CN106408086A - 用于图像优化的深度学习神经网络处理方法及系统 - Google Patents
用于图像优化的深度学习神经网络处理方法及系统 Download PDFInfo
- Publication number
- CN106408086A CN106408086A CN201610819186.2A CN201610819186A CN106408086A CN 106408086 A CN106408086 A CN 106408086A CN 201610819186 A CN201610819186 A CN 201610819186A CN 106408086 A CN106408086 A CN 106408086A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- result
- deep learning
- amplification characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000003321 amplification Effects 0.000 claims description 67
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 67
- 239000000284 extract Substances 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 22
- 210000004027 cell Anatomy 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 210000005036 nerve Anatomy 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005267 amalgamation Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000007873 sieving Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 3
- 230000006870 function Effects 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 238000013508 migration Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于图像优化的深度学习神经网络处理方法及系统。其中方法部分包括：图像预处理步骤：获取并对待处理图像进行预处理；图像特征处理步骤：根据已预处理图像的图像属性，提取图像特征；依据提取的图像特征，对图像特征进行放大处理；特征学习步骤：将放大特征图像输入到深度学习神经网络辨认、学习；纹理输出步骤：偏移操作得到图像的纹理特征并分析，输出纹理特征图像结果；图像优化步骤：融合放大特征图像结果和纹理特征图像结果。系统部分的模块功能与方法相对应。本发明具有的优点：经过图像预处理，对于输入的图像不需过多的人工预处理；提取的图像特征特征提取准确，而且提取到的图像特征用于分类和检索时准确率很高。
Description
技术领域
本发明涉及人工神经网络领域，具体地，涉及人工神经网络领域中的一种用于图像优化的深度学习神经网络处理方法及系统。
背景技术
深度学习是近十年来人工智能领域取得的最重要的突破之一。它在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。本文将重点介绍深度学习在物体识别、物体检测、视频分析的最新研究进展，并探讨其发展趋势。
随着计算机技术和信息技术的不断发展，图像信息技术的使用领域越来越大，人们对图像技术的要求越来越高。对此，本发明提供了一种用于图像优化的深度学习神经网络处理方法及系统。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种用于图像优化的深度学习神经网络处理方法及系统。
根据本发明提供的一种用于图像优化的深度学习神经网络处理方法及系统，包括如下步骤：
图像预处理步骤：获取并对待处理图像进行预处理，得到已预处理图像；
图像特征处理步骤：根据已预处理图像的图像属性，提取图像特征；依据提取的图像特征，对图像特征进行放大处理，得到放大特征图像；
特征学习步骤：将放大特征图像输入到深度学习神经网络辨认、学习，输出放大特征图像结果；
纹理输出步骤：对已预处理图像进行偏移操作，得到图像的纹理特征并分析，输出纹理特征图像结果；
图像优化步骤：融合放大特征图像结果和纹理特征图像结果。
优选地，所述图像预处理步骤，包括：
图像传播步骤：通过网络或数据连接传输，接收来自平台终端的待处理图像；
图像筛选步骤：对待处理图像进行筛选，保留部分图像作为已预处理图像；
优选地，所述图像特征处理步骤，包括：
特征提取步骤：将已预处理图像划分为若干个块，每个所述块包括若干个单元格；将每个所述单元格从空间域转化为频率域；提取所述已预处理图像在所述频率域中的方向梯度特征作为所述图像特征；
