一种基于特征聚类的语义分割方法及系统

    公开(公告)号:CN115690410A

    公开(公告)日:2023-02-03

    申请号:CN202211160286.0

    申请日:2022-09-22

    Abstract: 本发明提出一种基于特征聚类的语义分割方法和系统,包括:语义分割模型中的特征提取层提取训练图像的深层语义特征和浅层细节特征,语义分割模型中第一卷积分类器为深层语义特征进行分类,得到训练图像中各像素的第一分类结果,归一化第一分类结果,得到每个像素属于类别的概率,点积概率和深层语义特征,得到每个类别的类特征;融合深层语义特征和浅层细节特征,得到像素级别特征;根据像素级别特征,取训练图像中各像素到每个类特征的相似度最大对应的类别作为第二分类结果;语义分割模型中第二卷积分类器为像素级别特征进行分类,得到训练图像中像素的第三分类结果;根据类别标签和各分类结果,训练语义分割模型,以为指定图片进行语义分割。

    基于哈达玛矩阵的渐进式压缩感知重建方法和系统

    公开(公告)号:CN107749047A

    公开(公告)日:2018-03-02

    申请号:CN201710954199.5

    申请日:2017-10-13

    Abstract: 本发明涉及一种基于哈达玛矩阵的渐进式压缩感知重建方法和系统,包括:将原始哈达玛矩阵作为低阶哈达玛矩阵,将低阶哈达玛矩阵中的行数据转换为第一观测矩阵,利用第一观测矩阵对原始图像进行压缩感知采样,获得原始图像的低阶测量值,并将根据低阶测量值生成的重建图像实时输出给用户进行查看;对低阶哈达玛矩阵进行迭代处理,得到高阶哈达玛矩阵,将高阶哈达玛矩阵中的行数据转换为第二观测矩阵,并利用第二观测矩阵对原始图像进行压缩感知采样,获得原始图像的高阶测量值,并将根据高阶测量值生成的重建图像实时输出给用户进行查看。有此可实时查看图像重建效果,使用户直观感受图像压缩结果,以采样率最少的采样数据,达到预期图像压缩效果。

    一种恢复深度信息的图像处理的方法

    公开(公告)号:CN105118031B

    公开(公告)日:2017-11-03

    申请号:CN201510490628.9

    申请日:2015-08-11

    Abstract: 本发明提供一种恢复深度信息的图像处理的方法,包括:利用通光直径小的小光圈快速地采集场景的图像,并计算所述图像的梯度,以确定所述图像的场景内容的主方向;用沿所述主方向排列的编码光圈采集场景的图像;所述编码光圈的矩阵可为在一个方向上的傅里叶频谱有较高的幅值,在与所述方向正交的方向上的傅里叶频谱有较多的零点;计算并搜索所述图像与不同预测深度下的校准内核的反卷积,以获取深度图;利于所述深度图,计算得到场景的全清晰图像。

    一种基于观测矩阵的压缩感知成像及图像重建方法

    公开(公告)号:CN105225207A

    公开(公告)日:2016-01-06

    申请号:CN201510551103.1

    申请日:2015-09-01

    Abstract: 本发明提供一种基于观测矩阵的压缩感知成像方法,包括:1)在待感知图像中划分为显著性区域和非显著性区域;2)设置观测矩阵的孔径,所述观测矩阵中,对应于显著性区域的像素尺寸小于其余区域的像素尺寸;3)生成满足有限等距特性的矩阵,将所生成的矩阵各个像素的像素值依序填充到步骤2)设置的观测矩阵中,得到孔径可变观测矩阵;4)基于所述孔径可变观测矩阵获取并记录待感知图像的观测值。本发明能够在保证图像质量的前提下大幅减少压缩感知成像的数据量;能够在保证图像质量的前提下显著减少采样次数,节省采样时间;另外,本发明可直接应用于相机的成像系统,从而在图像采集阶段直接降低采集数据量。

    基于PSO-LQR算法的自适应路径跟踪方法及系统

    公开(公告)号:CN117970796A

    公开(公告)日:2024-05-03

    申请号:CN202311834509.1

    申请日:2023-12-28

    Abstract: 本发明提出一种基于PSO‑LQR算法的自适应路径跟踪方法,包括:模型构建步骤,建立智能车辆的运动模型,生成该运动模型的LQR目标函数,建立关于该LQR目标函数的优选模型;该优选模型基于粒子群优化算法获取该LQR目标函数的优选控制量;控制量生成步骤,获取该智能车辆当前位置与路径点的位置偏差,通过该优选模型获得该优选控制量;路径跟踪步骤,以该优选控制量对该智能车辆实施路径跟踪状态控制。本发明还提出一种基于PSO‑LQR算法的自适应路径跟踪系统,以及一种用于实现智能车辆的自适应路径跟踪的数据处理装置。

