-
公开(公告)号：CN113962885B
公开(公告)日：2024-05-28
申请号：CN202111194916.1
申请日：2021-10-14
Applicant: 东北林业大学
IPC: G06T5/77 , G06T5/90 , G06T7/73 , G06T5/60 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明提出HR‑CycleGAN(Highlight Reduction‑CycleGAN)网络进行图像高光处理，利用风格迁移中常用的CycleGAN网络来对图像的高光区域进行修复，并改进其网络结构，添加了部分局部判别器，提高对人脸高光常见区域的高光修复效果。此外，本发明在网络中加入了亮度参数来控制生成图像亮度状况。本发明主要分为三部分，第一部分通过目标检测与模糊逻辑划分高光区域；第二部分对HR‑CycleGAN网络进行迭代训练，其中使用多个判别器对生成图像进行鉴别，提高生成图像的质量以及细节丰富度；并引入亮度信息损失函数，有效控制生成图像的高光溢出状况，达到高光去除的效果。本发明较其他改善高光溢出的图像处理方法各方面都得到了极大的提高，尤其在图像质量方面提高显著。
-
公开(公告)号：CN111882495B
公开(公告)日：2022-08-02
申请号：CN202010637669.7
申请日：2020-07-05
Applicant: 东北林业大学
Abstract: 本发明提出一种基于模糊逻辑与生成对抗网络的图像高光修复方法。在该方法中，使用模糊逻辑来对图像高光区域进行判断，并设计带有双判别器的生成对抗网络来对图像高光区域进行修复。此外，本发明在生成器网络中加入了亮度参数来控制生成图像的高光区域亮度范围，亮度参数通过模糊逻辑获得。本发明主要分为三部分，第一部分通过模糊逻辑划分高光区域；第二部分根据亮度参数生成修复图像并通过双判别器对图像进行真假判别，以便确保图像的真实性；第三部分使用图像融合技术处理图像生成部分与原图片，进一步提高高光区域修复效果。本发明较传统图像处理各方面都得到了极大的提高，尤其在图像质量方面提高显著。
-
公开(公告)号：CN111882495A
公开(公告)日：2020-11-03
申请号：CN202010637669.7
申请日：2020-07-05
Applicant: 东北林业大学
Abstract: 本发明提出一种基于模糊逻辑与生成对抗网络的图像高光修复方法。在该方法中，使用模糊逻辑来对图像高光区域进行判断，并设计带有双判别器的生成对抗网络来对图像高光区域进行修复。此外，本发明在生成器网络中加入了亮度参数来控制生成图像的高光区域亮度范围，亮度参数通过模糊逻辑获得。本发明主要分为三部分，第一部分通过模糊逻辑划分高光区域；第二部分根据亮度参数生成修复图像并通过双判别器对图像进行真假判别，以便确保图像的真实性；第三部分使用图像融合技术处理图像生成部分与原图片，进一步提高高光区域修复效果。本发明较传统图像处理各方面都得到了极大的提高，尤其在图像质量方面提高显著。
-
公开(公告)号：CN111325749A
公开(公告)日：2020-06-23
申请号：CN202010097117.1
申请日：2020-02-17
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于生成对抗网络的带出血病症的眼底血管图像生成方法，其中眼底图像生成方法包括：首先用图像分割技术从现有真实眼底图片中分割出血管树和出血块，然后利用WGAN生成眼底血管树，利用CGAN生成出血块；再把生成的眼底血管树和出血块输入到本发明改进的CycleGAN中生成完整的带出血病症的眼底血管图像。本发明把图像生成过程分为两部分：第一部分用WGAN和CGAN生成血管树和出血块，旨在生成高质量的血管图像和出血块图像，使局部信息更加真实；第二部分把生成的眼底血管树和出血块输入到本发明改进的CycleGAN中，在生成完整带出血病症的眼底血管图像的同时，进一步提升生成样本多样性，且最终生成质量得到显著提升。
-
公开(公告)号：CN119825768A
公开(公告)日：2025-04-15
申请号：CN202311324585.8
申请日：2023-10-13
Applicant: 东北林业大学
Abstract: 本发明公开了一种自适应式除冰刷盘液压控制系统及除冰机，涉及道路除冰技术领域，自适应式除冰输盘液压控制系统包括：油箱；第一油缸，其伸缩端连接于除冰刷盘；第二油缸，其伸缩端连接于除冰刷盘；控制阀组件，连接于第一油缸和第二油缸，以控制第一油缸和第二油缸的升降；动力组件，连接于控制阀组件，用于将油箱内的液压油抽取至第一油缸和第二油缸；第一油缸的无杆腔和第二油缸的无杆腔通过控制阀组件连接于油箱。本发明提供的自适应式除冰刷盘液压控制系统通过感知除冰刷盘与路面间的压力，进而控制控制阀组件的通断，可实现除冰刷盘的自适应升降，可实现控制过程中的自适应式柔性除冰。
-
Patent Agency Ranking
公开(公告)号：CN113962885A
公开(公告)日：2022-01-21
申请号：CN202111194916.1
申请日：2021-10-14
Applicant: 东北林业大学
IPC: G06T5/00 , G06T7/73 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出HR‑CycleGAN(Highlight Reduction‑CycleGAN)网络进行图像高光处理，利用风格迁移中常用的CycleGAN网络来对图像的高光区域进行修复，并改进其网络结构，添加了部分局部判别器，提高对人脸高光常见区域的高光修复效果。此外，本发明在网络中加入了亮度参数来控制生成图像亮度状况。本发明主要分为三部分，第一部分通过目标检测与模糊逻辑划分高光区域；第二部分对HR‑CycleGAN网络进行迭代训练，其中使用多个判别器对生成图像进行鉴别，提高生成图像的质量以及细节丰富度；并引入亮度信息损失函数，有效控制生成图像的高光溢出状况，达到高光去除的效果。本发明较其他改善高光溢出的图像处理方法各方面都得到了极大的提高，尤其在图像质量方面提高显著。
-
公开(公告)号：CN111950619A
公开(公告)日：2020-11-17
申请号：CN202010779759.X
申请日：2020-08-05
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于双重生成对抗网络的主动学习方法。包括如下步骤：1：利用标记池图像和未标记池图像对模型进行训练，模型训练包括表征学习和生成对抗两个部分；2：利用收敛后的模型，对待选池中的图像进行采样，之后对采样后的图像进行人工注释和图像生成；3：把采样得到的图像从待选池转移到标记池，并把生成的图像加入到待选池，根据更新后的待选池和标记池对采样模型进行训练。本发明在基于池的方法中引入生成对抗机制，赋予模型生成能力，在模型中形成两组生成对抗网络。本发明还引入了“同步更新”的概念，使采样模型随采样进程同步更新，从而使每次采样都能选择当前阶段含信息量最丰富的样本。
-
公开(公告)号：CN107476863A
公开(公告)日：2017-12-15
申请号：CN201610415734.5
申请日：2016-06-07
Applicant: 东北林业大学
CPC classification number: F01N5/025 , F01N1/082 , F01N1/10 , F01N3/0892 , F01N3/2803 , F01N3/2885 , F01N13/16 , F01N2240/20 , F01N2310/14 , F01N2410/00
Abstract: 具有节能减排功效的汽车复合式消声器系统。本产品其组成包括:壳体，所述的壳体内顺次连接底板、隔板、后隔板、顶板，所述的底板、所述的隔板、所述的后隔板均开有下通孔，所述的后隔板、所述的顶板均开有上通孔，所述的下通孔连接消声管，所述的消声管内装有翅片扰流装置，所述的上通孔连接等离子体发生器管，所述的等离子体发生器管连接等离子体发生器，所述的壳体连接半导体温差发电片，所述的半导体温差发电片连接支杆，所述的支杆连接热管散热器。本发明用于汽车复合式消声器系统。
-
公开(公告)号：CN112861705A
公开(公告)日：2021-05-28
申请号：CN202110158298.9
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于混合学习的跨域行人重识别方法。包括如下步骤：1：设计基于生成对抗网络的风格迁移模型，利用标记的源域数据对风格迁移模型进行训练；2：设计基于特征提取网络的行人重识别模型，特征提取网络之后连接了两个分别用于监督学习和无监督学习的模块；3：设计动态权重函数动态的调整两种学习方式的权重，从而动态的对特征提取网络进行训练，最终完成跨域行人重识别任务。本发明设计了监督学习和无监督学习两种模块、结合了源域和目标域的数据对行人重识别模型进行训练。本发明还设计了动态权重函数动态地结合两种学习方式。
-
公开(公告)号：CN111950619B
公开(公告)日：2022-09-09
申请号：CN202010779759.X
申请日：2020-08-05
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于双重生成对抗网络的主动学习方法。包括如下步骤：1：利用标记池图像和未标记池图像对模型进行训练，模型训练包括表征学习和生成对抗两个部分；2：利用收敛后的模型，对待选池中的图像进行采样，之后对采样后的图像进行人工注释和图像生成；3：把采样得到的图像从待选池转移到标记池，并把生成的图像加入到待选池，根据更新后的待选池和标记池对采样模型进行训练。本发明在基于池的方法中引入生成对抗机制，赋予模型生成能力，在模型中形成两组生成对抗网络。本发明还引入了同步更新”的概念，使采样模型随采样进程同步
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.027 seconds)
