-
公开(公告)号：CN112069831B
公开(公告)日：2024-05-31
申请号：CN202010850835.1
申请日：2020-08-21
Applicant: 三峡大学
IPC: G06F40/30 , G06F40/284 , G06F40/211 , G06F16/35 , G06N3/0464 , G06N3/0455 , G06N3/0442
Abstract: 本发明公开了基于BERT模型和增强混合神经网络的不实信息检测方法，包括：对待检测文本进行预处理；使用CNN网络对输入矩阵进行卷积、池化操作，拼接成特征序列；将特征序列作为BiLSTM网络的输入，分别利用前向LSTM单元、后向LSTM单元从前向、后向两个方向全面捕捉文本深层次的语义特征；利用注意力层生成含有注意力分布的语义编码，优化特征向量；利用输出层的分类器完成特征向量的分类检测，判断是否为不实信息。本发明结合了CNN、BiLSTM及注意力机制，不实信息检测精度高，不仅可以提取不实信息文本的局部短语特征和全局上下文特征，还可以提取出文本关键词，减少无关信息对检测结果的不合理影响。
-
Patent Agency Ranking
公开(公告)号：CN114022809B
公开(公告)日：2024-12-24
申请号：CN202111265525.4
申请日：2021-10-28
Applicant: 三峡大学
IPC: G06V20/40 , G06V10/44 , G06V10/46 , G06V10/56 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及基于改进自编码网络的视频运动放大方法，利用改进自编码网络对视频中的细微变化进行放大，所述方法包括：对视频数据进行分解处理，采用分解的前后连续两帧图像作为编码器的输入；利用编码器提取连续两帧图像的形状特征，作为放大器的输入；利用放大器对两帧图像形状特征的像素位移差值进行放大，得到放大的形状特征；利用解码器对前帧图像的纹理特征进行上采样，并将纹理特征与放大的形状特征结合，得到放大帧并输出。本发明的方法实现了视频运动放大图像中形状、纹理特征的完美融合，减少了视频运动放大的亮度、色彩、纹理损失，使浅层特征信息得以保留。
-
公开(公告)号：CN112069831A
公开(公告)日：2020-12-11
申请号：CN202010850835.1
申请日：2020-08-21
Applicant: 三峡大学
IPC: G06F40/30 , G06F40/284 , G06F40/211 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了基于BERT模型和增强混合神经网络的不实信息检测方法，包括：对待检测文本进行预处理；使用CNN网络对输入矩阵进行卷积、池化操作，拼接成特征序列；将特征序列作为BiLSTM网络的输入，分别利用前向LSTM单元、后向LSTM单元从前向、后向两个方向全面捕捉文本深层次的语义特征；利用注意力层生成含有注意力分布的语义编码，优化特征向量；利用输出层的分类器完成特征向量的分类检测，判断是否为不实信息。本发明结合了CNN、BiLSTM及注意力机制，不实信息检测精度高，不仅可以提取不实信息文本的局部短语特征和全局上下文特征，还可以提取出文本关键词，减少无关信息对检测结果的不合理影响。
-
公开(公告)号：CN114463204B
公开(公告)日：2024-12-17
申请号：CN202210056493.5
申请日：2022-01-18
Applicant: 三峡大学
IPC: G06T5/77 , G06T5/60 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 一种基于双判别器异构CycleGAN的图像去雾系统，它包括第一图像去雾训练模块以及第二图像去雾训练模块，第一图像去雾训练模块包括依次连接的第一图像输入层、去雾生成器GBN、恢复雾生成器#imgabs0#其中，第一图像输入层给去雾生成器GBN输入有雾图像X，去雾生成器GBN给恢复雾生成器#imgabs1#输入无雾图像GBN(X)，恢复雾生成器#imgabs2#输出有雾图像#imgabs3#第二图像去雾训练模块包括依次连接的第二图像输入层、恢复雾生成器FBN、去雾生成器#imgabs4#本发明的目的是为了解决在直接或间接使用CycleGAN的方法进行图像去雾的过程中，造成的相同任务生成器之间的学习混乱问题。
-
公开(公告)号：CN114463204A
公开(公告)日：2022-05-10
申请号：CN202210056493.5
申请日：2022-01-18
Applicant: 三峡大学
Abstract: 一种基于双判别器异构CycleGAN的图像去雾框架，它包括第一图像去雾训练模块以及第二图像去雾训练模块，第一图像去雾训练模块包括依次连接的第一图像输入层、去雾生成器GBN、恢复雾生成器其中，第一图像输入层给去雾生成器GBN输入有雾图像X，去雾生成器GBN给恢复雾生成器输入无雾图像GBN(X)，恢复雾生成器输出有雾图像第二图像去雾训练模块包括依次连接的第二图像输入层、恢复雾生成器FBN、去雾生成器本发明的目的是为了解决在直接或间接使用CycleGAN的方法进行图像去雾的过程中，造成的相同任务生成器之间的学习混乱问题。
-
公开(公告)号：CN114022809A
公开(公告)日：2022-02-08
申请号：CN202111265525.4
申请日：2021-10-28
Applicant: 三峡大学
IPC: G06V20/40 , G06V10/44 , G06V10/46 , G06V10/56 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及基于改进自编码网络的视频运动放大方法，利用改进自编码网络对视频中的细微变化进行放大，所述方法包括：对视频数据进行分解处理，采用分解的前后连续两帧图像作为编码器的输入；利用编码器提取连续两帧图像的形状特征，作为放大器的输入；利用放大器对两帧图像形状特征的像素位移差值进行放大，得到放大的形状特征；利用解码器对前帧图像的纹理特征进行上采样，并将纹理特征与放大的形状特征结合，得到放大帧并输出。本发明的方法实现了视频运动放大图像中形状、纹理特征的完美融合，减少了视频运动放大的亮度、色彩、纹理损失，使浅层特征信息得以保留。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
