专利交易市场

本发明提出一种基于条件可预测参数的图像信息提取与生成方法，包括：步骤1、设计模型生成器，模型生成器基础网络结构采用编码解码结构，在解码层中不同阶段的卷积参数均有对应的预测网络进行预测；步骤2、设计辨别器，辨别器采用多尺度辨别器结构，两个尺度分别为原尺度，以及降采样两倍后尺度；步骤3、进行模型生成器、辨别器的训练；步骤4、基于训练后的模型生成器、辨别器对输入的图像进行信息提取与生成。本发明尝试将图像按功能生成，设计了基于条件可预测参数的图像信息提取与生成模型方法，将解码部分卷积层看作是具有不同功能的画笔，并将其看作是辨别器下采样的逆过程，添加了参数预测网络，实现了图像按功能生成。

本发明提出一种基于区域间注意力机制的图像信息提取与生成方法，包括如下步骤：步骤1：生成器编码阶段，将训练集中的语义标签图作为输入，划分为四个分支进行编码，得到四个分支图像；步骤2：生成器解码阶段，将编码阶段生成的四个分支图像进行拼接，生成假图像，作为辨别器训练的输入；步骤3：辨别器训练阶段，将训练集中的语义标签图分别与训练集真实图像、生成器生成的假图像在通道维度上进行拼接，作为辨别器的输入；辨别器分为两个尺度，分别为原尺度，以及降采样两倍后尺度；在每一个尺度上，输入都连续经过4层的下采样卷积层，最后经过一层卷积，在每个位置上输出0或者1，作为预测图像的真假——0代表当前位置预测为假图像，1代表当前位置预测为真图像。

本发明提出一种基于全卷积神经网络的室外照片太阳位置估计方法，包括如下步骤：步骤1：Webcam数据集准备及预处理；步骤2：设计全卷积神经网络和损失函数；步骤3：采用准备的数据集训练神经网络；步骤4：对神经网络进行优化，包括进行压缩网络、剪枝和量化；步骤5：利用优化后的神经网络根据输入的图像估计太阳位置。本发明使用带有标签数据的Webcam数据集对该模型进行训练，实验证明结果比其他基于深度学习的方法具有更少的参数量和更高的准确度。为解决参数冗余、占存储空间大和运算耗时等问题。本发明采用剪枝-量化方式对网络结构进行压缩，在保证准确度不下降的情况下，将网络压缩到原模型的1/11，同时降低时间成本。所以本发明具有很大的应用潜能。

本发明涉及一种基于多任务生成对抗网络的灰度图像着色方法，通过使用生成对抗网络实现对灰度图像着色和色彩修复。该方法中的生成对抗网络有三个子任务网络：人物解析网络、生成器中的分类网络和辨别器中的分辨网络。在进行着色的过程中，人物解析网络和分类网络将人物解析信息和图像分类信息传入到主着色网络中最终生成着色的图像，然后利用辨别器对生成的图像进行辨别并将信息反馈回生成器从而指导生成器生成最优着色图像。基于以上的描述，将147部影像材料制作成数据集，将多任务生成对抗网络在此数据集上进行训练后对灰度图像进行着色获得了较好的效果。

本发明提出了一种融合边缘计算的私有云多终端智能相册管理系统和方法，该系统包括(1)搭建私有云存储：基于NAS搭建私有云存储，选取基于ARM架构的嵌入式系统，结合RAID技术构建存储阵列，搭建NAS服务器；(2)融合边缘计算模块：通过在NAS服务器系统中嵌入AI芯片以及利用Docker技术融入GPU硬件资源的方式提升算力，再结合多种图像处理和智能算法，为私有云存储数据边缘节点提供图像智能处理功能；(3)微服务架构，将系统的功能进行模块化划分，并以微服务架构的方式为用户提供服务，针对不同的应用场景和终端提供不同的相册管理功能。

一种基于卷积神经网络的人脸图像光照迁移方法，通过使用卷积神经网络CNN实现对人脸图像的光照迁移。该方法主要是由两个部分来实现：光照模型训练和光照分类、光照匹配以及在借鉴图像风格迁移的基础上实现的光照迁移。首先通过结合卷积神经网络VGG19和VGG16在Yale Face人脸数据集和PIE人脸数据集上完成光照的分类，得到能够分类人脸图像光照的模型；然后利用该模型，实现了对单幅人脸图像的光照匹配，能够从人脸图像光照数据集中，得到与给定的人脸图像光照相似的图像；最后通过光照分类模型，对给定的参考人脸光照图像提取并处理相关光照特征便于迁移到输入人脸图像，实现了对单幅人脸图像光照的整体迁移。