-
公开(公告)号：CN118397331A
公开(公告)日：2024-07-26
申请号：CN202410367718.8
申请日：2024-03-28
Applicant: 长沙理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于改进YOLOv7的桥梁构件目标检测方法，为解决这个问题，对YOLOv7进行了改进，首先创建桥梁构件数据集(BC‑Dataset)，它含有1.2k图片，包括三种结构：桥梁、桥墩、盖梁，为了提高复杂场景下的检测精准度，将动态稀疏注意力(the biformer attention)模块和Wise‑IoU融入到YOLOv7网络中，最后，在BC‑Dataset进行了实验，模型的的准确率达到91.19％，实验结果表明，本发明的方法在桥梁构件目标检测任务上取得了优于传统方法的精度和准确度，本研究对于桥梁结构的安全和监测具有重要意义，可以为相关领域的研究和应用提供有力的支持。
-
公开(公告)号：CN116523726A
公开(公告)日：2023-08-01
申请号：CN202310365896.2
申请日：2023-04-06
Applicant: 长沙理工大学
IPC: G06T1/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的图像隐写方法、系统、设备及介质，本方法通过生成器根据随机噪声生成载体图像；将载体图像和真实图像通过判别器进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像；通过HUGO自适应隐写方法将秘密信息嵌入第一载体图像中，获得含密图像；根据载体图像和含密图像构建隐写分析器的损失函数；根据损失函数对隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器；训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息。本发明能够提升生成的图像的质量，提高信息隐蔽性。
-
公开(公告)号：CN116343296A
公开(公告)日：2023-06-27
申请号：CN202310291741.9
申请日：2023-03-23
Applicant: 长沙理工大学
Abstract: 本申请实施例提供了一种基于多尺度的多级特征融合的人脸图像检测方法以及装置。本方法先将待检测人脸图像放大得到高分辨率图像；两种不同分辨率图像在特征提取网络中的两条支路上进行全部卷积后得到两种高级特征图，同时提取在两条支路中途若干次卷积后对应两种低级特征图，然后充分学习两种低级特征图的不同尺度信息，得到融合后的低级特征图；最后将融合后的低级特征图和两种高级特征图进行层级特征融合，保证低级特征所提取的特征信息不丢失的同时，能够与所提取的高级特征进行融合，提取和利用人脸伪造中更具一般性的特征，提高模型的对于人脸检测的泛化能力，进而提高判断人脸图像伪造的准确度；最后基于融合特征图进行判断人脸是否伪造。
-
公开(公告)号：CN111643068B
公开(公告)日：2023-05-23
申请号：CN202010376390.8
申请日：2020-05-07
Applicant: 长沙理工大学
Abstract: 本发明公开了基于EMD及其能量的心电信号去噪算法、设备和存储介质，该算法包括步骤：信号均值化处理及公差值的确定；对信号进行EMD分解，得到各阶IMF；根据EMD分解后各阶IMF的能量，计算能量曲线除边界点以外的第一个极大点和第一个极小点的所在阶数，结合所述公差值，判断需要去噪的IMF阶数变化点，若所述能量曲线的第一个极大点和第一个极小点均不存在，则预设所述IMF阶数变化点；对所述IMF阶数变化点之前的各阶IMF进行阈值去噪；将阈值去噪后的各阶IMF与未进行阈值去噪的IMF以及残差进行重构，生成去噪后的心电信号。本方案能够完整地保留大于阈值部分的信息，并且不会产生附加震荡和跳跃点，较好地保证了原始信号的平滑性，提高了去噪质量。
-
公开(公告)号：CN115414048A
公开(公告)日：2022-12-02
申请号：CN202211062139.X
申请日：2022-08-31
Applicant: 长沙理工大学