特征放大步骤：将方向梯度特征从RGB空间变换到HLS色彩空间，得到放大特征图像。
优选地，所述深度学习神经网络包括输入层、卷积层、输出层；
所述特征学习步骤，包括：
将放大特征图像输入到输入层，神经元提取放大特征图像的局部特征；输入层中神经元提取放大特征图像的局部特征直接映射到卷积层包含的多个平面上；
卷积层中各平面的神经元提取放大特征图像中指定区域的局部特征，并在学习时不断修正卷积层神经元的权值；
输出层输出卷积层指定区域的局部特征，形成放大特征图像结果。
优选地，所述图像优化步骤，包括：
图像对比步骤：对比放大特征图像结果和纹理特征图像结果，分析放大特征图像结果和纹理特征图像结果的对比度；
图像选择步骤：选择最优融合方式，融合放大特征图像结果和纹理特征图像结果；
其中，所述最优融合方式，是指对比度最大或最接近设定阈值所对应的融合方式。
另外，本发明还提供了一种用于图像优化的深度学习神经网络处理系统，包括如下装置：
图像预处理装置：获取并对待处理图像进行预处理，得到已预处理图像；
图像特征处理装置：根据已预处理图像的图像属性，提取图像特征；依据提取的图像特征，对图像特征进行放大处理，得到放大特征图像；
特征学习装置：将放大特征图像输入到深度学习神经网络辨认、学习，输出放大特征图像结果；
纹理输出装置：对已预处理图像进行偏移操作，得到图像的纹理特征并分析，输出纹理特征图像结果；
图像优化装置：融合放大特征图像结果和纹理特征图像结果。
优选地，所述图像预处理装置，包括：
图像传播装置：通过网络或数据连接传输，接收来自平台终端的待处理图像；
图像筛选装置：对待处理图像进行筛选，保留部分图像作为已预处理图像；
优选地，所述图像特征处理装置，包括：
特征提取装置：将已预处理图像划分为若干个块，每个所述块包括若干个单元格；将每个所述单元格从空间域转化为频率域；提取所述已预处理图像在所述频率域中的方向梯度特征作为所述图像特征；
特征放大装置：将方向梯度特征从RGB空间变换到HLS色彩空间，得到放大特征图像。
优选地，所述深度学习神经网络包括输入层、卷积层、输出层；
所述特征学习装置，包括：
将放大特征图像输入到输入层，神经元提取放大特征图像的局部特征；输入层中神经元提取放大特征图像的局部特征直接映射到卷积层包含的多个平面上；
卷积层中各平面的神经元提取放大特征图像中指定区域的局部特征，并在学习时不断修正卷积层神经元的权值；
输出层输出卷积层指定区域的局部特征，形成放大特征图像结果。
优选地，所述图像优化装置，包括：
图像对比装置：对比放大特征图像结果和纹理特征图像结果，分析放大特征图像结果和纹理特征图像结果的对比度；
图像选择装置：选择最优融合方式，融合放大特征图像结果和纹理特征图像结果；
其中，所述最优融合方式，是指对比度最大或最接近设定阈值所对应的融合方式。
与现有技术相比，本发明具有如下的有益效果：
1，经过图像预处理，本发明对于输入的图像不需过多的人工预处理；
2，本发明提取的图像特征具有特征提取准确，而且提取到的图像特征用于分类和检索时准确率很高的优点。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为用于图像优化的深度学习神经网络处理方法流程图；
图2为用于图像优化的深度学习神经网络处理系统框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，本发明提供了一种用于图像优化的深度学习神经网络处理方法及系统，包括如下步骤：
图像预处理步骤：获取并对待处理图像进行预处理，得到已预处理图像；图像特征处理步骤：根据已预处理图像的图像属性，提取图像特征；依据提取的图像特征，对图像特征进行放大处理，得到放大特征图像；特征学习步骤：将放大特征图像输入到深度学习神经网络辨认、学习，输出放大特征图像结果；纹理输出步骤：对已预处理图像进行偏移操作，得到图像的纹理特征并分析，输出纹理特征图像结果；图像优化步骤：融合放大特征图像结果和纹理特征图像结果。
进一步地，所述图像预处理步骤，包括：图像传播步骤：通过网络或数据连接传输，接收来自平台终端的待处理图像；图像筛选步骤：对待处理图像进行筛选，保留部分图像作为已预处理图像；
进一步地，所述图像特征处理步骤，包括：
特征提取步骤：将已预处理图像划分为若干个块，每个所述块包括若干个单元格；将每个所述单元格从空间域转化为频率域；提取所述已预处理图像在所述频率域中的方向梯度特征作为所述图像特征；特征放大步骤：将方向梯度特征从RGB空间变换到HLS色彩空间，得到放大特征图像。
进一步地，所述深度学习神经网络包括输入层、卷积层、输出层；所述特征学习步骤，包括：将放大特征图像输入到输入层，神经元提取放大特征图像的局部特征；输入层中神经元提取放大特征图像的局部特征直接映射到卷积层包含的多个平面上；卷积层中各平面的神经元提取放大特征图像中指定区域的局部特征，并在学习时不断修正卷积层神经元的权值；输出层输出卷积层指定区域的局部特征，形成放大特征图像结果。
进一步地，所述图像优化步骤，包括：图像对比步骤：对比放大特征图像结果和纹理特征图像结果，分析放大特征图像结果和纹理特征图像结果的对比度；图像选择步骤：选择最优融合方式，融合放大特征图像结果和纹理特征图像结果；其中，所述最优融合方式，是指对比度最大或最接近设定阈值所对应的融合方式。
