-
公开(公告)号：CN112991398A
公开(公告)日：2021-06-18
申请号：CN202110422946.7
申请日：2021-04-20
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开基于协同深度神经网络的运动边界指导的光流滤波方法，构建运动边界指导的光流滤波数据集和协同深度神经网络，输入为初始光流估计结果和运动边界，输出为滤波后的光流估计结果，包括初始光流特征提取子网络、运动边界特征提取子网络、光流滤波第一子网络和光流滤波第二子网络，利用训练集对协同深度神经网络进行训练，利用训练完成的协同深度神经网络对初始光流估计结果进行滤波，快速生成更高精度的光流估计结果。本发明的方法利用协同深度神经网络来自动学习运动边界指导的光流滤波过程，准确模拟从输入变量到输出光流滤波结果的复杂函数关系，避免除运动边界之外的无关边缘信息引入新误差，提高光流滤波的效率和准确率。
-
公开(公告)号：CN112883916A
公开(公告)日：2021-06-01
申请号：CN202110300236.7
申请日：2021-03-22
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开一种基于图像块相似性先验的视频去噪方法，构建图像块相似性先验，将该先验引入优化模型中，能够避免复原后图像块之间存在较大差异的问题，充分挖掘噪声视频图像块特征。该方法首先采集含有噪声的视频图像序列，然后在噪声视频图像序列中搜索相似图像块并构成图像块向量矩阵，在此基础上构造图像块相似性先验并引入到优化模型中进行求解，最后通过像素融合生成复原视频图像序列。该方法能够解决现有技术中无法充分利用图像块相似性、去噪效果差的问题，有效提高去噪后的视频质量。
-
公开(公告)号：CN112883916B
公开(公告)日：2022-05-06
申请号：CN202110300236.7
申请日：2021-03-22
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开一种基于图像块相似性先验的视频去噪方法，构建图像块相似性先验，将该先验引入优化模型中，能够避免复原后图像块之间存在较大差异的问题，充分挖掘噪声视频图像块特征。该方法首先采集含有噪声的视频图像序列，然后在噪声视频图像序列中搜索相似图像块并构成图像块向量矩阵，在此基础上构造图像块相似性先验并引入到优化模型中进行求解，最后通过像素融合生成复原视频图像序列。该方法能够解决现有技术中无法充分利用图像块相似性、去噪效果差的问题，有效提高去噪后的视频质量。
-
公开(公告)号：CN112991398B
公开(公告)日：2022-02-11
申请号：CN202110422946.7
申请日：2021-04-20
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开基于协同深度神经网络的运动边界指导的光流滤波方法，构建运动边界指导的光流滤波数据集和协同深度神经网络，输入为初始光流估计结果和运动边界，输出为滤波后的光流估计结果，包括初始光流特征提取子网络、运动边界特征提取子网络、光流滤波第一子网络和光流滤波第二子网络，利用训练集对协同深度神经网络进行训练，利用训练完成的协同深度神经网络对初始光流估计结果进行滤波，快速生成更高精度的光流估计结果。本发明的方法利用协同深度神经网络来自动学习运动边界指导的光流滤波过程，准确模拟从输入变量到输出光流滤波结果的复杂函数关系，避免除运动边界之外的无关边缘信息引入新误差，提高光流滤波的效率和准确率。
-
公开(公告)号：CN112990202B
公开(公告)日：2021-08-06
申请号：CN202110497553.2
申请日：2021-05-08
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开了一种基于稀疏表示的场景图生成方法和系统，该方法包括：通过快速区域卷积神经网络对原图像进行目标检测，获得目标区域集；通过预设的关系度量网络将目标对的所有边识别为前景边和背景边，并构造稀疏图；通过基于图注意力神经网络的特征融合和更新策略，对稀疏图上的节点和边进行同步学习，并识别目标类型和关系；根据识别得到的目标类型和关系生成场景图。本发明能够有效过滤虚假关系，进而有效生成稀疏图，并且降低了稠密图的计算复杂度以及提高了图消息传递效率；同时本发明能够准确从稀疏图中提取特征，进而准确生成场景图。
-
公开(公告)号：CN113256528A
公开(公告)日：2021-08-13
申请号：CN202110617901.5
申请日：2021-06-03
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开基于多尺度级联深度残差网络的低照度视频增强方法，首先构建低照度视频增强数据集，然后构建用于低照度视频增强的多尺度级联深度残差网络模型，该模型由一个粗尺度增强网络和一个细尺度增强网络构成，其中粗尺度增强网络和细尺度增强网络均由一个去噪深度残差网络和一个相应的对比度拉伸深度残差网络级联构成，在此基础上基于低照度视频增强数据集对多尺度级联深度残差网络模型进行训练，最后将待处理的低照度视频图像序列输入训练完成的网络模型，快速进行视频增强，生成增强后的视频图像。本发明的方法利用多尺度级联深度残差网络充分挖掘低照度视频图像中的多维特征，能够有效提高视频增强效果。
-
公开(公告)号：CN112990202A
公开(公告)日：2021-06-18
申请号：CN202110497553.2
申请日：2021-05-08
申请人： 中国人民解放军国防科技大学
摘要： 本发明公开了一种基于稀疏表示的场景图生成方法和系统，该方法包括：通过快速区域卷积神经网络对原图像进行目标检测，获得目标区域集；通过预设的关系度量网络将目标对的所有边识别为前景边和背景边，并构造稀疏图；通过基于图注意力神经网络的特征融合和更新策略，对稀疏图上的节点和边进行同步学习，并识别目标类型和关系；根据识别得到的目标类型和关系生成场景图。本发明能够有效过滤虚假关系，进而有效生成稀疏图，并且降低了稠密图的计算复杂度以及提高了图消息传递效率；同时本发明能够准确从稀疏图中提取特征，进而准确生成场景图。
-
公开(公告)号：CN113256528B
公开(公告)日：2022-05-27
申请号：CN202110617901.5
申请日：2021-06-03
申请人： 中国人民解放军国防科技大学
IPC分类号： G06T5/00 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/08
摘要： 本发明公开基于多尺度级联深度残差网络的低照度视频增强方法，首先构建低照度视频增强数据集，然后构建用于低照度视频增强的多尺度级联深度残差网络模型，该模型由一个粗尺度增强网络和一个细尺度增强网络构成，其中粗尺度增强网络和细尺度增强网络均由一个去噪深度残差网络和一个相应的对比度拉伸深度残差网络级联构成，在此基础上基于低照度视频增强数据集对多尺度级联深度残差网络模型进行训练，最后将待处理的低照度视频图像序列输入训练完成的网络模型，快速进行视频增强，生成增强后的视频图像。本发明的方法利用多尺度级联深度残差网络充分挖掘低照度视频图像中的多维特征，能够有效提高视频增强效果。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.04 秒)
