像质量评价的客观性和准确性，可用于图像质量评价、图像压缩及图像检测。
-
公开(公告)号：CN111510710B
公开(公告)日：2021-04-30
申请号：CN202010341014.5
申请日：2020-04-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于脑电信号和时空失真的视频质量评价方法，主要解决现有技术没有充分考虑人类视觉特性，导致客观视频质量评价结果与人类主观感知不一致的问题，本发明步骤为：(1)生成模拟水面波动视频；(2)生成时空失真视频；(3)采集连续脑电信号和主观评价；(4)计算主观评价检测率；(5)对脑电信号进行分段；(6)对分段后的脑电信号进行分类；(7)计算脑电信号分类准确率；(8)评价时空失真视频质量。本发明采集不同时空失真视频对应的脑电信号作为评价依据，具有视频质量评价结果与人类主观评价更加一致，评价结果更加准确的优点。
-
公开(公告)号：CN112529005A
公开(公告)日：2021-03-19
申请号：CN202011458846.1
申请日：2020-12-11
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于语义特征一致性金字塔网络的图像目标检测方法，用于解决现有技术中存在的因为图像或视频目标检测过程中目标多尺度语义特征融合时不一致导致的检测精度较低的技术问题，实现步骤为：获取训练样本集K和测试样本集V；构建基于语义特征一致性金字塔网络P的图像目标检测网络S；对基于语义特征一致性金字塔网络P的图像目标检测网络S进行迭代训练；获取目标检测识别结果。本方法在主流RCNN目标检测网络中即插即用，解决了不同层语义特征融合时不一致导致的检测精度较低的技术问题提高了检测精度。
-
公开(公告)号：CN108615401B
公开(公告)日：2021-01-05
申请号：CN201810594592.2
申请日：2018-06-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的室内非均匀光线车位状况识别方法，主要解决现有识别方法在室内非均匀光线下鲁棒性差、识别精度低的问题。其实现步骤包括：1)输入图像；2)筛选图像数据集；3)对图像数据集中的图像进行计算处理，并根据计算结果获取图像标签；4)创建图像与标签一一对应的索引文件；5)搭建深度卷积神经网络CNN模型；6)划分训练集与测试集，并用训练集数据对神经网络进行训练，得到训练后的CNN模型；7)利用训练后的CNN模型获取识别结果。本发明增加了模型的鲁棒性、提高了识别精确度，且应用场景广泛，能够在复杂的室内非均匀光线中完成7分类，得到高精度的车位状况识别结果。
-
公开(公告)号：CN108615401A
公开(公告)日：2018-10-02
申请号：CN201810594592.2
申请日：2018-06-11
Applicant: 西安电子科技大学
CPC classification number: G08G1/14 , G06K9/00812 , G06K9/2027 , G06K9/6256 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的室内非均匀光线车位状况识别方法，主要解决现有识别方法在室内非均匀光线下鲁棒性差、识别精度低的问题。其实现步骤包括：1)输入图像；2)筛选图像数据集；3)对图像数据集中的图像进行计算处理，并根据计算结果获取图像标签；4)创建图像与标签一一对应的索引文件；5)搭建深度卷积神经网络CNN模型；6)划分训练集与测试集，并用训练集数据对神经网络进行训练，得到训练后的CNN模型；7)利用训练后的CNN模型获取识别结果。本发明增加了模型的鲁棒性、提高了识别精确度，且应用场景广泛，能够在复杂的室内非均匀光线中完成7分类，得到高精度的车位状况识别结果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.026 seconds)