如图2所示，本发明还提供了一种用于图像优化的深度学习神经网络处理系统，包括如下装置：图像预处理装置：获取并对待处理图像进行预处理，得到已预处理图像；图像特征处理装置：根据已预处理图像的图像属性，提取图像特征；依据提取的图像特征，对图像特征进行放大处理，得到放大特征图像；特征学习装置：将放大特征图像输入到深度学习神经网络辨认、学习，输出放大特征图像结果；纹理输出装置：对已预处理图像进行偏移操作，得到图像的纹理特征并分析，输出纹理特征图像结果；图像优化装置：融合放大特征图像结果和纹理特征图像结果。
进一步地，所述图像预处理装置，包括：图像传播装置：通过网络或数据连接传输，接收来自平台终端的待处理图像；图像筛选装置：对待处理图像进行筛选，保留部分图像作为已预处理图像；
进一步地，所述图像特征处理装置，包括：特征提取装置：将已预处理图像划分为若干个块，每个所述块包括若干个单元格；将每个所述单元格从空间域转化为频率域；提取所述已预处理图像在所述频率域中的方向梯度特征作为所述图像特征；特征放大装置：将方向梯度特征从RGB空间变换到HLS色彩空间，得到放大特征图像。
进一步地，所述深度学习神经网络包括输入层、卷积层、输出层；所述特征学习装置，包括：将放大特征图像输入到输入层，神经元提取放大特征图像的局部特征；输入层中神经元提取放大特征图像的局部特征直接映射到卷积层包含的多个平面上；卷积层中各平面的神经元提取放大特征图像中指定区域的局部特征，并在学习时不断修正卷积层神经元的权值；输出层输出卷积层指定区域的局部特征，形成放大特征图像结果。
进一步地，所述图像优化装置，包括：图像对比装置：对比放大特征图像结果和纹理特征图像结果，分析放大特征图像结果和纹理特征图像结果的对比度；图像选择装置：选择最优融合方式，融合放大特征图像结果和纹理特征图像结果；其中，所述最优融合方式，是指对比度最大或最接近设定阈值所对应的融合方式。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种用于图像优化的深度学习神经网络处理方法，其特征在于，包括如下步骤：
图像预处理步骤：获取并对待处理图像进行预处理，得到已预处理图像；
图像特征处理步骤：根据已预处理图像的图像属性，提取图像特征；依据提取的图像特征，对图像特征进行放大处理，得到放大特征图像；
特征学习步骤：将放大特征图像输入到深度学习神经网络辨认、学习，输出放大特征图像结果；
纹理输出步骤：对已预处理图像进行偏移操作，得到图像的纹理特征并分析，输出纹理特征图像结果；
图像优化步骤：融合放大特征图像结果和纹理特征图像结果。
2.根据权利要求1所述的用于图像优化的深度学习神经网络系统方法，其特征在于，所述图像预处理步骤，包括：
图像传播步骤：通过网络或数据连接传输，接收来自平台终端的待处理图像；
图像筛选步骤：对待处理图像进行筛选，保留部分图像作为已预处理图像。
3.根据权利要求1所述的用于图像优化的深度学习神经网络系统方法，其特征在于，所述图像特征处理步骤，包括：
特征提取步骤：将已预处理图像划分为若干个块，每个所述块包括若干个单元格；将每个所述单元格从空间域转化为频率域；提取所述已预处理图像在所述频率域中的方向梯度特征作为所述图像特征；
特征放大步骤：将方向梯度特征从RGB空间变换到HLS色彩空间，得到放大特征图像。
4.根据权利要求1所述的用于图像优化的深度学习神经网络系统方法，其特征在于，所述深度学习神经网络包括输入层、卷积层、输出层；
所述特征学习步骤，包括：
将放大特征图像输入到输入层，神经元提取放大特征图像的局部特征；输入层中神经元提取放大特征图像的局部特征直接映射到卷积层包含的多个平面上；
卷积层中各平面的神经元提取放大特征图像中指定区域的局部特征，并在学习时不断修正卷积层神经元的权值；
输出层输出卷积层指定区域的局部特征，形成放大特征图像结果。
5.根据权利要求1所述的用于图像优化的深度学习神经网络系统方法，其特征在于，所述图像优化步骤，包括：
图像对比步骤：对比放大特征图像结果和纹理特征图像结果，分析放大特征图像结果和纹理特征图像结果的对比度；
图像选择步骤：选择最优融合方式，融合放大特征图像结果和纹理特征图像结果；
其中，所述最优融合方式，是指对比度最大或最接近设定阈值所对应的融合方式。
6.一种用于图像优化的深度学习神经网络处理系统，其特征在于，包括如下装置：
图像预处理装置：获取并对待处理图像进行预处理，得到已预处理图像；
图像特征处理装置：根据已预处理图像的图像属性，提取图像特征；依据提取的图像特征，对图像特征进行放大处理，得到放大特征图像；
特征学习装置：将放大特征图像输入到深度学习神经网络辨认、学习，输出放大特征图像结果；
纹理输出装置：对已预处理图像进行偏移操作，得到图像的纹理特征并分析，输出纹理特征图像结果；
图像优化装置：融合放大特征图像结果和纹理特征图像结果。
7.根据权利要求6所述的用于图像优化的深度学习神经网络系统系统，其特征在于，所述图像预处理装置，包括：
图像传播装置：通过网络或数据连接传输，接收来自平台终端的待处理图像；
