本发明涉及一种基于深度卷积神经网络的无参考低照度图像增强方法，属于图像处理领域。首先，使用深度卷积神经网络构建包含两个分支的特征提取模块，并从输入的低照度图像中提取照射分量和反射分量。之后，对反射分量进行去噪，将其融入到优化网络中得到优化后的反射分量。然后，将照射分量输入到优化网络中得到优化后的照射分量。最后，将优化后的照射分量和反射分量相乘得到最终的增强结果。本发明充分利用了从输入图像中提取的反射分量，有效降低了图像中噪声的干扰并提升了细节表现能力。
📄 2021103041978
📂 G06T5_00
👤 重庆邮电大学
📅 2021-03-22
一种基于改进的卷积神经网络实现图像编辑传播的方法，首先引入组合卷积来代替传统的卷积，通过这个结构可以提取更加合理的图像特征，并且减少模型的参数量和卷积的操作数。同时引入对错分的背景类进行加权的有偏损失函数，以防止背景类被误着色而造成颜色溢出。该方法包括以下步骤：通过交互的方式对一幅待处理的图像加以笔触；根据笔触从图像中提取训练集和测试集；利用改进的卷积神经网络进行模型训练；利用训练得到的模型进行测试，最终实现图像上色。
📄 2017114286120
📂 G06T11_80
👤 浙江工业大学
📅 2017-12-26
一种基于分区神经网络的跌倒检测方法，该方法采用的深度神经网络为Lightweight Openpose，用于识别图像中人体的关键点坐标，过程如下：首先对目标深度神经网络进行每一层的输出数据尺寸分析和浮点运算数统计，随后，根据分析统计结果初步确定网络模型的候选划分层，再根据整体计算时间确定最优划分层p，其中轻量部分部署在移动端上，重量部分部署在云端服务器上，实现两端的协同计算；深度神经网络用于识别图像中人体的关键点坐标，再结合KNN分类器对关键点坐标做判断实现跌倒检测。本发明改善基于传统神经网络跌倒检测方法的实时性和安全性问题，表现出较好的鲁棒性。
📄 2021103417878
📂 G06V40_20
👤 浙江工业大学
📅 2021-03-30
一种基于CNN的多水下信标信号识别方法，每个信标发射信号的设计，运用扩频编码技术并结合相频同移混合键控方式调制，使不同的信标信号具有不同的相位特征和频率特征；将采样的信标信号序列转换为二维图片，通过短时傅里叶变换得到相位图和频谱图进而融合而成相频特征图，以此作为信号识别的依据；轻量化的卷积神经网络结构的搭建，共由1个输入层、4个卷积层、3个池化层、1个全连接层和1个softmax层组成，完成从相频特征图到信标序号的映射；不仅在相频特征图上进行数据扩充，而且在采样信号序列上进行数据扩充，使训练的模型具有较强鲁棒性。该方法可有效提升信标的作用距离和识别精度，轻量化的模型设计也适用于信号的实时识别。
📄 2021106646239
📂 H04L27_00
👤 浙江工业大学
📅 2021-06-16
本发明公开一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，首先，使用源域数据预训练多个不同参数的源任务1DCNN，使得这些1DCNN在源域数据上达到优秀的分类性能。其次，迁移源域预训练的1DCNN，以较小的学习率微调参数来实现目标域的模型训练，获得多个迁移学习的一维卷积神经网络(TL1DCNN)。然后，使用粒子群优化算法优化获得各个TL1DCNN的权重系数，最终得到一维迁移学习卷积神经网络集成模型。将本发明提出的方法在分类准确率，召回率，F_score，混淆矩阵等指标表现较好。对比结果表明，本发明提出的方法在准确性和鲁棒性方面具有更好的表现。
📄 2021103084225
📂 G06F18_241
👤 浙江工业大学
📅 2021-03-23
一种基于密集权重连接的卷积神经网络图像分类方法，包括以下步骤：1)模型的输入图像为经过预处理的原始图像，经过预处理的图像裁剪为一个固定尺寸；2)对图像进行较大尺寸的卷积操作和池化操作；3)将步骤2)中输出的特征送入第一个密集权重连接模块；4)加权组合处理；5)将步骤3)中密集权重连接块的输出继续送入下一个卷积层与池化层，此时的特征图像将近一步缩小；在经过多次密集权重连接块、卷积层、池化层的组合后，特征图像将不断组合并缩小为特征点；得到的特征点直接送入分类层进行分类或送入全连接层后再进行分类。本发明应用于更加复杂的图像分类任务，对多层特征的融合增加了更多的前向通道，近一步避免了梯度问题的发生。
📄 2018103046950
📂 G06K9_62
👤 浙江工业大学
📅 2018-04-08
