-
公开(公告)号：CN110738624A
公开(公告)日：2020-01-31
申请号：CN201910995780.0
申请日：2019-10-18
Applicant: 电子科技大学
Abstract: 本发明提供了一种区域自适应的图像去雾系统，包括预去雾模块、与所述预去雾模块连接的自适应区域划分模块、分别与所述自适应区域划分模块连接的余雾去除模块和纹理修复模块，以及分别与所述余雾去除模块和纹理修复模块连接的特征融合模块。基于上述系统，本方法还公开了一种区域自适应的图像去雾方法。本发明通过将图像去雾和纹理修复解耦到两个不同的子模块来处理单图像去雾问题，避免了之前的方法只使用一个网络来学习两个不同的目标函数，提出的两阶段去雾网络能够通过区域自适应的方式来恢复清晰图像，并避免过去雾与欠去雾问题。
-
公开(公告)号：CN110675405A
公开(公告)日：2020-01-10
申请号：CN201910867163.2
申请日：2019-09-12
Applicant: 电子科技大学
Abstract: 本发明提供一种基于注意力机制的one-shot图像分割方法。在单个特征和简单的双分支融合不足以使查询分支从支持分支中提取有用信息的情况下。本发明为了支持分支关注于两个分支共性的区域，以便准确地引导查询分支分割图像，将多级上下文特征和注意模块引入到one-shot图像分割中找到更准确有效的指导方法。本发明能更好地利用现有的知识迅速对新类图像进行分割，利用多级指导和注意力机制来强化学习两个分支的共性，进而准确地指导未知图像的分割。
-
公开(公告)号：CN110675403A
公开(公告)日：2020-01-10
申请号：CN201910814122.7
申请日：2019-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于编码辅助信息的多实例图像分割方法，属于图像编码与实例分割技术领域。本发明针对现有多实例图像分割方法只用原始图像进行实例分割所导致的不足，提供一种基于编码辅助信息的多实例图像分割方法。本发明对输入图像通过图像解码算法得到不同大小的亮度和色差宏块，并提取出帧内预测方向信息，从而将得到的编码单元尺度谱和帧内预测方向谱作为编码辅助信息，能够充分利用了图像的信息。本发明将长短期记忆网络用于除文本分类和自然语言处理以外的领域，用长短期记忆网络将尺度谱、方向谱和原始图像融合在一起，从而提高多实例图像分割的准确度。
-
公开(公告)号：CN110648332A
公开(公告)日：2020-01-03
申请号：CN201910866119.X
申请日：2019-09-12
Applicant: 电子科技大学
Abstract: 本发明提供的一种基于多分支卷积神经网络特征正交的图像可判别区域提取方法，包括步骤：1)构建N个结构相同卷积神经网络作为多分支卷积神经网络的N个分支，N个卷积神经网络相互不共享参数；任意两个不同分支输出的特征之间作哈达玛积，将哈达玛积的矩阵中所有元素相加得到两两分支的特征正交损失；多分支卷积神经网络的总损失函数为所有分支的分类损失加上超参数乘两两分支的特征正交损失之和；2)得到训练集；3)训练多分支卷积神经网络；4)利用经过训练的多分支卷积神经网络进行图像可判别区域提取。本发明使用了多分支卷积神经网络，利用特征正交，使不同分支的卷积神经网络之间彼此不同，从而可以获得不同的可判别区域信息。
-
公开(公告)号：CN110503609A
公开(公告)日：2019-11-26
申请号：CN201910634627.5
申请日：2019-07-15
Applicant: 电子科技大学
IPC: G06T5/00
Abstract: 本发明提供一种基于混合感知模型的图像去雨方法，包括步骤：1)将待处理图像输入到编码网络中，输出特征谱；2)再将特征谱分别输入到用于局部信息感知的解码网络和用于输出非局部信息感知的解码网络中；3)用于局部信息感知的解码网络输出雨滴掩膜图像；用于非局部信息感知的解码网络输出上下文关系谱；4)将上下文关系谱和待处理图像拼接在一起输入至修复网络中，修复网络输出修复图像；5)将待处理图像和修复图像加权组合得到最终去雨图像。本发明引入了非局部信息感知网络，它可以通过训练自动学习全局信息，帮助修复网络恢复出更清晰的图像；引入了局部信息感知网络，有效避免无雨区域的过增强现象，让修复网络只关注雨滴遮挡区域。
