CN113674185B - 一种基于融合多种图像生成技术的加权平均图像生成方法 - Google Patents

一种基于融合多种图像生成技术的加权平均图像生成方法 Download PDF

Info

Publication number
CN113674185B
CN113674185B CN202110864793.1A CN202110864793A CN113674185B CN 113674185 B CN113674185 B CN 113674185B CN 202110864793 A CN202110864793 A CN 202110864793A CN 113674185 B CN113674185 B CN 113674185B
Authority
CN
China
Prior art keywords
image
image generation
sample
images
weighted average
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.)
Active
Application number
CN202110864793.1A
Other languages
English (en)
Other versions
CN113674185A (zh
Inventor
李琨
张福正
李仕林
赵李强
董厚奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202110864793.1A priority Critical patent/CN113674185B/zh
Publication of CN113674185A publication Critical patent/CN113674185A/zh
Application granted granted Critical
Publication of CN113674185B publication Critical patent/CN113674185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • G06T2207/20216—Image averaging
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于融合多种图像生成技术的加权平均图像生成方法，收集电力系统内部巡维人员传回的巡视图像，挑选其中目标明显且目标占图像四分之三的所述巡视图像作为样本图像，多个所述样本图像构建为输电线路的图像训练数据集，用于后期网络的训练和优化使用，其次结合集成学习的原理，进行个体学习器的训练以用来作为基生成器，同时将每一个基生成器的输出作为多元生成模型的输入，然后运用主成分分析算法，对每一路的输入图像进行特征提取，最后进行图像的融合得到最终的高分辨率图像。本发明本着“1+1＞2”的原则，结合几种优异的图像生成方法，吸收各种方法的优点，集几种方法的优点于一身，使得最终的图像进一步逼真。