图像筛选装置：对待处理图像进行筛选，保留部分图像作为已预处理图像。
8.根据权利要求6所述的用于图像优化的深度学习神经网络系统系统，其特征在于，所述图像特征处理装置，包括：
特征提取装置：将已预处理图像划分为若干个块，每个所述块包括若干个单元格；将每个所述单元格从空间域转化为频率域；提取所述已预处理图像在所述频率域中的方向梯度特征作为所述图像特征；
特征放大装置：将方向梯度特征从RGB空间变换到HLS色彩空间，得到放大特征图像。
9.根据权利要求6所述的用于图像优化的深度学习神经网络系统系统，其特征在于，所述深度学习神经网络包括输入层、卷积层、输出层；
所述特征学习装置，包括：
将放大特征图像输入到输入层，神经元提取放大特征图像的局部特征；输入层中神 经元提取放大特征图像的局部特征直接映射到卷积层包含的多个平面上；
卷积层中各平面的神经元提取放大特征图像中指定区域的局部特征，并在学习时不断修正卷积层神经元的权值；
输出层输出卷积层指定区域的局部特征，形成放大特征图像结果。
10.根据权利要求6所述的用于图像优化的深度学习神经网络系统系统，其特征在于，所述图像优化装置，包括：
图像对比装置：对比放大特征图像结果和纹理特征图像结果，分析放大特征图像结果和纹理特征图像结果的对比度；
图像选择装置：选择最优融合方式，融合放大特征图像结果和纹理特征图像结果；
其中，所述最优融合方式，是指对比度最大或最接近设定阈值所对应的融合方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610819186.2A CN106408086A (zh) | 2016-09-12 | 2016-09-12 | 用于图像优化的深度学习神经网络处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610819186.2A CN106408086A (zh) | 2016-09-12 | 2016-09-12 | 用于图像优化的深度学习神经网络处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106408086A true CN106408086A (zh) | 2017-02-15 |
Family
ID=57999996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610819186.2A Pending CN106408086A (zh) | 2016-09-12 | 2016-09-12 | 用于图像优化的深度学习神经网络处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106408086A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563390A (zh) * | 2017-08-29 | 2018-01-09 | 苏州智萃电子科技有限公司 | 一种图像识别方法及系统 |
| CN107945109A (zh) * | 2017-11-06 | 2018-04-20 | 清华大学 | 基于卷积网络的图像拼接方法及装置 |
| CN107993206A (zh) * | 2017-10-30 | 2018-05-04 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
| CN108564545A (zh) * | 2018-04-18 | 2018-09-21 | 国云科技股份有限公司 | 一种基于深度学习的照片智能优化系统及其方法 |
| CN108665415A (zh) * | 2017-03-27 | 2018-10-16 | 纵目科技（上海）股份有限公司 | 基于深度学习的图像质量提升方法及其装置 |
| CN111598856A (zh) * | 2020-05-08 | 2020-08-28 | 浙江工商大学 | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 |
| WO2022033310A1 (zh) * | 2020-08-11 | 2022-02-17 | 北京芯海视界三维科技有限公司 | 图像处理装置和虚拟现实设备 |
| US11990137B2 (en) | 2018-09-13 | 2024-05-21 | Shanghai Cambricon Information Technology Co., Ltd. | Image retouching method and terminal device |
| US12061980B2 (en) | 2017-12-26 | 2024-08-13 | Landmark Graphics Corporation | Effective representation of complex three-dimensional simulation results for real-time operations |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