-
Patent Agency Ranking
公开(公告)号：CN110334752A
公开(公告)日：2019-10-15
申请号：CN201910559601.9
申请日：2019-06-26
Applicant: 电子科技大学
Abstract: 本发明提供一种增基于梯形卷积的不规则形状物体检测方法，包括：1)先提取输入图像的特征谱；2)利用候选区域网络RPN得到初步的矩形候选区域；3)将矩形候选区域与输入图像的特征谱结合，得到输入图像中矩形候选区域特征后进入形边框调整步骤；4)梯形边框调整步骤：将矩形候选区域特征f1输入神经网络得到6个输出，分别代表区域中心点偏移量、宽高偏移量以及纵向两条边界与水平线的夹角；5)将矩形候选区域特征f1变换为梯形卷积特征谱f2：6)将梯形卷积特征谱f2作为检测步骤的输入特征来完成对输入图像的检测。本发明能够减少无关特征干扰，提高检测精度；梯形卷积引入参数较少，易于取得良好效果。
-
公开(公告)号：CN108038502A
公开(公告)日：2018-05-15
申请号：CN201711295915.X
申请日：2017-12-08
Applicant: 电子科技大学
Abstract: 本发明提供一种基于卷积神经网络的对象协同检测方法，包括以下步骤：步骤一：在一组内容关联的图片上，使用现有的候选生成方法，得到该组图像中每幅图片的候选预测结果和对象性分数；步骤二：基于步骤一得到的候选预测结果得到该组图片的重复性矩阵；步骤三：结合对象性分数和该组图片的重复性矩阵，得到该组图像最终的考虑对象重复性的预测结果。本发明提出的基于卷积神经网络的对象协同检测方法结合单幅图像目标预测和多幅图像内容的重复性，为检测预测结果增加了更多的关联性信息，增强了传统检测的针对性和对选定类别目标的检测效果。
-
公开(公告)号：CN104268552B
公开(公告)日：2017-06-13
申请号：CN201410449365.2
申请日：2014-09-04
Applicant: 电子科技大学
IPC: G06K9/62
Abstract: 本发明涉及图像信息处理技术领域，尤其涉及一种基于部件多边形的精细类别分类方法。本发明采用基于部件点的多边形可以有效地校正不同姿态下目标，分类过程采用的fisher编码特征对目标尺度和方向上的变化具有鲁棒性，所用的贪婪算法能找出最具判别力的部件点组合的集合，而精细分类器能够区分非常相似的类别。本发明提供的方法将目标图像的部件点进行连接，构建了多个基于部件点的多边形，可有效减少校正所带来的误差。
-
公开(公告)号：CN103268614B
公开(公告)日：2016-01-20
申请号：CN201310213410.X
申请日：2013-05-31
Applicant: 电子科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种用于多前景共分割的前景谱图生成方法，属于数字图像处理领域。本发明首先对图像组的各图像进行对象分割；基于对象构建有向图，有向图中的每一个顶点表示一个对象，以任一顶点为始点，存在与其对象最相似的K条有向边，且属于同一图像的顶点补连接，基于同一始点的不同有向边所对应的各终点属于不同的图像；接着对有向图进行有向图聚类，得到多类前景信息；分别求取各类前景信息的前景概率，基于景概率获取对象概率值；最后基于各图像的各像素点所在的对象，将对象的概率值赋予各像素点，若一个像素点对应多个对象，则将最大的概率值赋予该像素点，从而得到对应的前景谱图。本发明的应用，其自适应能力强，准确率高。
-
-
-
-
-
-
-
-
Search Results
122
records
(took 0.024 seconds)