Abstract: 本发明公开了一种心电信号的去噪方法、去噪系统、设备以及存储介质，本方法首先构建一个去噪网络模型，然后利用去噪网络模型对待去噪的心电信号进行去噪，本去噪网络模型基于RDN网络模型进行改进，将RDN网络中的每个RDB模块都替换成去噪模块，其中去噪模块在RDB模块的1×1卷积层之后，还包括自适应学习阈值模块和软阈值函数，通过自适应学习阈值模块确定心电信号的阈值，通过软阈值函数根据心电信号的阈值对1×1卷积层的输出结果中的噪声特征进行去除。本方法在去噪网络模型中嵌入了一个自适应学习阈值模块和一个软阈值函数，用来对噪声进行抑制，能够提取到更加精细有用的心电信号特征。
-
Patent Agency Ranking
公开(公告)号：CN114693913A
公开(公告)日：2022-07-01
申请号：CN202210268461.1
申请日：2022-03-18
Applicant: 长沙理工大学
Abstract: 本发明公开了一种图像修复区域的定位方法、设备及存储介质。方法包括获取待定位的原始图像；将原始图像转换成噪声域，得到第一图像，从第一图像提取第一特征图，第一特征图包含第一图像中的源区域和噪声修复区域之间的不一致性特征；从原始图像中提取局部二值模式特征，将局部二值模式特征与原始图像合并，得到第二图像，从第二图像提取第二特征图，第二特征图包含第二图像中的源区域和图像修复区域之间的不一致性特征；融合第一特征图和第二特征图，得到融合特征图；对融合特征图中的修复区域进行定位。本方法能同时捕获样本块图像修复和深度学习图像修复的不同修复痕迹，能够高效、准确地定位图像中修复的区域。
-
公开(公告)号：CN110113607A
公开(公告)日：2019-08-09
申请号：CN201910336663.3
申请日：2019-04-25
Applicant: 长沙理工大学
IPC: H04N19/132 , H04N19/177 , H04N19/19 , H04N19/42 , H04N19/597
Abstract: 本发明涉及一种基于局部与非局部约束的压缩感知视频重建方法，在压缩感知重建视频模型中引入局部与非局部约束，利用基于图像帧最小全变差(Total Variation,TV)约束和基于序列时空相似块矩阵的低秩约束，引导优化模型的解趋向三维视频序列的固有特征。优化问题求解过程中首先采用传统方法进行对视频中每帧图像压缩感知图像进行重建，得到的图像帧的一个初始估计，然后引入辅助变量并将问题分解为一个TV优化子问题和一个低秩优化子问题，交替求解，并在内循环中进一步地将TV子问题和低秩优化子问题分解为可微的和求解的部分分别求解。由于发明的方法充分考虑了图像帧的时空局部与非局部特征，因而提高了图像的重建质量。
-
公开(公告)号：CN103997645B
公开(公告)日：2017-02-15
申请号：CN201410180404.3
申请日：2014-04-29
Applicant: 长沙理工大学
IPC: H04N19/11 , H04N19/159 , H04N19/147
Abstract: 本发明涉及一种快速的高效视频编码(High Efficiency Video Coding，HEVC)帧内编码单元和模式决策方法，包括下列步骤：1)设置阈值的有效长度N；2)对于视频序列的第一帧正常编码，并将每个最大编码单元(Largest Coding Unit,LCU)最终的编码深度和离散化全变差(Discrete Total Variation,DTV)值存入缓存区中；3)统计缓存区中的DTV，根据深度范围得出阈值T1和阈值T2；4)对于余下N-1帧，根据当前LCU的DTV值和阈值，跳过概率很小的深度，在每一深度搜索时采用基于方向梯度的快速模式搜索算法；5)将第N+1帧设置为首帧，重复1)、2)、3)、4)，直到编码完所有帧。该方法采用自适应的DTV阈值决策,减小宏块单元搜索的数量，采用基于方向梯度特征简化了模式搜索的过程，加快了编码速度。
-
-
公开(公告)号：CN114037839B
公开(公告)日：2024-06-28
申请号：CN202111225109.1
申请日：2021-10-21
Applicant: 长沙理工大学
IPC: G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了小目标识别方法、系统、电子设备及介质，通过对目标图像的特征进行多次提取，得到若干个分辨率、语义以及位置特征偏重不同的特征图，再将这些特征图中有利于小目标识别的特征进行融合，得到在分辨率、语义以及位置等维度表现优异的融合特征图，该融合特征图提升了卷积神经网络模型对小目标识别的正确率和性能。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.032 seconds)
