专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果1076382个,建议您升级VIP下载更多相关专利
  • [发明专利]高光谱图像方法-CN202310406804.0在审
  • 徐萌;彭焱鑫;张英;贾森 - 深圳大学
  • 2023-04-10 - 2023-07-28 - G06T5/00
  • 本申请公开了一种高光谱图像方法,所述高光谱图像方法包括:获取待图像;将所述待图像输入至预设的图像模型,基于所述图像模型,对所述待图像进行处理,得到后的图像,其中,所述图像模型是带图像样本和所述带图像样本的图像标签对待训练模型进行迭代训练后得到的,并且所述图像模型是由非对称卷积结构和全局注意力结构组成的。本申请属于图像处理技术领域,通过由非对称卷积结构和全局注意力结构组成的图像模型对待图像进行处理,无需破坏光谱的连续性,并且该模型能学习到更深层和多样的空间与光谱信息,提高了高光谱图像效果
  • 光谱图像方法
  • [发明专利]基于生成对抗网络和多尺度融合的图像方法及系统-CN202211028300.1有效
  • 骆爱文;陈希;刘旭彬;梅君妍;曾夏祺;邵奕衡 - 暨南大学
  • 2022-08-25 - 2023-08-01 - G06V10/26
  • 本发明涉及图像处理领域,公开了一种基于生成对抗网络和多尺度融合的图像方法及系统,方法包括:构建包括第一单元和第二单元的图像模型;将真实有图像输入训练好的图像模型,通过第一单元对真实有图像进行暗通道先验处理,得到第一传输映射图像和第一图像;通过第二单元对第一传输映射图像和第一图像进行特征细化处理,得到第二传输映射图像和第二图像;并对第二传输映射图像进行物理去处理,得到第三图像;对第二图像和第三图像进行图像融合,得到最终的无图像。本发明结合了基于物理模型先验方法和基于深度学习方法对图像进行处理,提高了精度和效率。
  • 基于生成对抗网络尺度融合图像方法系统
  • [发明专利]图像方法、装置、电子设备及存储介质-CN202211249065.0在审
  • 李嘉锋;况玲艳;郝帅;卓力 - 北京工业大学
  • 2022-10-12 - 2023-04-04 - G06T5/00
  • 本发明提供一种图像方法、装置、电子设备及存储介质,其中方法包括:确定待图像;将所述待图像输入至模型中,得到所述模型输出的后的图像;所述模型包括图像编码器和语义解码器;所述图像编码器用于提取并融合所述待图像在两个不同层级的语义特征,得到图像语义特征;所述语义解码器用于基于所述图像语义特征得到后的图像;所述模型是基于不成对的霾样本图像和清晰样本图像训练得到,实现了对待图像不同层级的语义特征提取,提高了输出的图像语义特征的特征表达能力,从而提高了模型的霾特征提取能力,进而提高模型的质量。
  • 图像方法装置电子设备存储介质
  • [发明专利]模型训练和图像方法、装置、设备-CN202011394036.4在审
  • 李华夏 - 北京字跳网络技术有限公司
  • 2020-12-02 - 2021-03-12 - G06T5/00
  • 本公开的实施例公开了模型训练和图像方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取多个有图像和多个清晰图像对,其中上述有图像包括图像对比度低于预设阈值的图像,上述清晰图像包括图像对比度高于上述预设阈值的图像;对上述多个有图像中的每个有图像进行,得到多个图像对,上述多个图像对中的每个图像对包括一个有图像和与上述一个有图像对应的一个图像;基于上述多个图像对和上述多个清晰图像对训练待训练图像网络,得到图像网络。该实施方式通过在训练图像网络时添加不需要去图像,使图像网络能够应对不需要去图像
  • 模型训练图像方法装置设备
  • [发明专利]一种基于深度学习的霾天气下目标图像方法-CN202310952603.0在审
  • 王超;李富豪;王西云;刘兆惠;翟雨欣 - 山东科技大学
  • 2023-08-01 - 2023-09-01 - G06T5/00
  • 本发明公开了一种基于深度学习的霾天气下目标图像方法,本发明属于图像领域,包括:获取霾天气下的有目标图像,有目标图像包括:训练图像和测试图像;构建图像模型,图像模型采用改进的AOD Net算法;改进的AOD Net算法包括:深度可分离卷积和组合损失函数;基于深度可分离卷积,提取有目标图像的特征图;基于训练图像训练图像模型,得到训练好的图像模型;将测试图像输入至训练好的图像模型,得到后的清晰图像。本发明使图像模型更加轻量化,加强了网络的特征提取能力,提高了对K值的估计精度,能够获得较好的图像效果。
  • 一种基于深度学习天气目标图像方法
  • [发明专利]一种飞机图像方法及系统-CN202111044047.4有效
  • 魏振忠;王文君;许庭兵 - 北京航空航天大学
  • 2021-09-07 - 2022-04-29 - G06T5/00
  • 本发明涉及一种飞机图像方法及系统,通过将有飞机图像作为网络输入,飞机初始图像作为参考标签,采用Res‑Net作为基础网络对有监督学习网络进行训练。在网络训练的初始阶段,总能找到具有最佳效果的最佳模型,其输出的图具有比初始图像和其他训练模型的输出图像具有更好的效果,最后结合残差思想,根据所述第一无飞机图像、所述待评价图像和对所述待评价图像进行预处理后得到的初步图像,得到最终的无飞机图像。采用本发明获得的图像的色彩和细节更加丰富、真实,效果更好。
  • 一种飞机图像方法系统
  • [发明专利]一种基于UNet的图像处理的网络训练方法、方法-CN202310412067.5在审
  • 张涵骁;陈赞;伍星;冯远静 - 浙江工业大学
  • 2023-04-10 - 2023-07-04 - G06T5/00
  • 本发明涉及图像技术,具体涉及一种基于UNet的图像处理的网络训练方法、方法。一种方法,S1、采集待图像,并对待图像进行预处理;S2、将预处理后的待图像中的RGB图像变换为YUV颜色空间图像;S3、采用本发明提出的网络训练方法得到的改进UNet网络对变换后的YUV颜色空间图像进行处理;S4、将去处理后的YUV颜色空间图像逆变换为RGB图像,以得到图像。使用本发明搭建的改进UNet网络对输入的待图像进行处理时,提取了不同尺度的特征后进行特征融合,使后的RGB图像更加清晰,随着在实际场景中的持续使用,精度会更高,泛用性更大,且利用YUV色彩空间图像进行转换,更接近于人类视觉,提升了效果。
  • 一种基于unet图像处理网络训练方法
  • [发明专利]图像方法和系统-CN201410354394.0在审
  • 朱青松;吴迪;王磊 - 中国科学院深圳先进技术研究院
  • 2014-07-23 - 2014-11-05 - G06T5/00
  • 本发明提供了一种图像方法,所述方法包括:计算待处理的有图像的大气光成分;采用均值漂移图像分割方法将所述有图像进行图像分割处理,获得若干分割图像区域;根据所述大气光成分以利用暗原色先验方法而对每个所述分割图像区域分别进行处理,获得后的图像。本发明提供的图像方法,先利用均值漂移图像分割方法将有图像分割为若干分割图像区域,然后对每个分割图像区域分别利用暗原色先验方法进行处理,这样获得的图像避免了在边缘处产生明显的光晕效应的缺陷,得到的图像清晰、不失真。本发明还提供了一种图像系统。
  • 图像方法系统
  • [发明专利]图像方法、电子设备、存储介质和计算机程序产品-CN202111234337.5在审
  • 李嘉锋;李耀鹏;贾童瑶;张菁;卓力 - 北京工业大学
  • 2021-10-22 - 2022-02-01 - G06T5/00
  • 本发明提供一种图像方法、电子设备、存储介质和计算机程序产品,方法包括获取待的目标图像;将目标图像输入至模型,对目标图像进行处理,获得模型输出的目标图像模型是基于不成对的清晰图像图像构成的训练图像集,对待训练模型进行无监督训练得到的,待训练模型包括用于进行加转换处理和转换处理的多尺度注意力模块,及用于区分训练图像集的真实图像和多尺度注意力模块的生成图像的判别器。本发明的模型是基于不成对的清晰图像图像构成的训练图像集进行无监督训练得到的,从而避免成对图像训练集对模型训练的限制,进而提高图像的性能。
  • 图像方法电子设备存储介质计算机程序产品
  • [发明专利]一种基于CNN和卷积LSTM网络的递进式图像方法及系统-CN202310266124.3在审
  • 宋然;巩绪远;张伟;丛润民;李晓磊;张倩;张明鑫 - 山东大学
  • 2023-03-15 - 2023-07-14 - G06T5/00
  • 本发明提出了一种基于CNN和卷积LSTM网络的递进式图像方法,涉及图像处理技术领域。包括以下步骤:获取同一场景下的无图像和有图像;构建包含下采样模块、若干模块和上采样模块的图像模型,其中去模块中嵌有LSTM模块;将有图像输入到图像模型中,得到模型估计的无图像;将模型估计的无图像、无图像、有图像一起计算损失,对图像模型进行训练,得到训练好的图像模型;对训练好的图像模型进行裁剪,选择模块使用数量,构建预测模型,基于预测模型实现对天降质图像处理。本发明通过搭建递进式图像模型,能够使收敛后模型具有一定的可裁剪性,以适应不同的应用场景。
  • 一种基于cnn卷积lstm网络递进图像方法系统
  • [发明专利]图像方法及装置-CN201310695799.6在审
  • 朱青松;杨帅 - 中国科学院深圳先进技术研究院
  • 2013-12-17 - 2014-04-02 - G06T5/40
  • 本发明提供一种图像方法及装置,所述方法包括以下步骤:获取含图像,并计算该含图像的强度直方图;根据所述含图像的强度直方图判断该含图像的类别;对不同类别的含图像分别采用对应的算法进行图像处理本发明的一种图像方法及装置,对不同含图像采用了不同的算法,针对性更强,因此效果更好,所获得的图像质量较高,并且更加贴近真实无图景。
  • 图像方法装置

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top