-
公开(公告)号：CN115908812A
公开(公告)日：2023-04-04
申请号：CN202211527335.X
申请日：2022-11-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种注意力引导的可变形自注意力的语义分割方法，使用权重分离的通道注意力模块将不同权重的注意力特征通道进行分离。使用可变形自注意力的Transformer对高权重特征图进行特征提取，通过可变形自注意力窗口模块将切分的图像块变成适应目标形状的不规则的形状，然后进行填充成正方形图像块后送入Transformer，可以使自注意力更加聚焦于特征图中更关键的区域并获取更多的特征信息。使用双权重的双注意力模块对低权重特征图进行特征提取，通过获取特征图不同尺度的空间和通道注意力并进行聚合，可以使空间和通道注意力更好地得到特征图的空间和通道信息。本发明能够让语义分割的内存和计算成本更低，提升分割精度。
-
公开(公告)号：CN115761238A
公开(公告)日：2023-03-07
申请号：CN202211654339.4
申请日：2022-12-19
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多分支深度可分离空洞卷积的实时语义分割方法，其语义分割网络采用多分支全卷积网络能高效进行上下文信息与细节信息的融合，并补全在下采样中损失的信息，其信息提取网络结构先通过卷积模块对信息进行初步提取并下采样；细节分支通过卷积模块不断提取细节信息；上下文分支通过卷积模块提取上下文信息，多级上采样解码模块能够增加感受野进一步提取上下文信息；细节分支与上下文分通过信息融合模块进行高效信息交换；多尺度空洞深度可分离卷积模块为网络提供多种尺度的感受野并保持空间分辨率不变，同时对上下文信息与细节信息进行融合，并补全下采样过程中损失的信息，增强模型分割效果。
-
公开(公告)号：CN115187780A
公开(公告)日：2022-10-14
申请号：CN202210814012.2
申请日：2022-07-12
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于CDCFS‑Net的低照度图像语义分割的方法，包括：1）整合与处理数据集；2）低照度风格迁移；3）训练CDCFS‑Net网络。这种方法能够更好地减少正常照度图像和低照度图像之间的风格差异，并且能够缩小正常照度的和低照度之间的相同内容的特征差异，实现正常照度域和低照度域的特征迁移，提高低照度的图像语义分割精度。
-
公开(公告)号：CN114972116A
公开(公告)日：2022-08-30
申请号：CN202210752232.7
申请日：2022-06-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于NASPE‑net的低照度图像增强方法，包括如下步骤：1）对数据集依照光照程度划分为低照度图像和正常照度图像；2）将低照度图像输入到NASPE‑net中提取参数映射图；3）生成RGB通道的注意力权重图；4）得到近似正常光照图像的增强图片；5）采用GAN方法进行对抗损失；6）设计损失函数反向训练NASPE‑net网络。这种方法不仅不需要成对的低/正常亮度图像数据集，而且参数量比较小，可以很好的对低照度图像进行增强。
-
公开(公告)号：CN114821318A
公开(公告)日：2022-07-29
申请号：CN202210443769.5
申请日：2022-04-26
Applicant: 桂林电子科技大学
IPC: G06V20/10 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于Darkdet‑Net的低照度小样本目标检测方法，所述方法包括如下步骤：1）得到base类与novel类并构建base类与novel类的平衡训练集；2）训练Exindark模块对输入的低照度图像进行特征提取；3）构造MLFA模块对特征图进行多尺度特征的融合与增强；4）构造基于多头SR Attention的Det Head模块对输入的特征图进行检测框预测与分类；5）在base类数据集进行目标检测训练并测试检测效果；6）基于base类和novel类平衡训练集进行小样本新类物体目标检测Fine‑tuning。这种方法能够不受低光照环境下拍摄的影响，对于产生的低照度图像仍然可以进行很好地识别来检测出图像中的目标对象，并且使用Fine‑tuning快速泛化到新的检测类别上。
-
Patent Agency Ranking
公开(公告)号：CN110163815B
公开(公告)日：2022-06-24
申请号：CN201910321753.5
申请日：2019-04-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多阶段变分自编码器的低照度还原方法，一方面增强低照度图像去噪能力、提高低照度图像细节还原效果，另一方面简化了网络结构并加快了网络训练速度，具体步骤如下：（一）采集数据源，制作数据集：（二）进行MUVAE网络第一阶段训练：（三）进行MUVAE网络第二阶段训练：（四）进行Fine tuning操作：（五）进行低照度图像还原。本发明在低光环境下拍摄的图像不受到低动态范围和噪声的影响并仍得到接近于正常照度下的图。
-
公开(公告)号：CN111695633B
公开(公告)日：2022-04-05
申请号：CN202010534721.6
申请日：2020-06-12
Applicant: 桂林电子科技大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于RPF‑CAM的低照度目标检测方法，其特征在于，包括如下步骤：1）制作合成数据源，建立来源图像；2）特征提取网络模块的训练；3）通道注意力机制网络模块的训练；4）目标检测网络的训练；5）对整个卷积神经网络进行构造与训练。这种方法使得目标检测的特征图的特征表达能力更好、目标检测的精度高。
-
公开(公告)号：CN112489064B
公开(公告)日：2022-03-25
申请号：CN202011472009.4
申请日：2020-12-14
Applicant: 桂林电子科技大学
IPC: G06T7/12 , G06T7/181 , G06V20/10 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于边缘放缩修正的全景分割方法，在原全景分割网络添加了一个可以通过边缘筛出细节、补全实例的修正机制，使最终得到的全景分割效果更贴近真实边缘。无需运用学习的方法，仅经过边界框大致定位和限制，再加上边缘的缩放机制，便可以找到目标边缘。根据每个实例对应的边界框确定实例的真实边缘信息，使用该边缘信息对实例分割掩码进行细节修正，最后结合语义分割，形成更优的全景分割掩码。相比于传统的没有边缘修正的全景分割方法，本发明可以提高分割的精度，使得全景分割结果更贴近边缘。相比于仅在边界框内进行边缘修正的全景分割方法，本发明能够考虑到边界框不准确、不完全框住目标实例的情况，使得修正的结果更具有鲁棒性。
-
公开(公告)号：CN112802038A
公开(公告)日：2021-05-14
申请号：CN202110100670.0
申请日：2021-01-26
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多尺度边缘注意力的全景分割方法，针对不同尺度的图片进行多尺度边缘检测引导，多尺度的边缘检测引导可以让每个尺度选出较优权重再进行融合得到效果更好的全景分割结果。基于多尺度的边缘注意力模块提取图片的边缘金字塔，更好地提取物体的深层边缘信息。特征金字塔深度参与到全景分割网络的学习中去，与全景分割原本的多维度特征进行多次互补融合，相互影响，不仅能提高全景分割的精度，也可以大幅度提高最终结果中的物体边缘信息识别。
-
公开(公告)号：CN111931857A
公开(公告)日：2020-11-13
申请号：CN202010819355.9
申请日：2020-08-14
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于MSCFF的低照度目标检测方法，其特征在于，包括如下步骤：1）依据公开标准数据集建立来源图像；2）光照估计的训练；3）特征提取的训练；4）训练目标检测提取预测框；5）对预测框进行非极大值抑制；6）对整个低照度目标检测网络进行Fine tuning与低照度图像目标检测。这种方法使得目标检测在低照度图像上特征图的表达能力更好、图像目标检测的精度更高。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.025 seconds)