Description

一种基于融合多种图像生成技术的加权平均图像生成方法
技术领域
本发明涉及计算机视觉与图像处理技术领域，特别涉及一种基于融合多种图像生成技术的加权平均图像生成方法。
背景技术
以南方电网公司电力系统的背景为例，研究电力系统的输电线路图像。纵观整个南方电网甚至国家电网，当下的输电线路的巡维方式主要以人工巡维和无人机巡维或者人工与无人机相结合的方式为主，巡维工作人员传回的巡维图片数据量是很庞大，如果这些照片仅仅靠人工去逐张的检查是否存在缺陷，这工作量无疑是巨大的，而且由于存在工作人员的个体差异性就难以保证效率和质量。此外，经过总结归类传回的巡维照片发现，输电线路照片中大多数为正常的没有缺陷的图像样本图像，存在缺陷的图片极少，这就导致研究人员在基于深度学习等人工智能算法对输电线路进行进一步研究的时候，存在一个正常样本图像和缺陷样本图像不均衡的问题，从而没法将AI等智能技术运用到电力行业，难以实现彻底的“互联网AI+电力行业”和“AI+电力系统”的完美结合。
近些年来，随着计算机技术软硬件方面和通信与自动化等学科领域的不断发展，在人工智能深度学习领域取得巨大突破，深度学习等技术已经和很多传统行业实现深度完美的融合并且成效显著，于是得到启发，考虑结合深度学习技术和图像处理技术，采用现在的输电线路为研究对象，利用现在研究火热的图像处理网络模型来生成输电线路中的巡维样本图像，其中主要是生成带有缺陷的样本图像，这样一来我们可以构建出属于电力系统领域的专业的正常样本图像库与缺陷样本图像库作为标准数据集，这样一来就为“AI+电力系统”提供了大数据支撑，也为后续的研究提供了数据支撑。目前，用以图像生成的人工智能算法已经很普遍，诸如传统的基于灰度插值的方法，主成分分析的方法，变分自编码器的方法，基于信息融合技术的方法，基于特征提取重建的方法，乃至近几年出现的生成对抗网络系列的方法等等，基于以上方法再进行改进的研究方法也层出不穷，但是实际需要的是让生成图像和原始真实图像无限接近，普遍存在的问题就是生成图像的质量和效果均没有达到预期。这是无监督学习领域一个待解决的研究问题。因此，如何既能高效准确地生成缺陷样本图像图像，同时保证图像的质量如分辨率等，是目前基于深度学习的应用领域中亟待解决的问题。
输电线路缺陷图像如果仅靠人员逐张收集，这样不仅效率低下，而且短时间内难以达到一定规格的数目，提出一种综合高效的图像生成方法是一个研究难点。
发明内容
本发明的目的是提供一种基于融合多种图像生成技术的加权平均图像生成方法，目的在于解决生成图像的质量问题，改善图像的生成效果。
本发明的上述技术目的是通过以下技术方案得以实现的：
所述加权平均图像生成方法的具体步骤如下：
Step1、收集电力系统内部巡维人员传回的巡视图像，挑选其中目标明显且目标占图像四分之三的所述巡视图像作为样本图像，多个所述样本图像构建为输电线路的图像训练数据集，用于后期网络的训练和优化使用；
Step2、搭建生成式对抗网络(GAN)的模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将所述图像训练数据集内的其中一个所述样本图像输入，输出picture1；
Step3、选择基于深度特征提取的图像超分辨率重建的网络模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将步骤Step2中的所述样本图像输入，输出picture2；
Step4、将步骤Step2中的所述样本图像进行灰度插值的图像重建，输出picture3；
Step5、采用变分自编码器来生成图像，定义编码器模型和解码器模型，定义重构误差函数和KL散度误差函数，依次作为最终的损失函数，定义各层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将步骤Step2中的所述样本图像输入所述变分自编码器，输出picture4；
Step6、基于以上步骤的完成，生成的重叠的高分辨率图像块可以通过加权平均来产生最终的生成的完整图，定义一个卷积层作为滤波器，输入picture1、picture2、picture3和picture4，输出最终的高分辨率图像。
本发明的进一步设置为：步骤Step1中所述图像训练数据集中的所述样本图像选用清晰且具有明显特征的图像，对所述样本图像进行预处理并用标注软件对样本图像进行标注。
本发明的进一步设置为：步骤Step2、Step3、Step4和Step5可同时输入同一个所述样本图像。
本发明的进一步设置为：步骤Step3中所述灰度插值的图像重建选用双三次插值方法。
本发明的进一步设置为：步骤Step2、Step3、Step4和Step5四种方法生成图像质量的优先级：
picture1>picture2>picture4>picture3于是，四种方法的权重分配公式如下：
λ1(GAN)+λ2(VAE)+λ3(SRCNN)+λ4(Gray)＝1
其中四个方法的具体权重比λ，根据具体图像的特征来调整。
本发明的进一步设置为：步骤Step6所述滤波器的尺寸采用5×5，卷积核数目为1，从图像质量的常用评价指标PSNR(峰值信噪比)和SSIM(结构相似度)，以及深度学习网络的运行效率等方面综合考虑，采用三层的网络结构来实现以上的GAN、VAE、SRCNN等算法,平均操作层的具体形式如下：
