“明章强”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]结合潜在低秩表示和卷积神经网络的红外和可见光图像融合方法-CN202111445419.4有效
发明人：朱敏;杨勇;明章强;高承睿;程俊龙;李长林 -专利权人：四川大学
申请日： 2021-11-30 - 公布日： 2023-07-04 - 主分类号： G06T5/50 文献下载
摘要：本发明涉及计算机信息技术领域，公开了一种结合潜在低秩表示和卷积神经网络的红外和可见光图像融合方法，本发明对可见光图像和红外图像进行预处理，通过潜在低秩表示将图像分解为显著部分和低秩部分，使用两个全卷积模型分别对显著部分和低秩部分进行融合，最后将融合后的显著部分和融合后的低秩部分相加得到最终的融合图像。通过本发明融合得到的融合结果细节信息丰富，相比于原来的低照度图像，场景目标更加清晰，图像的对比度提升。
结合潜在表示卷积神经网络红外可见光图像融合方法

[发明专利]一种基于全分辨率表示网络的医学图像分割方法-CN202210440914.4有效
发明人：朱敏;高承睿;程俊龙;杨勇;明章强 -专利权人：四川大学
申请日： 2022-04-25 - 公布日： 2023-05-09 - 主分类号： G06V10/44 文献下载
摘要：本发明公开了一种基于全分辨率表示网络的医学图像分割方法，在整个图像分割过程中保持全分辨率表示。首先，本发明将原始分辨率图像按照不同阶段划分为不同尺寸的图像块，利用现代卷积神经网络中高效灵活的元件（例如：空洞卷积和残差连接）提取从大尺寸到小尺寸图像块的局部特征；然后，设计了一种用于显式建模图像块之间长期依赖关系的多层感知器模块，以弥补卷积运算造成的固有感应偏差；最后，本发明进行了多次多尺度融合，使得每个阶段接收来自并行路径的表示信息，从而产生丰富的全分辨率表示。本发明为基于全分辨率表示的研究提供一种改进思路，能够解决真实场景下皮肤癌、细胞核和肺部医学图像分割的问题。
一种基于分辨率表示网络医学图像分割方法

[发明专利]一种基于深度学习的多因素用电负荷预测方法-CN202111232185.5有效
发明人：朱敏;明章强;闫建荣;张万利;赵志龙 -专利权人：四川大学
申请日： 2021-10-22 - 公布日： 2023-04-18 - 主分类号： G06N3/0442 文献下载
摘要：本发明公开一种基于深度学习的多因素用电负荷预测方法，先完成数据的获取与存储，包括用电负荷数据和环境影响数据；并基于k‑邻近算法和改进DBSCAN算法的异常数据检测、自回归插值和序列数据归一化对数据进行预处理和标准化；然后提出一种改进的CNN‑LSTM用电负荷预测模型，首先采用CNN特性提取模块对输入数据的局部特征进行学习；然后输入到LSTM序列学习模型中，提取输入数据的序列特征信息；同时将self‑attention机制引入到LSTM中用于学习LSTM隐藏层的特征，通过分配不同的注意力权重实现关键特征的提取，以提升最终的预测精度；最后进行用电负荷预测。本发明能够促进电网数字化升级，满足用户的个性化需求，实现行业关联分析、调度电力发电、预测用电趋势和指导复工复产等。
一种基于深度学习因素用电负荷预测方法

[发明专利]一种基于深度神经网络的开集目标检测与识别方法-CN202111527240.3有效
发明人：朱敏;明章强;杨勇;程俊龙;高承睿;李龙兴;李希垚 -专利权人：四川大学
申请日： 2021-12-14 - 公布日： 2023-04-07 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于深度神经网络的开集目标检测与识别方法，首先构造常见已知类别的图像作为训练集，然后设计一种UOD，利用改进的RPN保留对未知类别的检测能力，对未知类别赋予unknown标签；再增加对比聚类损失减少类内距离增大不同类别间的距离，引入韦布尔分布对不同类别的概率密度函数进行建模，区分已知和未知类别对象；并利用特征聚类的方式对未知类别对象进行初步分类和生成伪标签，最后提出改进的zero‑shot方案，对未知类别进行超类划分，利用CLIP方法先识别出未知类别的粗糙标签，再在粗糙标签对应的精细标签中识别出对应未知对象的类别。本发明能够用于对开放世界未经训练的对象进行检测，并实现了对未知类别的zero‑shot预测，减少了人工标注和网络更新的成本。
一种基于深度神经网络目标检测识别方法

[发明专利]一种基于全局-局部特征动态对齐的行人重识别方法-CN202110833816.2有效
发明人：朱敏;明章强;魏骁勇;李龙兴;杨勇;李长林 -专利权人：四川大学
申请日： 2021-07-23 - 公布日： 2022-06-14 - 主分类号： G06V40/10 文献下载
摘要：本发明公开了一种基于全局‑局部特征动态对齐的行人重识别方法，对挑选行人重识别数据集中的训练集进行预处理，再使用预训练的模型ResNet50进行模型的初始化；然后，分别对粗粒度的全局特征计算全局距离，细粒度的局部特征计算局部对齐距离，并且使用困难样本挖掘三元组损失、中心损失和Softmax交叉熵损失联合作为行人重识别网络的监督器，约束模型的训练。最后，融合全局特征和局部特征获得最终特征，将查询行人图像作为行人重识别网络模型的输入，从候选库中进行检索出对齐距离最短的行人。本发明能够有效抑制空间未对齐和非对齐区域的噪声干扰，并且无需引入额外的辅助姿态信息，并且局部分支以指导距离度量的计算，可以进一步提高测试阶段的准确性。
一种基于全局局部特征动态对齐行人识别方法

[发明专利]一种基于深度学习的RBP结合位点预测算法-CN202110229810.4有效
发明人：朱敏;闫建荣;明章强;王心翌 -专利权人：四川大学
申请日： 2021-03-02 - 公布日： 2022-03-11 - 主分类号： G16B40/00 文献下载
摘要：本发明公开了一种基于深度学习的RBP结合位点预测算法，首先从RNA序列信息出发，增加二级结构特征作为输入；通过基于强化学习的生成对抗网络，对RBP进行数据增强，目的是通过增强训练集规模来提高预测模型的预测能力；提出卷积自编码器作为预测模型，预训练过程包括编码器和解码器的训练，提取已训练好的编码器微调；能够预测未知结合位点的RNA序列；通过卷积自编码器的卷积核，能够提取与RNA发生结合的序列motif与结构motif，探究不同RBP的序列和结构特异性；对于每种RBP数据都训练一个对应的预测模型；对于一个待预测的RNA序列，首先编码序列，然后将编码信息输入到已训练好的各个预测模型中，最终的结果即为特异RNA与各个RBP对应的结合概率。
一种基于深度学习 rbp 结合预测算法