-
公开(公告)号：CN112733777A
公开(公告)日：2021-04-30
申请号：CN202110064751.X
申请日：2021-01-18
Applicant: 华侨大学
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：CN112699835A
公开(公告)日：2021-04-23
申请号：CN202110038614.9
申请日：2021-01-12
Applicant: 华侨大学
Abstract: 本发明提供一种基于重建偏重U‑Net的道路提取方法、装置、设备和存储介质，方法包括：获取训练集和验证集；构建U‑Net神经网络模型，其中U‑Net神经网络模型包括编码器和解码器，所述编码器包括五个卷积模块，所述解码器包括四个上采样重建层；将所述训练集输入U‑Net神经网络模型进行训练，并保存所述网络模型的参数，以获得初始U‑Net神经网络模型；将所述验证集输入初始U‑Net神经网络模型并结合损失函数训练，直至模型收敛，以获得训练好的U‑Net神经网络模型。将待检测图像输入训练好的U‑Net神经网络模型，获取道路提取结果。本发明的道路提取U‑Net神经网络模型，能有效增强网络的重建能力，使得网络对于遮挡等信息，具备更好的逻辑推理能力，能取得更好的分割精度和鲁棒性。
-
公开(公告)号：CN112150484A
公开(公告)日：2020-12-29
申请号：CN202011038459.2
申请日：2020-09-28
Applicant: 华侨大学
Abstract: 本发明公开了一种超像素的狄利克雷混合模型图像分割方法、装置及设备，方法包括：读取待分割的图像，利用超像素分割算法将所述图像分割为多个超像素块，并记录下每个像素点所属的超像素块、每个超像素块的位置中心以及颜色均值信息；提取每个超像素块的邻域信息；对所有超像素块的颜色做归一化处理，并初始化分割类别个数和聚类中心；将归一化处理后的超像素块作为输入，利用k‑means聚类对狄利克雷混合模型的聚类中心和后验概率做初始化；初始化狄利克雷混合模型的超参数，将以超像素块为基本处理单位的处理向量放入初始化后的狄利克雷混合模型中进行无监督迭代分割计算，直到达到预设的迭代终止条件后，输出分割结果图。本发明能提高图像分割的速度。
-
公开(公告)号：CN110717431A
公开(公告)日：2020-01-21
申请号：CN201910927585.4
申请日：2019-09-27
Applicant: 华侨大学
IPC: G06K9/00 , G06K9/32 , G06F16/332 , G06F16/58 , G06F16/583 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种结合多视角注意力机制的细粒度视觉问答方法，充分考虑到问题具体语义的导向作用，提出一种多视角注意力模型，能够有效选择出与当前任务目标(问题)相关的多个显著目标区域，从多个视角学习获取图像和问题文本中与答案有关的区域信息，提取出问题语义引导下的图像中的区域显著性特征，具有更细粒度的特征表达，并对图像中存在多个重要语义表达区域的情况表现，具有较强的刻画能力，增加了多视角注意力模型的有效性和全面性，从而有效加强图像区域显著特征和问题特征的语义关联性，以提升视觉问答的语义理解的准确性和全面性。采用本发明所述的方法进行视觉问答任务，步骤简单、效率高、准确率高，完全可以用于商业，市场前景较佳。
-
公开(公告)号：CN109192200A
公开(公告)日：2019-01-11
申请号：CN201810514662.9
申请日：2018-05-25
Applicant: 华侨大学
Abstract: 本发明涉及一种语音识别方法，其包括所述语音识别方法包括输入语音信号，使用梅尔频率倒谱系数MFCC提取语音信号的特征向量；将提取的MFCC特征向量输入到狄利克雷分布混合模型中计算观测概率，其中使用变分推断更新优化模型参数；将所述MFCC特征向量和所述观测概率输入所述隐马尔科夫模型HMM，使用隐马尔科夫模型对语音信号时间序列结构进行建模；根据所述语音信号中的隐马尔科夫模型HMM的观测序列概率，判断并提取词语。本发明在现有高斯混合隐马尔科夫模型的方法基础上，提出使用狄利克雷混合模型来对隐马尔科夫混合模型的观测概率来进行建模，同时使用变分推断实现模型参数的求解，谋求模型鲁棒性和提高准确率。
-
Patent Agency Ranking
公开(公告)号：CN105374007B
公开(公告)日：2019-01-01
申请号：CN201510870259.6
申请日：2015-12-02
Applicant: 华侨大学
IPC: G06T3/00
Abstract: 本发明中的一种融合骨架笔画和纹理特征的铅笔画生成方法和装置，该铅笔画生成装置包括原始图像获取单元、灰度图像生成单元、梯度图像生成单元、骨架笔画图层生成单元、色调图层生成单元、纹理特征渲染图层生成单元、和铅笔画图像生成单元，该铅笔画生成方法通过对输入图像进行灰度化、去模糊处理及边缘检测从而得到梯度图像，再将梯度图像处理为骨架笔画图层，而后将骨架笔画图层处理为色调图层，并通过纹理合成和建立色调映射数学模型得到纹理特征渲染图层，最后将骨架笔画图层和纹理渲染图层进行正片叠底混合，得到最终的铅笔手绘画效果的铅笔画，本发明中的铅笔画生成方法和装置，生成铅笔画步骤简单、效率高且手绘效果突出。
-
公开(公告)号：CN106127240A
公开(公告)日：2016-11-16
申请号：CN201610439561.0
申请日：2016-06-17
Applicant: 华侨大学
IPC: G06K9/62
CPC classification number: G06K9/6272 , G06K9/6223
Abstract: 本发明公开了一种基于非线性重构模型的植物图像集的分类识别方法，方法包括:(1)图像的预处理；(2)用k‑means方法提取每张植物叶片图像的特征；(3)用PCA方法对得到的特征向量进行降维；(4)随机选取部分特征向量用高斯自动编码器(GRMBs)预训练非线性重构模型的参数；(5)用训练得到的参数初始化非线性重构模型的参数，并为每一类训练一个特定的模型；(6)最后用最小重构误差和最大投票策略进行分类识别。本发明方法提供了一种自动的特征提取方法和一种自动的学习数据潜在的流行结构，能够实现快速学习和高精度的分类识别。
-
公开(公告)号：CN106095829A
公开(公告)日：2016-11-09
申请号：CN201610381864.1
申请日：2016-06-01
Applicant: 华侨大学
IPC: G06F17/30
CPC classification number: 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：CN111612101B
公开(公告)日：2023-02-07
申请号：CN202010499785.7
申请日：2020-06-04
Applicant: 华侨大学
IPC: G06F18/23 , G06F18/2415 , G06F18/24
Abstract: 本发明公开了一种非参数Waston混合模型的基因表达数据聚类方法、装置及设备，方法包括：S101，获取待聚类的基因数据集；所述基因数据集包括N条基因表达数据向量；S102，使用非参数Watson混合模型对基因表达数据向量进行建模；S103，通过变分贝叶斯推断算法估算所述非参数Watson混合模型的模型参数；S104，根据估算的所述模型参数，判断所述非参数Watson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，根据指示因子的后验概率判断每条基因表达数据向量的所属类别，从而根据所属类别对所述基因表达数据向量进行聚类。本实施例由于具有可以用来控制产生新类别数量的折扣参数，所以在处理不平衡数据时比基于DP混合模型的方法可以得到更好的聚类结果。
-
公开(公告)号：CN111614695B
公开(公告)日：2022-04-22
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。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.021 seconds)