本发明公开了一种基于分数阶卷积神经网络的水下图像增强方法，步骤包括：输入水下图像，通过白平衡及直方图均衡化对水下图像进行初步预处理，设计水下图像的环境光估计网络和透射率估计网络，分别对两个估计网络进行参数训练，对于环境光估计网络输出得到环境光值B，对于透射率估计网络，输出得到透射率参数t,根据水下物理模型复原得到清晰的图像。本发明的方法在不需要大量高质量清晰水下图像的前提下，通过计算一组IQM来评估结果的方法，使得增强后的水下图像视觉质量明显提升，增强效果显著。
📄 2022100889551
📂 G06T5_40
👤 江苏科技大学
📅 2022-01-25
本发明公开了一种基于深度卷积神经网络的冰箱门体识别方法及系统，其中该方法包括采集生产线上需要二次验证的所有型号的冰箱门体图像；对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理；提取预处理后的冰箱门体图像的纹理特征，并构建深度卷积神经网络结构；将预处理后的冰箱门体图像作为训练数据，利用深度卷积神经网络结构，训练冰箱门体识别模型；利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试，若测试精度未达到工业应用标准，则重新构建深度卷积神经网络结构来训练冰箱门体识别模型，直至达到工业应用标准。
📄 2017104424730
📂 G06K9_62
👤 山东师范大学
📅 2017-06-13
本发明公开基于全1*1卷积神经网络的图像增强方法。本发明构建全1*1卷积神经网络，并对低质成像图像中局部图像块或者整幅图像中的像素进行重新随机排列(Pixel Shuffle)，利用重排后的图像块或图像作为输入。然后对上述网络估计出来的潜在变量后处理。基于潜在变量所对应成像模型，得到从低质图像和潜在变量估计出的清晰图像的数学表达式，从而计算得到增强后的结果。相比传统卷积神经网络普遍采用的大卷积核方式，实现了以更少的参数、更少的计算量保持相当的模型表示能力的目的，从而快速、准确地估计图像增强中的潜在变量。
📄 2018107681789
📂 G06T5_00
👤 杭州电子科技大学
📅 2018-07-13
本发明公开了一种基于卷积神经网络的立体图像视差匹配方法，本发明基于现有的用于视差估计的端到端学习几何和上下文的深度立体回归算法，通过改进其所用的几何上下文卷积神经网络，利用LSTM神经网络作为网络层替代原本网络模型中的soft‑argmin网络层操作。相比于原有的依靠人工定义规则的soft‑argmin网络操作，LSMT通过网络学习出一个规则，以此来提高网络性能，提高亚像素的准确性，得到更加精确的视差估计图，而且LSTM网络擅长处理成本序列，加快了网络的处理速度，提高匹配效率。
📄 2018108447670
📂 H04N13_106
👤 杭州电子科技大学
📅 2018-07-27
本发明提出了一种基于BERT下卷积神经网络的服务发现方法，首先，通过bert‑as‑service服务调用预训练BERT模型，生成服务与查询请求的关键词向量；其次，基于BERT词向量，构建服务与查询请求在单词粒度上的相似度矩阵，并应用卷积神经网络得到最终的相似度匹配得分；然后，对于给定的用户查询请求，逐一与候选服务进行相似度匹配；最后，根据服务的相似度匹配得分进行排序，从而找到合适的目标服务；结合BERT词向量和卷积神经网络的优势特点，基于BERT模型的结构特征以及应用范围，并结合本发明所处理的数据形式，生成包含丰富上下文语义信息的词向量，有效地支持服务相似度计算，以找到最准确的目标服务，实现了对目标服务的精准检索。
📄 2019111293780
📂 G06F16_33
👤 陕西师范大学
📅 2019-11-18
本公开提供了一种基于卷积神经网络的数据分类方法、系统、介质及设备，对获取的分类数据进行预处理，构建数据集；构建卷积神经网络，所述卷积神经网络中至少包括一个卷积层，用于提取局部特征，所述卷积层对特征矩阵进行压缩，并对所生成的稀疏矩阵在图形处理单元上进行稀疏矩阵向量乘运算，利用数据集中的数据训练卷积神经网络；将待分类数据预处理后输入到已训练好的卷积神经网络模型，输出数据分类结果；本公开通过对卷积层的特征矩阵进行压缩处理，在GPU上并行计算，减少了在计算过程中内存消耗和对于零值的计算，进而减少了神经网络的训练时间和内存消耗。
📄 2019111735875
📂 G06K9_62
👤 山东师范大学
📅 2019-11-26
柿子坊 · 知识产权运营
柿子坊知识产权运营平台