-
公开(公告)号：CN112733777B
公开(公告)日：2023-12-05
申请号：CN202110064751.X
申请日：2021-01-18
Applicant: 华侨大学
IPC: G06V20/10 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明实施例提供一种遥感图像的道路提取方法、装置、设备和存储介质，涉及图像处理技术领域。其中，这种道路提取方法包含：S101、获取遥感图像。S102、构建轻型U‑Net模型。S103、根据所述轻型U‑Net模型构建道路提取模型。其中，所述道路提取模型包括逐级连接的多个所述轻型U‑Net模型，以及将多个轻型U‑Net模型的输出融合成最终输出的融合模型。S104、根据所述道路提取模型从所述遥感图中提取道路提取图。通过逐级连接的多个所述轻型U‑Net模型，并通过融合模型将多个所述U‑Net模型的输出图像融合，以获得道路提取图。所使用的道路提取模型结构简单，且能够端对端的训练，一体化强，提取质量也很高。
-
公开(公告)号：CN112699960B
公开(公告)日：2023-06-09
申请号：CN202110033029.X
申请日：2021-01-11
Applicant: 华侨大学
IPC: G06F18/24 , G06N3/0895
Abstract: 本发明提供一种基于深度学习的半监督分类方法、设备及存储介质，方法包括：对输入的脑电数据分别进行过滤、截取、归一化和类别化预处理，获得训练用数据集；将训练用数据集划分为训练集和验证集，将训练集输入预先构建的网络模型进行训练，获得预分类器；网络模型为双向循环门控单元与注意力编码器集合的网络模型；将训练集和验证集输入预分类器，获得低维训练集和验证集并生成对应的矩阵，并合并两个矩阵生成标签矩阵；将所述标签矩阵输入标签传播算法的分类器，预测掩盖部分的标签、并输出分类结果，以最终获取目标字符。本发明经过双向循环门控单元编码后的p300信号使用标签传播半监督分类算法，减少训练量，得到较好的预测结果。
-
公开(公告)号：CN111860547B
公开(公告)日：2023-04-18
申请号：CN202010794337.X
申请日：2020-08-10
Applicant: 华侨大学
IPC: G06V10/40 , G06V10/774 , G06T7/11 , G06T7/90
Abstract: 本发明提供一种基于稀疏表示的图像分割方法、装置、设备及存储介质，方法包括：收集一定数量的图像及其分割标记，然后用狄利克雷混合模型对其进行无监督分割，并调整其参数，获得每张图像最优参数，组成最优参数列表，然后将每张图像转换为灰度图，提取它们的灰度直方图特征，训练生成一个稀疏表示字典，提取待分割的图像的灰度直方图特征，计算它的稀疏系数，根据得到的稀疏系数，从稀疏表示字典获取与其最接近的图像，从最优参数列表中获取近似图像的最优参数，并用最优参数进行赋值，利用赋值好的参数对待分割图像进行无监督图像分割，得到分割结果。本发明狄利克雷混合模型的优化参数不需要人工调整，而是经过稀疏表示预测后自动生成。
-
公开(公告)号：CN111612102B
公开(公告)日：2023-02-07
申请号：CN202010504460.3
申请日：2020-06-05
Applicant: 华侨大学
IPC: G06V10/762 , G06V10/764 , G06V20/13
Abstract: 本发明公开了一种基于局部特征选择的卫星影像数据聚类方法、装置及设备，方法包括：S101，获取待处理的卫星影像数据集S102，使用基于局部特征选择的非参数VM混合模型对卫星影像数据进行建模；S103，通过变分贝叶斯推断算法估算所述非参数VM混合模型的模型参数并计算特征重要度；S104，根据估算的所述模型参数，判断所述非参数VM混合模型是否收敛；若否，则返回步骤S103，若是，则执行步骤S105；S105，根据特征的重要度对卫星影像数据进行筛选以保留重要的卫星影像数据；S106，根据指示因子的后验概率判断每条卫星影像数据的所属类别，从而根据所属类别对所述卫星影像数据进行聚类。本实施例在处理不平衡数据时可以得到更好的聚类结果。
-
公开(公告)号：CN112699960A
公开(公告)日：2021-04-23
申请号：CN202110033029.X
申请日：2021-01-11
Applicant: 华侨大学
Abstract: 本发明提供一种基于深度学习的半监督分类方法、设备及存储介质，方法包括：对输入的脑电数据分别进行过滤、截取、归一化和类别化预处理，获得训练用数据集；将训练用数据集划分为训练集和验证集，将训练集输入预先构建的网络模型进行训练，获得预分类器；网络模型为双向循环门控单元与注意力编码器集合的网络模型；将训练集和验证集输入预分类器，获得低维训练集和验证集并生成对应的矩阵，并合并两个矩阵生成标签矩阵；将所述标签矩阵输入标签传播算法的分类器，预测掩盖部分的标签、并输出分类结果，以最终获取目标字符。本发明经过双向循环门控单元编码后的p300信号使用标签传播半监督分类算法，减少训练量，得到较好的预测结果。
