-
公开(公告)号：CN113095229B
公开(公告)日：2024-04-12
申请号：CN202110399589.7
申请日：2021-04-14
申请人： 中国矿业大学
IPC分类号： G06V40/10 , G06V20/40 , G06V10/74 , G06V10/764 , G06V10/774
摘要： 本发明涉及一种无监督域自适应行人重识别系统及方法，属于行人重识别技术领域，解决了现有无监督域自适应行人重识别难度大、识别准确率低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，获得行人重识别网络模型的分类损失函数和样本不变性损失函数，根据源域样本子集中每一行人图片与目标域样本子集中每一行人图片的相似度对目标域样本子集中的行人图片进行排序、分层以获得分层损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，利用优化好的行人重识别网络模型进行行人重识别，获得与待识别行人图像相同或相似的图像。该系统能够减少网络的迁移损失，提高行人重识别的精度。
-
公开(公告)号：CN113554572B
公开(公告)日：2024-03-26
申请号：CN202110931806.2
申请日：2021-08-13
申请人： 中国矿业大学
摘要： 本发明提出了一种基于改进Retinex的图像增强方法和系统，其主要的目的是解决传统Retinex增强方法的效果差，速度慢，效率低等问题，可以较好地解决图像细节和颜色保真度的冲突问题，改善光晕现象，所述装置包括图像采集单元，基于华为海思Hi3519AV100处理器的FEA3519A‑C图像处理核心板，PC端控制单元和图像输出模块。
-
公开(公告)号：CN113643323B
公开(公告)日：2023-10-03
申请号：CN202110960779.1
申请日：2021-08-20
申请人： 中国矿业大学
摘要： 本发明提出城市地下综合管廊尘雾环境下目标检测系统，所述系统包括视频逐帧去雾模块和运动目标检测模块，所述视频逐帧去雾模块用于将地下管廊的模糊视频画面去除尘雾影响，恢复管廊内物体或行人轮廓；所述运动目标检测模块用于对视频中运动目标的轮廓进行检测判断，实现了去雾和抑制噪声的效果，而且该模型对边缘的保持有较好的能力，消除了背景更新不及时导致的鬼影现象，而且运算速度得到明显的提升，实现了运动目标追踪的要求。
-
公开(公告)号：CN115496665A
公开(公告)日：2022-12-20
申请号：CN202211317119.2
申请日：2022-10-26
申请人： 中国矿业大学
IPC分类号： G06T3/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于MLP改进模型的矿井模糊图像超分辨率重建方法，该方法包括以下步骤：获取图像数据集；所述图像数据集包括训练图像数据集和测试图像数据集；构建递归残差网络，对输入图像进行多层特征提取；重建网络，对提取出来的图像进行重建，得到超分辨图像；采用训练图像数据集对递归网络进行训练；采用测试图像数据集，对递归网络进行评估，评估重构后的超分辨图像质量标准。本发明通过使用Mlpmixer模块，在特征融合之前对特征进行一个预处理，减少特征融合过程中的信息损失；避免信息过载问题，提高重建后超分辨图像的精准度；通过使用多通道网络结构，实现对重建特征信息的完善，从多方面保证了该网络提取图像特征信息的有效性。
-
公开(公告)号：CN113538249A
公开(公告)日：2021-10-22
申请号：CN202111031496.5
申请日：2021-09-03
申请人： 中国矿业大学
摘要： 一种用于视频监控高清呈现的图像超分辨率重建方法及装置，通过引入一个额外的约束来开发一个改进的双重回归方案，这样映射可以形成一个闭环，LR图像可以被重建来提高SR模型的性能，通过提出的双重回归方案，深度模型可以很容易地适应现实世界的数据；对于配对训练数据和非配对现实数据的SR任务都进行了研究；提出的双重回归方案利用真实世界的LR数据和成对的合成数据，使SR模型适应新的LR数据，此方法不同于完全抛弃配对的合成数据。
-
公开(公告)号：CN115439793A
公开(公告)日：2022-12-06
申请号：CN202211200631.9
申请日：2022-09-29
申请人： 中国矿业大学 , 江苏华图矿业科技有限公司
摘要： 本发明公开了一种面向矿井煤流AI视频分析的异物识别系统，属于图像处理技术领域，包括数据收集模块，采用工业相机对履带上的煤流进行实时视频监控收集；黑夜检测模块，采用改进的U‑net网络结构作为模型，对底片进行预测得到RGB图片；YOLOv4模块，用于对RGB图片进行预测得到目标的位置和类别，使用CSPDarknet53作为该模块整体网络模型的主干网络。基于此还提供了一种面向矿井煤流AI视频分析的异物识别方法，利用加入黑夜检测模块对底片进行预测得到RGB图片，解决了光线不足能见度低的问题，然后用YOLO v4模块对RGB进行预测得到目标的位置和类别，提高了矿井异物识别算法的检测精度和检测速度。
