专利交易市场

本发明提供一种基于卷积神经网络和模糊图像特征的去噪方法及终端机，涉及图像处理技术领域，选取预设数量的图像进行裁切，形成图像块，作为干净图像数据集；将干净图像块与合成高斯白噪声相加，得到含噪图像数据集；构造基于模糊图像特征的模糊特征去噪网络BFCNN；利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；将含噪图像数据集中待去噪的图像输入到训练完成的图像去噪网络中，得到去噪后的图像。通过设置模糊图像作为去噪过程的中间状态，形成了对去噪过程的一个约束，能减少去噪过程中的信息浪费和信息丢失，从而保证了去噪图像的准确性。

本发明提供一种基于自适应插值算法的图像去噪方法、系统及终端机，提取待去噪图像和预设图像，并分别对待去噪图像和预设图像进行裁切，将裁切后的图像块作为插值去噪网络数据集；利用深度学习框架构造卷积插值网络；卷积插值网络包含若干CIB卷积插值模块堆叠形成；利用深度学习框架和Adam优化器对卷积插值网络进行训练，形成图像去噪网络；将插值去噪网络数据集中待去噪图像输入至训练好的图像去噪网络中，得到去噪后的图像。本发明通过向深度卷积神经网络引入插值操作，为去噪过程补充了先验信息，对拟合过程形成正则化的效果，减少去噪过程中的信息丢失和信息浪费。

本发明提供一种基于环路虚拟路径图的分段重定向映射方法、终端及可读存储介质，针对含有内部障碍物的虚拟空间平面图，采用基于Voronoi图的剪枝算法和交互式修改策略，快速提取带有环路的虚拟路径图；采用分段式虚拟路径图映射方法，将虚拟路径图拆分为若干子虚拟路径链并确定映射顺序，从而进行逐个映射；通过采用“虚边”记录子虚拟路径链环路关系，保证映射结果的连续性；利用子虚拟路径链不同的映射顺序，计算出不同的潜在映射结果，并选择重置最少、路径总曲率最低的映射结果作为实际路径图。本发明能够有效适用于不同形状和大小的虚拟空间，并且在减少边界碰撞的前提下，保证用户漫游体验。

本发明提出的一种自监督图像去噪方法、系统、装置及可读存储介质，所述方法包括：构造含噪图像的数据集；利用非对称下采样盲点网络框架构造互补盲点网络框架，并在互补盲点网络框架中设置掩码映射器分支和具有分块随机置乱的增强像素重组下采样分支；在互补盲点网络框架中，将掩码映射器分支和增强像素重组下采样分支进行组合，在盲点网络中增设判断条件参数，生成互补盲点网络；利用Adam优化器训练互补盲点网络；利用测试数据集，通过对不同下采样步长的结果进行加权平均来获得最终去噪结果。本发明能够补充盲点网络中缺失像素的信息，消除在下采样中产生的混叠伪影，平衡图像纹理区域与平坦区域之间的恢复差距，提高网络的去噪性能。

本发明涉及保险风险评估技术领域，具体提供一种基于强化学习的保险策略生成方法、系统、终端及介质，包括：建立用户与保险公司之间的授权连接关系，保险公司获取用户的多模态数据；构建深度学习模型，基于多个预设时间窗口内的多模态数据训练风险评估模型；基于用户状态和风险概率为用户配置保险策略，基于用户状态、风险概率和保险策略训练强化学习模型；在调整后的时间窗口内基于调整后的数据采集频率和采集优先级获取当前多模态数据，将当前多模态数据输入风险评估模型得到当前预测用户状态和风险概率，并输入强化学习模型得到当前保险策略。提升保险服务的科学性与适应性，减少了逆选择风险带来的影响。