-
公开(公告)号：CN114677271B
公开(公告)日：2025-04-29
申请号：CN202210147859.X
申请日：2022-02-17
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06T7/11 , G06N3/0464 , G06N3/084
Abstract: 本发明提供的一种基于深度图像先验的高光谱图像超分辨率重建方法，通过在现有的主体学习网络中加入不基于训练的自动处理网络，通过设计输入处理模块来充分根据网络主体结构调整网络输入，使输入与网络结构产生共鸣，从而充分利用图像先验信息，利用DCNN的内在特征先捕获图像，然后再恢复图像。本发明所提出的网络结构充分利用了高光谱图像的空间信息和光谱波段之间的相关性学习图像特征，并且此本发明的自动处理网络中的输入处理模块可以自动调整输入结构，可以大大扩展DIP算法的应用，使DIP方法更适合于高光谱超分任务，可以进一步提高了构图像的质量。
-
公开(公告)号：CN113222813A
公开(公告)日：2021-08-06
申请号：CN202110420575.9
申请日：2021-04-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种图像超分辨率重建方法、装置、电子设备及存储介质，该方法包括：获取待处理图像；将待处理图像输入至超分辨率重建模型，以使超分辨率重建模型对待处理图像中的各个像素点进行预测，并获得待处理图像的超分辨率重建图像；超分辨率重建模型为预先使用多个训练样本训练得到的二值神经网络模型，每个训练样本包括第一分辨率图像块以及对应的第二分辨率图像块；其中，所述第二分辨率大于所述第一分辨率。由于超分辨率重建模型中的双流二值推理层可通过量化阈值提升二值量化精度，并以双流的网络结构提升超分辨率重建模型的信息承载能力，因此能够显著提升超分辨率重建模型的性能，同时也可以在保证图像重建精度的基础上提高重建速度。
-
公开(公告)号：CN115311136A
公开(公告)日：2022-11-08
申请号：CN202210765221.2
申请日：2022-06-30
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于局部均值二值量化的图像超分辨率方法，所述图像超分辨率方法包括：获取待重建的低分辨率图像；将所述待重建的低分辨率图像输入至训练好的超分网络中，得到最终的高分辨图像，其中，所述超分网络包括特征提取模块、特征转化模块和图像重构模块，所述特征转化模块的权重和激活均进行二值量化处理。本发明相比全精度的超分网络模型，本发明中提出的二值网络可以大幅低降低超分模型的计算量以及参数量，有利于超分网络在边缘设备上的部署以及实时地应用。
-
公开(公告)号：CN109035318B
公开(公告)日：2021-11-30
申请号：CN201810615516.5
申请日：2018-06-14
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种图像风格的转换方法，包括：获取风格图像和内容图像；通过所述风格图像获取流派内嵌表示空间；根据所述风格图像的风格深度特征和所述内容图像的内容深度特征获取流派风格化表示空间；根据所述流派内嵌表示空间和所述流派风格化表示空间对所述内容图像进行风格转换。本发明由于采用构建流派内嵌表示空间，将现有方法转换单张图像风格的变为转换为一种根据流派进行风格转换的方式，不仅转换了风格图像的颜色与纹理，同时还根据内容图像和风格图像之间语义信息的对应关系进行转换，使得转换后的图像更具有艺术意义。
-
公开(公告)号：CN107392213B
公开(公告)日：2020-04-07
申请号：CN201710602696.9
申请日：2017-07-21
Applicant: 西安电子科技大学
Abstract: 一种基于深度图模型特征学习的人脸画像合成方法。其步骤为：(1)生成样本集合；(2)生成图像块集合；(3)提取深度特征；(4)求解人脸画像重构块系数；(5)重构人脸画像块；(6)合成人脸画像。本发明使用深度卷积网络提取人脸照片块的深度特征，利用马尔科夫图模型求解深度特征图系数与人脸画像块重构系数，使用人脸画像块重构系数对人脸画像块加权求和得到重构人脸画像块，拼接重构人脸画像块得到合成人脸画像。本发明使用从深度卷积网络中提取的深度特征来代替图像块的原始像素值信息，对光照等环境噪声具有更好的鲁棒性，能合成质量极高的人脸画像。
-
Patent Agency Ranking
公开(公告)号：CN108154133A
公开(公告)日：2018-06-12
申请号：CN201810023591.2
申请日：2018-01-10
Applicant: 西安电子科技大学
Abstract: 一种基于非对称联合学习的人脸画像-照片识别方法。其步骤为：(1)获得训练样本集和测试样本集；(2)划分样本子集；(3)获得训练伪样本集；(4)构建非对称特征矩阵；(5)计算非对称联合学习矩阵；(6)计算画像样本与照片样本的相似度值；(7)得到识别结果。本发明使用深度卷积网络提取样本的深度特征向量，利用非对称特征矩阵计算非对称联合学习矩阵，使用非对称联合学习矩阵计算画像与照片的相似度，找出与画像相似度最大的照片作为识别结果。本发明将训练伪样本集加入训练过程，并使用非对称联合学习方法增加类内信息，能准确地识别出画像对应的照片。
-
公开(公告)号：CN112950464B
公开(公告)日：2023-09-01
申请号：CN202110099913.3
申请日：2021-01-25
Applicant: 西安电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种不包含正则化层的二值超分辨率重建方法，包括：对低分辨率图像进行数据分布处理，获得处理后图像；将所述处理后图像输入二值深度神经网络模型进行特征提取，获得重构后的图像；对所述重构后的图像进行数据分布处理，获得最终重建后的超分图像；利用梯度下降算法迭代更新所述二值深度神经网络模型的参数，直至达到收敛。本发明的方法，通过一种有效的二值化训练机制，允许神经网络在不包含正则化层时取得较优异的网络性能，从而使网络以较低的计算复杂度获得更加优异的超分辨率图像重建效果。
-
公开(公告)号：CN109145704B
公开(公告)日：2022-02-22
申请号：CN201810615517.X
申请日：2018-06-14
Applicant: 西安电子科技大学
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06F16/583
Abstract: 本发明涉及一种基于人脸属性的人脸画像识别方法，包括：获取训练样本集和测试样本集；利用所述训练样本集训练深度人脸属性表示模型；利用训练后的所述深度人脸属性表示模型获取所述测试样本集的人脸属性表示特征；利用所述人脸属性表示特征进行相似度计算以对所述测试样本集中的第二人脸画像进行识别。本发明的识别方法使用深度人脸属性表示模型对人脸画像和照片进行特征提取，克服现有技术进行人脸画像编码和照片编码时，编码特征信息没有考虑人脸属性信息的问题，使得本发明能够通过获取人脸的属性信息从而使得识别准确率更高，且对人脸画像的可分辨性更强。
-
公开(公告)号：CN107392213A
公开(公告)日：2017-11-24
申请号：CN201710602696.9
申请日：2017-07-21
Applicant: 西安电子科技大学
Abstract: 一种基于深度图模型特征学习的人脸画像合成方法。其步骤为：(1)生成样本集合；(2)生成图像块集合；(3)提取深度特征；(4)求解人脸画像重构块系数；(5)重构人脸画像块；(6)合成人脸画像。本发明使用深度卷积网络提取人脸照片块的深度特征，利用马尔科夫图模型求解深度特征图系数与人脸画像块重构系数，使用人脸画像块重构系数对人脸画像块加权求和得到重构人脸画像块，拼接重构人脸画像块得到合成人脸画像。本发明使用从深度卷积网络中提取的深度特征来代替图像块的原始像素值信息，对光照等环境噪声具有更好的鲁棒性，能合成质量极高的人脸画像。
-
公开(公告)号：CN115311137A
公开(公告)日：2022-11-08
申请号：CN202210769773.0
申请日：2022-07-01
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种基于网络二值化推理加速的图像超分辨率重建方法，包括：获取待重建的低分辨率图像；将所述待重建的低分辨率图像输入至训练好的图像超分辨率重建模型中，得到最终的高分辨图像，其中，所述图像超分辨率重建模型包括依次连接的第一层卷积层、多个堆叠的二值残差块以及第二层卷积层，所述二值残差块为由权值和激活均进行二值量化处理的残差块得到。本发明首先采用多个矫正的阈值获取多视角下的二值激活表征，可以获取更准确的二值激活表达，显著降低由于二值化过程带来的量化误差。随后，模拟多bit网络的卷积操作，利用1‑bit网络去模拟多bit网络，提高二值网络的信息承载能力，进而提高二值超分网络对于高频细节信息的恢复。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.028 seconds)
