-
Patent Agency Ranking
公开(公告)号：CN113160086B
公开(公告)日：2022-11-08
申请号：CN202110466878.4
申请日：2021-04-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的图像去摩尔纹方法，属于图像处理领域。本发明将图像去摩尔纹的任务分为两个子任务，纹理去除和颜色纠正，针对每个子任务设计专门的模块。对于纹理去除，使用卷积网络拟合一个滤波器；对于颜色纠正，基于通道注意力提升网络在色彩调整上的效果。网络整体使用多分辨率的结构，共六个分支，结合频域和空间域两个方面的特征，最终完成了对高分辨率图像的去摩尔纹工作。
-
公开(公告)号：CN113160086A
公开(公告)日：2021-07-23
申请号：CN202110466878.4
申请日：2021-04-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的图像去摩尔纹方法，属于图像处理领域。本发明将图像去摩尔纹的任务分为两个子任务，纹理去除和颜色纠正，针对每个子任务设计专门的模块。对于纹理去除，使用卷积网络拟合一个滤波器；对于颜色纠正，基于通道注意力提升网络在色彩调整上的效果。网络整体使用多分辨率的结构，共六个分支，结合频域和空间域两个方面的特征，最终完成了对高分辨率图像的去摩尔纹工作。
-
公开(公告)号：CN114782706B
公开(公告)日：2024-11-29
申请号：CN202210454742.6
申请日：2022-04-27
Applicant: 东南大学
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于多流特征融合的摩尔纹识别方法，属于图像识别领域。本发明自制数据集，以U‑Net、VGG和ResNet34作为基础特征提取网络，辅助传统的特征提取，包括HOG、LBP和DCT，通过融合多流特征，将不同特征提取网络获取的特征进行混合，以此增强网络的语义信息表达能力。为了模型有更好的泛化能力，使用随机加噪的数据增强方式。本发明不仅可以提取最具表达力的特征，还能在传统特征提取算法辅助下提高网络的准确率，对于多种摩尔纹图像实现精准检测。
-
公开(公告)号：CN114782706A
公开(公告)日：2022-07-22
申请号：CN202210454742.6
申请日：2022-04-27
Applicant: 东南大学
Abstract: 本发明提供了一种基于多流特征融合的摩尔纹识别方法，属于图像识别领域。本发明自制数据集，以U‑Net、VGG和ResNet34作为基础特征提取网络，辅助传统的特征提取，包括HOG、LBP和DCT，通过融合多流特征，将不同特征提取网络获取的特征进行混合，以此增强网络的语义信息表达能力。为了模型有更好的泛化能力，使用随机加噪的数据增强方式。本发明不仅可以提取最具表达力的特征，还能在传统特征提取算法辅助下提高网络的准确率，对于多种摩尔纹图像实现精准检测。
-
公开(公告)号：CN111898410A
公开(公告)日：2020-11-06
申请号：CN202010531633.0
申请日：2020-06-11
Applicant: 东南大学
Abstract: 本发明提供了一种在无约束场景下的基于上下文推理的人脸检测方案，属于多媒体信号处理领域。本发明将训练集进行数据增广，以VGGNet-16作为基础特征提取网络，通过低层级特征金字塔网络加权地融合不同层特征，并在预测环节采用上下文辅助预测模块扩充子网络以加深、加宽网络模型，引入自适应锚点取样的数据增强方式和多尺度训练方法，增强了模型对于尺度的适应力。本发明不仅可提取出最具表达力的描述信息，还能较好地弥补未被充分提取的面部特征，且可优化对面部特征的利用率，适用于检测难度较高的无约束场景，尤其对微小的、模糊的、遮挡的人脸也能实现精准检测。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
