-
公开(公告)号：CN106157250A
公开(公告)日：2016-11-23
申请号：CN201510136941.2
申请日：2015-03-26
Applicant: 富士通株式会社
IPC: G06T5/00
CPC classification number: G06K9/4604 , G06K9/38 , G06K9/4638 , G06K9/6218 , G06T5/002 , G06T2207/30176
Abstract: 本发明公开了一种去除文档图像中的印记的方法和设备。根据本发明的去除文档图像中的印记的方法包括：从文档图像对应的二值图像中提取连通分量；基于连通分量的灰度特征，聚类连通分量，以得到一个聚类中心；在聚类半径R和灰度阈值T的取值范围内，搜索使得基于连通分量的灰度特征的评价值高于第一评价阈值的组合(R,T)；以及基于所述组合中的灰度阈值，去除文档图像中的印记。根据本发明的方法和设备能够有效地、准确地去除文档图像中的印记。
-
-
公开(公告)号：CN106485192B
公开(公告)日：2019-12-06
申请号：CN201510556368.0
申请日：2015-09-02
Applicant: 富士通株式会社
Abstract: 本发明涉及用于图像识别的神经网络的训练方法和装置。该方法包括：将样本图像表示为高维空间中的点集，高维空间的大小为样本图像的空间域的大小×样本图像的强度域的大小；生成大小与高维空间的大小相同的第一随机扰动矩阵；对第一随机扰动矩阵进行平滑；用平滑后的第一随机扰动矩阵对高维空间中的点集进行扰动得到扰动后的点集；以及将扰动后的点集作为新的样本来训练神经网络。根据本发明，改进了传统的卷积神经网络的分类性能，产生更多的训练样本，减轻过拟合的影响，增强了卷积神经网络的泛化性能。
-
公开(公告)号：CN108133223A
公开(公告)日：2018-06-08
申请号：CN201611095600.6
申请日：2016-12-01
Applicant: 富士通株式会社
Abstract: 本发明涉及确定卷积神经网络CNN模型的装置和方法。根据本发明的确定CNN模型的装置包括：第一确定单元，用于确定包括多个样本的数据库的复杂度；第二确定单元，用于根据数据库的复杂度确定适用于数据库的CNN模型的分类能力；第三确定单元，用于获取多个候选CNN模型中的每个候选CNN模型的分类能力；以及匹配单元，用于根据每个候选CNN模型的分类能力以及适用于数据库的CNN模型的分类能力确定适用于数据库的CNN模型。使用根据本发明的确定CNN模型的装置和方法，可以简化CNN模型的设计流程，使得作为用户的普通人员也能够容易地设计和调整CNN模型，并能够根据数据库的复杂度为该数据库确定出更匹配的CNN模型。
-
公开(公告)号：CN106557526A
公开(公告)日：2017-04-05
申请号：CN201510640999.0
申请日：2015-09-30
Applicant: 富士通株式会社
IPC: G06F17/30
Abstract: 本公开涉及一种处理图像的装置和方法。在一个实施方式中该装置包括：定位模块，其被配置为定位第一图像和第二图像的特征点；特征描述子提取模块，其被配置为提取表征第一图像和第二图像的每个特征点的特征描述子；分类模块，其被配置为根据分类特征集的所有特征，确定第一图像和第二图像的每个特征点的特征点分类；以及相似度计算模块，其被配置为基于第一图像和第二图像的每个特征点的特征点分类，使用相似度计算特征集的所有特征计算第一图像和第二图像之间的相似度。该装置和方法能够快速、准确地检索出与查询图相似的图像。
-
Patent Agency Ranking
公开(公告)号：CN105096348A
公开(公告)日：2015-11-25
申请号：CN201410183248.6
申请日：2014-04-30
Applicant: 富士通株式会社
CPC classification number: G06T7/168 , G06K9/4604 , G06K9/4652 , G06K9/4671 , G06K2009/4657 , G06T5/007 , G06T7/11 , G06T7/73 , G06T7/90 , G06T2200/12 , G06T2207/10004 , G06T2207/10024 , G06T2207/20048 , G06T2207/30168