F(X)＝W3*F2(X)+B3
式中F2为前一层的输出，W3为一个大小为5×5×1的线性滤波器，B3为对应的偏置量，kernel_num＝1表示最终输出所述高分辨率图像的数量为一张。
综上所述，本发明具有以下有益效果：
其一、本发明本着“1+1＞2”的原则，结合几种优异的图像生成方法，吸收各种方法的优点，集几种方法的优点于一身，使得最终的图像进一步逼真。
其二、本发明基于加权平均的原则，以上所述四种方法按优点来划分优先级，依次分配权重值，这样就充分考虑各种方法的优点。
其三、本发明基于信息融合的原则，充分发挥有益的信息，规避冗余信息，减少参数规模。
附图说明
图1是本发明的流程示意图；
图2是本发明的卷积层结构示意图；
图3是GAN网络结构示意图；
图4是VAE网络流程图；
图5是基于GAN方法和VAE方法的加权平均流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例，一种基于融合多种图像生成技术的加权平均图像生成方法，如图1至图5所示，所述加权平均图像生成方法的具体步骤如下：
Step1、收集电力系统内部巡维人员传回的巡视图像，挑选其中目标明显且目标占图像四分之三的巡视图像作为样本图像，多个样本图像构建为输电线路的图像训练数据集，用于后期网络的训练和优化使用，其中的80％用来训练使用，20％用来测试使用。
Step2、搭建生成式对抗网络(GAN)的模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将图像训练数据集内的其中一个样本图像输入，输出picture1。
Step3、选择基于深度特征提取的图像超分辨率重建的网络模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将步骤Step2中的样本图像输入，输出picture2。
Step4、将步骤Step2中的样本图像进行灰度插值的图像重建，输出picture3。
Step5、采用变分自编码器来生成图像，定义编码器模型和解码器模型，定义重构误差函数和KL散度误差函数，依次作为最终的损失函数，定义各层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将步骤Step2中的样本图像输入变分自编码器，输出picture4。
详细地，将样本图像的尺寸进行变换，将原有的P×Q×3的图片转换为一个个图像块，定义卷积核大小为M×N×3，即将P×Q×3通道的图片缩放至固定大小M×N×3，然后依次输入到各个网络中，统一采用三层的网络结构，其中的卷积层参数设置是：
conv_nums＝3，kernel_size1＝9，padding＝1，striding＝1；
kernel_size2＝1，padding＝0，striding＝1；
kernel_size3＝5，padding＝0，striding＝1；
其中kernel_size表示卷积核尺寸，padding＝1表示对原图像用0填充一圈，striding＝1表示卷积核每次移动的步长为1。
为了减少下一层数据的处理量，特地加入池化层，其中池化层参数设置如下：
kernel_size＝2，padding＝0，striding＝2
同理，padding＝0表示不需对原图像用0填充一圈，striding＝2表示卷积核每次移动的步长为2。
Step6、基于以上步骤的完成，生成的重叠的高分辨率图像块可以通过加权平均来产生最终的生成的完整图，定义一个卷积层作为滤波器，输入picture1、picture2、picture3和picture4，输出最终的高分辨率图像。
详细地，结合几种优异的图像生成方法，吸收各种方法的优点，集几种方法的优点于一身，使得最终的高分辨率图像进一步逼真。
优选的，步骤Step1中图像训练数据集中的样本图像选用清晰且具有明显特征的图像，对样本图像进行预处理并用标注软件对样本图像进行标注。具体来说，预处理包括平滑、去雾、不同角度的旋转等等，以初步扩充样本图像数量。
优选的，步骤Step2、Step3、Step4和Step5可同时输入同一个样本图像。
优选的，步骤Step3中灰度插值的图像重建选用双三次插值方法。具体来说，灰度插值的图像重建也可选择最邻近插值法，不影响本发明的保护范围。
优选的，步骤Step2、Step3、Step4和Step5四种方法生成图像质量的优先级：
picture1>picture2>picture4>picture3于是，四种方法的权重分配公式如下：
λ1(GAN)+λ2(VAE)+λ3(SRCNN)+λ4(Gray)＝1
其中四个方法的具体权重比λ，根据具体图像的特征来调整。
优选的，步骤Step6滤波器的尺寸采用5×5，卷积核数目为1，从图像质量的常用评价指标PSNR(峰值信噪比)和SSIM(结构相似度)，以及深度学习网络的运行效率等方面综合考虑，采用三层的网络结构来实现以上的GAN、VAE、SRCNN等算法,平均操作层的具体形式如下：
F(X)＝W3*F2(X)+B3
式中F2为前一层的输出，W3为一个大小为5×5×1的线性滤波器，B3为对应的偏置量，kernel_num＝1表示最终输出所述高分辨率图像的数量为一张。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (4)