| CN104112113A (zh) * | 2013-04-19 | 2014-10-22 | 无锡南理工科技发展有限公司 | 一种基于改进型特征卷积神经网络图像识别方法 |
| CN105096279A (zh) * | 2015-09-23 | 2015-11-25 | 成都融创智谷科技有限公司 | 一种基于卷积神经网络的数字图像处理方法 |
| CN105654092A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
-
2016
- 2016-09-12 CN CN201610819186.2A patent/CN106408086A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
| CN104112113A (zh) * | 2013-04-19 | 2014-10-22 | 无锡南理工科技发展有限公司 | 一种基于改进型特征卷积神经网络图像识别方法 |
| CN105096279A (zh) * | 2015-09-23 | 2015-11-25 | 成都融创智谷科技有限公司 | 一种基于卷积神经网络的数字图像处理方法 |
| CN105654092A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665415B (zh) * | 2017-03-27 | 2021-11-09 | 深圳纵目安驰科技有限公司 | 基于深度学习的图像质量提升方法及其装置 |
| CN108665415A (zh) * | 2017-03-27 | 2018-10-16 | 纵目科技（上海）股份有限公司 | 基于深度学习的图像质量提升方法及其装置 |
| CN107563390A (zh) * | 2017-08-29 | 2018-01-09 | 苏州智萃电子科技有限公司 | 一种图像识别方法及系统 |
| US12050887B2 (en) | 2017-10-30 | 2024-07-30 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
| CN107993206A (zh) * | 2017-10-30 | 2018-05-04 | 上海寒武纪信息科技有限公司 | 一种信息处理方法及相关产品 |
| US11922132B2 (en) | 2017-10-30 | 2024-03-05 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
| US11762631B2 (en) | 2017-10-30 | 2023-09-19 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
| CN107945109B (zh) * | 2017-11-06 | 2020-07-28 | 清华大学 | 基于卷积网络的图像拼接方法及装置 |
| CN107945109A (zh) * | 2017-11-06 | 2018-04-20 | 清华大学 | 基于卷积网络的图像拼接方法及装置 |
| US12061980B2 (en) | 2017-12-26 | 2024-08-13 | Landmark Graphics Corporation | Effective representation of complex three-dimensional simulation results for real-time operations |
| CN108564545A (zh) * | 2018-04-18 | 2018-09-21 | 国云科技股份有限公司 | 一种基于深度学习的照片智能优化系统及其方法 |
| US11990137B2 (en) | 2018-09-13 | 2024-05-21 | Shanghai Cambricon Information Technology Co., Ltd. | Image retouching method and terminal device |
| US11996105B2 (en) | 2018-09-13 | 2024-05-28 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
| US12057110B2 (en) | 2018-09-13 | 2024-08-06 | Shanghai Cambricon Information Technology Co., Ltd. | Voice recognition based on neural networks |
| US12057109B2 (en) | 2018-09-13 | 2024-08-06 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and terminal device |