-
Patent Agency Ranking
公开(公告)号：CN111614695A
公开(公告)日：2020-09-01
申请号：CN202010477068.4
申请日：2020-05-29
Applicant: 华侨大学
Abstract: 本发明公开了一种广义逆狄利克雷混合HMM模型的网络入侵检测方法及装置，方法包括：获取网络入侵数据集，并对所述网络入侵数据集进行聚类；将聚类后的所述网络入侵数据集输入到基于特征选择的广义逆狄利克雷混合HMM模型中进行学习；其中，所述广义逆狄利克雷混合HMM模型的模型参数利用Variational Bayes学习方法进行估计；获取由广义逆狄利克雷混合HMM模型输出的网络入侵数据集对应的特征相关性，并对特征相关性进行特征选择；对选择后的网络入侵数据集的每个数据记录，获取其对应的广义逆狄利克雷混合HMM模型的输出概率，并把输出概率最大的那一类识别为该数据记录的类型。本发明能对网络入侵数据进行无监督学习，还能够关注数据的特征显著性，提升了模型的性能。
-
公开(公告)号：CN106709921B
公开(公告)日：2020-06-09
申请号：CN201611242922.9
申请日：2016-12-29
Applicant: 华侨大学
IPC: G06T7/11
Abstract: 本发明涉及一种基于空间Dirichlet混合模型的彩色图像分割方法，所提出的统计模型基于Dirichlet混合模型，Dirichlet分布是一个多元泛化的Beta分布，对比其他分布(例如：高斯分布、)它能够包含对称与非对称模态，因此可以灵活处理各种图像以及体现出较好的分割准确率。本发明在Dirichlet混合模型中融入空间邻域特征，从而体现出较好的鲁棒性。在求解Dirichlet混合模型参数过程中，本发明采用基于变分贝叶斯推断的方法，使得模型求解更加准确高效。克服了现有技术的方法采用的最大似然估计(ML)和最大后验概率估计(MAP)存在的不足：这些方法通常容易在求解模型过程中陷入局部极小值，而且会造成迭代次数过多。
-
公开(公告)号：CN106682233B
公开(公告)日：2020-03-10
申请号：CN201710029935.6
申请日：2017-01-16
Applicant: 华侨大学
IPC: G06F16/583 , G06K9/62 , G06K9/54
Abstract: 本发明的一种基于深度学习与局部特征融合的哈希图像检索方法，所述方法包括五个部分:(1)图像的预处理；(2)用卷积神经网络对含有分类标签的图像进行训练；(3)用二值化方式生成图像的哈希码并提取1024维浮点型局部聚合向量；(4)用哈希码进行粗检索；(5)用局部聚合向量进行精检索。本发明的一种基于深度学习与局部特征融合的哈希图像检索方法提取两种特征后用近似最近邻搜索策略来进行图像检索，检索精确度高、检索速度快。
-
公开(公告)号：CN106095829B
公开(公告)日：2019-08-06
申请号：CN201610381864.1
申请日：2016-06-01
Applicant: 华侨大学
IPC: G06F16/43
Abstract: 本发明涉及基于深度学习与一致性表达空间学习的跨媒体检索方法，针对图像与文本两种模态的跨媒体信息，从特征的选择及高度异构的两个特征空间的相似性估算这两个方法上入手，提出一个能教大幅度提高多媒体检索准确率的跨媒体检索方法。本发明所述的方法是一种针对图像与文本两种模态的多媒体信息相互检索方法，实现跨媒体检索准确率的较大幅度提高。本发明提出的模型中，采用经调整过的向量内积作为相似度度量算法，不仅考虑了两种不同模态特征向量的方向，而且在中心化后消除了指标量纲的影响，将向量中的每个元素减去元素的平均值，再计算去均值后的两个向量的相关性；能计算得到更为准确的相似度。
-
公开(公告)号：CN107203740A
公开(公告)日：2017-09-26
申请号：CN201710270419.2
申请日：2017-04-24
Applicant: 华侨大学
CPC classification number: G06K9/00288 , G06K2009/00322 , G06N3/08
Abstract: 本发明提供一种基于深度学习的人脸年龄估计方法，其步骤包括S1：建立深度学习网络模型；S2：采用分类的方式预训练所述深度学习网络模型使所述深度学习网络模型具有分类能力；S3：在步骤S2的基础上进行微调，使所述深度学习网络模型具有学习表观年龄和估计表观年龄的能力；S4：在步骤S3的基础上使用所述真实年龄数据集中80％的数据集作为训练集进行所述深度学习网络模型的微调，然后使用所述真实年龄数据集中20％的数据集作为测试集进行所述深度学习网络模型的测试；S5：在所述卷积神经网络模型中的最后一个全连接层的softmax输出值，构建间接回归的方法估计年龄值。S6：输入被测人脸图像，得出所述被测人脸图像的人脸年龄。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.029 seconds)