1.一种基于融合多种图像生成技术的加权平均图像生成方法，其特征在于：所述加权平均图像生成方法的具体步骤如下：
Step1、收集电力系统内部巡维人员传回的巡视图像，挑选其中目标明显且目标占图像四分之三的所述巡视图像作为样本图像，多个所述样本图像构建为输电线路的图像训练数据集，用于后期网络的训练和优化使用；
Step2、搭建生成式对抗网络(GAN)的模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将所述图像训练数据集内的其中一个所述样本图像输入，输出picture1；
Step3、选择基于深度特征提取的图像超分辨率重建SRCNN的网络模型，定义卷积层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将步骤Step2中的所述样本图像输入，输出picture2；
Step4、将步骤Step2中的所述样本图像进行灰度插值(Gray)的图像重建，输出picture3；
Step5、采用变分自编码器(VAE)来生成图像，定义编码器模型和解码器模型，定义重构误差函数和KL散度误差函数，依次作为最终的损失函数，定义各层的层数，卷积核的尺寸和数目，采用的损失函数和优化器，将步骤Step2中的所述样本图像输入所述变分自编码器，输出picture4；
Step6、基于以上步骤的完成，生成的重叠的高分辨率图像块可以通过加权平均来产生最终的生成的完整图，定义一个卷积层作为滤波器，输入picture1、picture2、picture3和picture4，输出最终的高分辨率图像；
步骤Step2、Step3、Step4和Step5四种方法生成图像质量的优先级：
picture1>picture2>picture4>picture3
于是，四种方法的权重分配公式如下：
λ1(GAN)+λ2(VAE)+λ3(SRCNN)+λ4(Gray)＝1
其中四个方法的具体权重比λ，根据具体图像的特征来调整；
所述滤波器的尺寸采用5×5，卷积核数目为1，从图像质量的常用评价指标PSNR(峰值信噪比)和SSIM(结构相似度)，以及深度学习网络的运行效率等方面综合考虑，采用三层的网络结构来实现以上的GAN、VAE、SRCNN等算法,平均操作层的具体形式如下：
F(X)＝W3*F2(X)+B3
式中F2为前一层的输出，W3为一个大小为5×5×1的线性滤波器，B3为对应的偏置量，kernel_num＝1表示最终输出所述高分辨率图像的数量为一张。
2.根据权利要求1所述的一种基于融合多种图像生成技术的加权平均图像生成方法，其特征在于：步骤Step1中所述图像训练数据集中的所述样本图像选用清晰且具有明显特征的图像，对所述样本图像进行预处理并用标注软件对样本图像进行标注。
3.根据权利要求1所述的一种基于融合多种图像生成技术的加权平均图像生成方法，其特征在于：步骤Step2、Step3、Step4和Step5可同时输入同一个所述样本图像。
4.根据权利要求1所述的一种基于融合多种图像生成技术的加权平均图像生成方法，其特征在于：步骤Step3中所述灰度插值的图像重建选用双三次插值方法。
CN202110864793.1A 2021-07-29 2021-07-29 一种基于融合多种图像生成技术的加权平均图像生成方法 Active CN113674185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110864793.1A CN113674185B (zh) 2021-07-29 2021-07-29 一种基于融合多种图像生成技术的加权平均图像生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110864793.1A CN113674185B (zh) 2021-07-29 2021-07-29 一种基于融合多种图像生成技术的加权平均图像生成方法

Publications (2)

Publication Number Publication Date
CN113674185A CN113674185A (zh) 2021-11-19
CN113674185B true CN113674185B (zh) 2023-12-08

Family

ID=78540737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110864793.1A Active CN113674185B (zh) 2021-07-29 2021-07-29 一种基于融合多种图像生成技术的加权平均图像生成方法

Country Status (1)

Country Link
CN (1) CN113674185B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107968962A (zh) * 2017-12-12 2018-04-27 华中科技大学 一种基于深度学习的两帧不相邻图像的视频生成方法
CN109389166A (zh) * 2018-09-29 2019-02-26 聚时科技(上海)有限公司 基于局部结构保存的深度迁移嵌入聚类机器学习方法
CN110675321A (zh) * 2019-09-26 2020-01-10 兰州理工大学 一种基于渐进式的深度残差网络的超分辨率图像重建方法
CN110853024A (zh) * 2019-11-14 2020-02-28 北京推想科技有限公司 医疗图像处理方法、装置、存储介质及电子设备
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
CN112489168A (zh) * 2020-12-16 2021-03-12 中国科学院长春光学精密机械与物理研究所 一种图像数据集生成制作方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107968962A (zh) * 2017-12-12 2018-04-27 华中科技大学 一种基于深度学习的两帧不相邻图像的视频生成方法
CN109389166A (zh) * 2018-09-29 2019-02-26 聚时科技(上海)有限公司 基于局部结构保存的深度迁移嵌入聚类机器学习方法
CN110675321A (zh) * 2019-09-26 2020-01-10 兰州理工大学 一种基于渐进式的深度残差网络的超分辨率图像重建方法
CN110853024A (zh) * 2019-11-14 2020-02-28 北京推想科技有限公司 医疗图像处理方法、装置、存储介质及电子设备
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
CN112489168A (zh) * 2020-12-16 2021-03-12 中国科学院长春光学精密机械与物理研究所 一种图像数据集生成制作方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113674185A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN103413286B (zh) 一种基于学习的高动态范围与高分辨率图像联合重建方法
CN109635748B (zh) 高分辨率影像中道路特征的提取方法
CN108898560A (zh) 基于三维卷积神经网络的岩心ct图像超分辨率重建方法
CN111127538B (zh) 一种基于卷积循环编码-解码结构的多视影像三维重建方法
CN108428227A (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN108764298B (zh) 基于单分类器的电力图像环境影响识别方法
CN108665460A (zh) 基于组合神经网络和分类神经网络的图像质量评价方法
CN108573222A (zh) 基于循环对抗生成网络的行人图像遮挡检测方法
CN111833261A (zh) 一种基于注意力的生成对抗网络的图像超分辨率复原方法
CN110503078A (zh) 一种基于深度学习的远距离人脸识别方法和系统
CN114021741A (zh) 一种基于深度学习的光伏电池板巡检方法
CN105354800A (zh) 基于图像结构的粒子群优化非凸压缩感知图像重构方法
CN113947746A (zh) 一种基于反馈机制监督下的配网安全质量管控方法
CN115936177A (zh) 一种基于神经网络的光伏输出功率预测方法及系统
CN113469266A (zh) 一种基于改进深度卷积神经网络的窃电行为检测方法
CN116703885A (zh) 一种基于Swin Transformer的表面缺陷检测方法及系统
CN113674185B (zh) 一种基于融合多种图像生成技术的加权平均图像生成方法
Zhang et al. SolarGAN: Synthetic annual solar irradiance time series on urban building facades via Deep Generative Networks
CN114677338A (zh) 一种基于机器视觉的线缆表面缺陷实时检测方法和系统
CN117115359B (zh) 一种基于深度图融合的多视图电网三维空间数据重建方法
CN113743515A (zh) 基于自监督自学习特征点的遥感影像特征匹配方法
CN103226818B (zh) 基于流形正则稀疏支撑回归的单帧图像超分辨率重建方法
CN111915489A (zh) 一种基于监督深度网络学习的图像重定向方法
CN113628111B (zh) 基于梯度信息约束的高光谱图像超分辨方法
CN115761634A (zh) 行人轨迹的分析方法、系统、图像采集装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Kun

Inventor after: Zhang Fuzheng

Inventor after: Li Shilin

Inventor after: Zhao Liqiang

Inventor after: Dong Houqi

Inventor before: Zhang Fuzheng

Inventor before: Li Kun

Inventor before: Li Shilin

Inventor before: Zhao Liqiang

Inventor before: Dong Houqi

GR01 Patent grant
GR01 Patent grant