Abstract: 本发明实施例提供一种检测图像中的色彩板的装置和方法，其中，所述装置包括：提取单元，其使用预定滑窗从输入图像上提取多个位置的滑窗的滑窗特征；选择单元，其使用预定的多个滑窗模板，从所述多个位置的滑窗中寻找与每一个滑窗模板距离最小的滑窗，作为所述滑窗模板的匹配滑窗；确定单元，其根据每一个滑窗模板的匹配结果，确定所述输入图像上的色彩板的色块的分割线。通过本发明实施例的方法和装置，基于单独RGB通道特征以及色彩板几何结构即可自动检测出图像中的色彩板，与其它方法相比，具有更快的速度和更好的鲁棒性。
-
公开(公告)号：CN107346448B
公开(公告)日：2021-12-21
申请号：CN201610298158.0
申请日：2016-05-06
Applicant: 富士通株式会社
Abstract: 本发明实施例提供一种基于深度神经网络的识别装置、训练装置及方法，其中，所述深度神经网络是通过将包括正样本和负样本的训练样本输入到深度神经网络的输入层中进行训练而得到的，所述识别装置包括：判定单元，所述判定单元用于当所述深度神经网络的输出层输出的分类结果中各个正样本分类的置信度均小于预定阈值时，判定待识别样本是疑似异常样本。这样，能够有效的提高深度神经网络输出的分类结果置信度的可靠性。
-
公开(公告)号：CN107092902B
公开(公告)日：2021-04-06
申请号：CN201610091505.2
申请日：2016-02-18
Applicant: 富士通株式会社
Abstract: 本公开内容提供一种字符串的识别方法和系统。根据本公开内容的一种实施方式的识别方法包括：将字符串图像过切分为多个连通区域；使用二类分类器对每个连通区域与邻近的预定数量的连通区域的组合进行分类，给出每个组合为字符的概率；对多个连通区域的各种组合形成的所有路径进行路径搜索，选择其中所有组合均为字符的概率最高的路径；以及使用全类分类器对所选出的路径中的组合进行字符识别。与现有技术相比，本公开内容提出的方法和系统对手写汉字字符串的识别率更高。
-
公开(公告)号：CN106157250B
公开(公告)日：2019-03-01
申请号：CN201510136941.2
申请日：2015-03-26
Applicant: 富士通株式会社
IPC: G06T5/00
Abstract: 本发明公开了一种去除文档图像中的印记的方法和设备。根据本发明的去除文档图像中的印记的方法包括：从文档图像对应的二值图像中提取连通分量；基于连通分量的灰度特征，聚类连通分量，以得到一个聚类中心；在聚类半径R和灰度阈值T的取值范围内，搜索使得基于连通分量的灰度特征的评价值高于第一评价阈值的组合(R,T)；以及基于所述组合中的灰度阈值，去除文档图像中的印记。根据本发明的方法和设备能够有效地、准确地去除文档图像中的印记。
-
公开(公告)号：CN108133222A
公开(公告)日：2018-06-08
申请号：CN201611095599.7
申请日：2016-12-01
Applicant: 富士通株式会社
CPC classification number: G06N3/0454 , G06N3/08
Abstract: 本发明涉及为数据库确定卷积神经网络CNN模型的装置和方法。根据本发明的为数据库确定CNN模型的装置包括：选取单元，用于从多个已知分类能力的CNN模型中选取至少两个CNN模型；拟合单元，用于根据至少两个CNN模型的分类能力和第一参数拟合以分类能力和第一参数为变量的曲线，其中，第一参数用于表征CNN模型的性能；预测单元，用于根据曲线预测其它CNN模型的第一参数；以及确定单元，用于根据每一个CNN模型的第一参数从多个CNN模型中确定适用于数据库的CNN模型。使用根据本发明的为数据库确定CNN模型的装置和方法，无需对所有CNN模型进行训练，大大降低了计算量，简化了设计CNN模型的流程。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.036 seconds)