| US12094456B2 (en) | 2018-09-13 | 2024-09-17 | Shanghai Cambricon Information Technology Co., Ltd. | Information processing method and system |
| CN111598856A (zh) * | 2020-05-08 | 2020-08-28 | 浙江工商大学 | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 |
| CN111598856B (zh) * | 2020-05-08 | 2024-05-10 | 无锡瑞特思普智能科技有限公司 | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 |
| WO2022033310A1 (zh) * | 2020-08-11 | 2022-02-17 | 北京芯海视界三维科技有限公司 | 图像处理装置和虚拟现实设备 |
| TWI820460B (zh) * | 2020-08-11 | 2023-11-01 | 大陸商北京芯海視界三維科技有限公司 | 圖像處理裝置和虛擬實境設備 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106408086A (zh) | 用于图像优化的深度学习神经网络处理方法及系统 | |
| US10943346B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
| CN107358262B (zh) | 一种高分辨率图像的分类方法及分类装置 | |
| Kadam et al. | Detection and localization of multiple image splicing using MobileNet V1 | |
| CN104077579B (zh) | 基于专家系统的人脸表情图像识别方法 | |
| CN108009481A (zh) | 一种cnn模型的训练方法及装置、人脸识别方法及装置 | |
| CN108764084A (zh) | 基于空域分类网络和时域分类网络融合的视频分类方法 | |
| CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
| CN114596608B (zh) | 一种基于多线索的双流视频人脸伪造检测方法及系统 | |
| CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN108764287B (zh) | 基于深度学习和分组卷积的目标检测方法及系统 | |
| CN112836651A (zh) | 基于动态融合机制的手势图像特征提取方法 | |
| CN117275074A (zh) | 基于宽广注意力和多尺度融合机制的人脸表情识别方法 | |
| Booysens et al. | Ear biometrics using deep learning: A survey | |
| CN112016592A (zh) | 基于交叉领域类别感知的领域适应语义分割方法及装置 | |
| CN110472639A (zh) | 一种基于显著性先验信息的目标提取方法 | |
| Li et al. | Face recognition algorithm based on multiscale feature fusion network | |
| Mao et al. | An image authentication technology based on depth residual network | |
| Krishna et al. | Digital image processing techniques in character recognition-a survey | |
| Zhang et al. | Image Segmentation Based on Visual Attention Mechanism. | |
| Das et al. | Ayurvedic Medicinal Plant Identification System Using Embedded Image Processing Techniques | |
| Zhou | Lip print recognition algorithm based on convolutional network | |
| Yin et al. | Headdress Detection Based on Saliency Map for Thangka Portrait Image. | |
| Pang et al. | [Retracted] GCN‐Unet: A Computer Vision Method with Application to Industrial Granularity Segmentation | |
| CN113158733B (zh) | 图像过滤方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |