-
公开(公告)号：CN113160032A
公开(公告)日：2021-07-23
申请号：CN202110333549.2
申请日：2021-03-29
Applicant: 浙江工业大学
Abstract: 一种基于生成对抗网络的无监督多模态图像转换方法，包括以下步骤：1)同时输入属于A域图像xa以及属于B域图像xb进入图像跨域转换神经网络中；2)编码器将图像拆分编码为图像内容编码c以及域风格编码s；3)针对不同的域图像配置不同的特定域编码m；4)将内容编码c、域风格编码s和特定域编码m融合并解码，生成指定目标域图像；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，只需单个生成网络即可完成多域的图像生成，高效且有效地实现无监督图像跨域转换。
-
公开(公告)号：CN115861694A
公开(公告)日：2023-03-28
申请号：CN202211495980.8
申请日：2022-11-24
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/762 , G06V10/80 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于自聚类图卷积的解剖学合理性检测方法及系统，通过全卷积操作提取特征图，然后对特征图中的节点进行M次独立的随机聚类得到M组聚类结果，选取M组聚类结果中任意一组作为基准，计算所选取的聚类结果中每个聚类集合与其他组聚类结果中聚类集合的交并比，选取每个聚类结果中交并比最大的聚类集合与其进行合并得到最终聚类结果，将最终聚类结果作为邻接矩阵，与全卷积操作提取的特征图通过图卷积操作进行特征融合，得到解剖学融合特征，进行多层卷积操作，输出合理性判决结果。本发明在同一类别之间进行信息融合，对器官或组织的解剖学特征给出合理性评价。
-
公开(公告)号：CN112731282B
公开(公告)日：2023-12-26
申请号：CN202011430717.1
申请日：2020-12-09
Applicant: 浙江工业大学
IPC: G01S3/802
Abstract: 一种基于虚拟子阵交织的声阵列空间滤波方法，所述方法包括波束成形方法和波达方向估计方法。一种基于虚拟子阵交织的声阵列空间滤波系统，所述系统包括：超密集微声虚拟阵列，用于设置阵列框架，模拟声波的多径现象；声阵列空间滤波模块，用于将输入声源进行白噪声削弱进行波束成形和波达方向计算。本发明利用超密集微声阵列的冗余特性，构建出多种不同的虚拟子阵，利用子阵间不同的阵列流行对同一目标形成多种不同的测量结果，以加权平均的方式滤除结果中的随机噪声及干扰，可以提高阵列波束成形的指向性及波达方向估计的精度。
-
公开(公告)号：CN112580783B
公开(公告)日：2024-03-22
申请号：CN202011487738.7
申请日：2020-12-16
Applicant: 浙江工业大学
Abstract: 一种高维深度学习模型向低维迁移知识的跨维度知识迁移方法，1)将n‑1维数据x扩充形成伪n维数据y；2)将y输入教师网络，提取n维特征；3)将教师网络提取的n维特征在第n维度上求特征的均值；4)将x输入学生网络，提取n‑1维特征；5)通过损失函数约束，使学生网络的特征输出逼近教师网络的特征输出；6)按步骤1)～5)重复设定次数，直到学生网络的特征输出与教师网络的特征输出相差小于预设阈值；7)按照步骤1)～6)的方法，可迁移到维度n‑2，直到维度m。当只有低维数据或为了提高算法速度只能采用低维数据时，采用本发明可以得到一个低维模型，其中存储了高维模型的知识，且具备了与高维模型相近的特征提取能力。
-
公开(公告)号：CN112731282A
公开(公告)日：2021-04-30
申请号：CN202011430717.1
申请日：2020-12-09
Applicant: 浙江工业大学
IPC: G01S3/802
Abstract: 一种基于虚拟子阵交织的声阵列空间滤波方法，所述方法包括波束成形方法和波达方向估计方法。一种基于虚拟子阵交织的声阵列空间滤波系统，所述系统包括：超密集微声虚拟阵列，用于设置阵列框架，模拟声波的多径现象；声阵列空间滤波模块，用于将输入声源进行白噪声削弱进行波束成形和波达方向计算。本发明利用超密集微声阵列的冗余特性，构建出多种不同的虚拟子阵，利用子阵间不同的阵列流行对同一目标形成多种不同的测量结果，以加权平均的方式滤除结果中的随机噪声及干扰，可以提高阵列波束成形的指向性及波达方向估计的精度。
-
Patent Agency Ranking
公开(公告)号：CN112581550A
公开(公告)日：2021-03-30
申请号：CN202011391478.3
申请日：2020-12-02
Applicant: 浙江工业大学
Abstract: 一种基于生成对抗网络的非匹配图像风格转换方法，包括以下步骤：1)同时输入属于A风格图像xa以及属于B风格图像xb进入风格转换神经网络中；2)根据源域图像，网络生成器生成对应的目标域风格图像；3)将源域与生成的目标域图像经过分割网络，通过形状一致性损失进行约束；4)将源域与生成的目标域图像经过感知网络，通过感知损失进行一致性约束；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，实现将图像的风格进行有效的转换。通过精心设计的网络结构，能够有效地提高转换图像的质量且适应于更广阔的应用场景范围。
-
公开(公告)号：CN112580783A
公开(公告)日：2021-03-30
申请号：CN202011487738.7
申请日：2020-12-16
Applicant: 浙江工业大学
Abstract: 一种高维深度学习模型向低维迁移知识的跨维度知识迁移方法，1)将n‑1维数据x扩充形成伪n维数据y；2)将y输入教师网络，提取n维特征；3)将教师网络提取的n维特征在第n维度上求特征的均值；4)将x输入学生网络，提取n‑1维特征；5)通过损失函数约束，使学生网络的特征输出逼近教师网络的特征输出；6)按步骤1)～5)重复设定次数，直到学生网络的特征输出与教师网络的特征输出相差小于预设阈值；7)按照步骤1)～6)的方法，可迁移到维度n‑2，直到维度m。当只有低维数据或为了提高算法速度只能采用低维数据时，采用本发明可以得到一个低维模型，其中存储了高维模型的知识，且具备了与高维模型相近的特征提取能力。
-
公开(公告)号：CN113160032B
公开(公告)日：2024-10-29
申请号：CN202110333549.2
申请日：2021-03-29
Applicant: 浙江工业大学
IPC: G06T3/04 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种基于生成对抗网络的无监督多模态图像转换方法，包括以下步骤：1)同时输入属于A域图像xa以及属于B域图像xb进入图像跨域转换神经网络中；2)编码器将图像拆分编码为图像内容编码c以及域风格编码s；3)针对不同的域图像配置不同的特定域编码m；4)将内容编码c、域风格编码s和特定域编码m融合并解码，生成指定目标域图像；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，只需单个生成网络即可完成多域的图像生成，高效且有效地实现无监督图像跨域转换。
-
公开(公告)号：CN112581550B
公开(公告)日：2024-10-29
申请号：CN202011391478.3
申请日：2020-12-02
Applicant: 浙江工业大学
IPC: G06T9/00 , G06N3/0464 , G06N3/0475 , G06N3/0455 , G06N3/094 , G06T7/11
Abstract: 一种基于生成对抗网络的非匹配图像风格转换方法，包括以下步骤：1)同时输入属于A风格图像xa以及属于B风格图像xb进入风格转换神经网络中；2)根据源域图像，网络生成器生成对应的目标域风格图像；3)将源域与生成的目标域图像经过分割网络，通过形状一致性损失进行约束；4)将源域与生成的目标域图像经过感知网络，通过感知损失进行一致性约束；5)判别器对生成器生成的图像进行质量评判；6)按步骤1)～5)重复设定次数，直到网络收敛。本发明旨在没有互相匹配的图像数据情况下，利用深度学习技术，实现将图像的风格进行有效的转换。通过精心设计的网络结构，能够有效地提高转换图像的质量且适应于更广阔的应用场景范围。
-
公开(公告)号：CN112488048B
公开(公告)日：2024-03-22
申请号：CN202011483184.3
申请日：2020-12-16
Applicant: 浙江工业大学
IPC: G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/08 , G06F17/14
Abstract: 一种基于深度学习及随机阵列的声信号差分特征融合方法，包括波束成形方法和波达方向估计方法，波束成形方法的过程为：输入空间矩阵；空间矩阵通过系数估计CNN得到差分卷积核；构建随机声阵列输入声信号；将声信号变换成频域信号输入随机阵列模拟器；将信号输入差分卷积网络；根据多种选取模式，以取平均的方式完成差分特征提取；处理完成后输入空间滤波CNN，给出结果；波达方向估计方法的过程和波束成形方法总体相似，其中差分卷积核不接受提供的卷积核而是自行初始化；通过波达估计CNN而不是空间滤波CNN输出空间矩阵的估计。本发明通过深度学习的方法提高波达方向估计精度和波束成形的指向性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