-
公开(公告)号：CN115294282A
公开(公告)日：2022-11-04
申请号：CN202211003081.1
申请日：2022-08-19
申请人： 中国矿业大学
摘要： 本发明公开了一种三维场景重建中增强特征融合的单目深度估计系统，该系统包括单目深度估计网络，单目深度估计网络采用自监督方式优化训练；单目深度估计网络包括深度估计网络和位姿预测网络，深度估计网络用于帮助目标图像恢复深度；位姿预测网络用于输出邻帧间运动量；深度估计网络包括深度编码器和深度解码器；深度编码器接用于提取输入图像的深度信息特征；深度解码器生成各尺度的深度预测图；深度编码器与深度解码器采用全尺度跳跃连接，获得全尺度的编、解码器特征信息，并将其融合。本发明通过深度编码器和深度解码器采用全尺度跳跃连接，优化学习分配各层特征信息的参数权重，得到精确的深度边界与预测精度。
-
公开(公告)号：CN113065516B
公开(公告)日：2023-12-01
申请号：CN202110436855.9
申请日：2021-04-22
申请人： 中国矿业大学 , 江苏华图矿业科技有限公司
IPC分类号： G06V20/52 , G06V10/44 , G06V10/774 , G06V10/74 , G06V10/764 , G06N3/0464 , G06N3/047 , G06N3/088
摘要： 本发明涉及一种基于样本分离的无监督行人重识别系统及方法，属于行人重识别技术领域，解决了现有行人重识别方法识别精度低的问题。该系统包括，数据获取模块，获取多个源域样本子集和多个目标域样本子集；网络模型训练模块，用于获得分类损失函数和样本不变性损失函数，根据目标域样本子集中各行人图片间的相似度方差获得样本分离损失函数，根据目标域样本子集中正样本组、负样本组分别与存储的目标域样本间的相似度获得无监督三元组损失函数，进而对行人重识别网络模型进行迭代优化；重识别模块，根据优化好的行人重识别网络模型对待识别行人图片进行识别。该系统能够很好的区分目(56)对比文件谢川 等.基于对抗生成网络的蒙特卡罗噪声去除算法《.模式识别与人工智能》.2018,第31卷(第11期),1047-1060.Jiahan Li 等.Unsupervised Person Re-Identification Based on Measurement Axis.《IEEE SIGNAL PROCESSING LETTERS》.2021,第28卷379-383.Alexander Hermans 等.In Defense ofthe Triplet Loss for Person Re-Identification《.https://arxiv.org/pdf/1703.07737.pdf》.2017,1-17.Nazia Perwaiz 等.Person Re-Identification Using HybridRepresentation Reinforced by MetricLearning《.IEEE Access》.2018,第6卷77334-77349.
-
公开(公告)号：CN115330874A
公开(公告)日：2022-11-11
申请号：CN202211070202.4
申请日：2022-09-02
申请人： 中国矿业大学
摘要： 本发明提供一种基于超像素处理遮挡的单目深度估计方法，属于计算机视觉领域，步骤一，图像预处理：对输入的双目图片进行图像去噪以及生成遮挡物体掩膜；步骤二，采用相机位姿估计进行位姿估计对图像进行重建：首先进行特征提取，相机位姿估计使用PoseCNN，之后将输入图像分为三个任务，分别为语义分割、三维旋转回归、三维平移估计；步骤三，采用深度估计网络进行深度估计对图像进行重建；步骤四，计算光度重建损失。使用光度重建损失来识别遮挡，可以有效去除影响网络训练的遮挡物体；图像输入网络之前，使用聚类分割，然后使用SSIM指标重新匹配双目图像对，网络预测的图像比较单一，提高了网络估计的准确率。
-
公开(公告)号：CN115239564A
公开(公告)日：2022-10-25
申请号：CN202210992327.6
申请日：2022-08-18
申请人： 中国矿业大学
摘要： 本发明提供一种结合语义信息的矿井图像超分辨率重建方法，其主要目的是通过语义分割网络所产生的概率图对超分辨率网络的深层特征提取前的输入进行调整，以此达到提高图像重建质量的结果。该方法主要包括这几部分：1.构建一个较深的超分辨率网络，其结构主要包括：浅层特征提取模块、深层特征提取模块、上采样模块；2.构建一个语义分割网络，用于产生作为深层特征提取模块的部分输入；3.确定损失函数、学习率调整策略。
-
-
-
-
-
-
-
-
-
搜索结果
31 条记录 (耗时 0.027 秒)