    基于最优传输的边界校正方法及其系统、介质及设备

    公开(公告)号:CN116452790A

    公开(公告)日:2023-07-18

    申请号:CN202310264901.0

    申请日:2023-03-14

    Abstract: 本申请公开了一种基于最优传输的边界校正方法,该方法包括:通用语义分割步骤:基于通用语义分割网络进行特征提取、特征增强及逐像素的分类操作,输出语义分割监督的损失值;边界预测步骤:在通用语义分割网络后引入一边界分支,基于边界分支计算预测边界的初始位置,并通过语义边界损失进行监督;边界校正步骤:将边界分支的每个像素预测结果进行归一化,通过最优传输计算语义边界定位损失,通过不断训练进行语义边界损失的校正,达到边界区域分割的最优准确度。本发明方法将边界预测建模为最优传输问题,通过计算预测边界到真实边界的最小传输代价以对边界预测的结果进行监督,有效地提高边界分割的准确性。

    一种基于深度残差网络的压缩感知重建方法和系统

    公开(公告)号:CN107730451A

    公开(公告)日:2018-02-23

    申请号:CN201710911893.9

    申请日:2017-09-29

    Abstract: 本发明涉及一种基于深度残差网络的压缩感知重建方法和系统,包括:获取原始图像信号作为训练数据,并通过尺度变换和分割处理将训练数据分割为多个图像块;根据每个图像块的亮度分量和压缩感知理论模型,获得亮度分量对应的测量值;通过全连接网络对测量值进行线性映射处理,得到初步重建结果;将初步重建结果输入深度残差网络,训练得到估计残差值;将估计残差值与初步重建结果进行融合,生成重建信号。由此,本发明通过引入深度残差网络参与信号的重建,不仅实现对测量值到图像的还原重建还用到深度残差网络仅学习与目标之间的差异这一特点,提升了还原信号的质量。

    一种恢复深度信息的图像处理的方法

    公开(公告)号:CN105118031A

    公开(公告)日:2015-12-02

    申请号:CN201510490628.9

    申请日:2015-08-11

    Abstract: 本发明提供一种恢复深度信息的图像处理的方法,包括:利用通光直径小的小光圈快速地采集场景的图像,并计算所述图像的梯度,以确定所述图像的场景内容的主方向;用沿所述主方向排列的编码光圈采集场景的图像;所述编码光圈的矩阵可为在一个方向上的傅里叶频谱有较高的幅值,在与所述方向正交的方向上的傅里叶频谱有较多的零点;计算并搜索所述图像与不同预测深度下的校准内核的反卷积,以获取深度图;利于所述深度图,计算得到场景的全清晰图像。

    基于哈达玛矩阵的渐进式压缩感知重建方法和系统

    公开(公告)号:CN107749047B

    公开(公告)日:2020-10-16

    申请号:CN201710954199.5

    申请日:2017-10-13

    Abstract: 本发明涉及一种基于哈达玛矩阵的渐进式压缩感知重建方法和系统,包括:将原始哈达玛矩阵作为低阶哈达玛矩阵,将低阶哈达玛矩阵中的行数据转换为第一观测矩阵,利用第一观测矩阵对原始图像进行压缩感知采样,获得原始图像的低阶测量值,并将根据低阶测量值生成的重建图像实时输出给用户进行查看;对低阶哈达玛矩阵进行迭代处理,得到高阶哈达玛矩阵,将高阶哈达玛矩阵中的行数据转换为第二观测矩阵,并利用第二观测矩阵对原始图像进行压缩感知采样,获得原始图像的高阶测量值,并将根据高阶测量值生成的重建图像实时输出给用户进行查看。有此可实时查看图像重建效果,使用户直观感受图像压缩结果,以采样率最少的采样数据,达到预期图像压缩效果。

    一种基于深度残差网络的压缩感知重建方法和系统

    公开(公告)号:CN107730451B

    公开(公告)日:2020-06-05

    申请号:CN201710911893.9

    申请日:2017-09-29

    Abstract: 本发明涉及一种基于深度残差网络的压缩感知重建方法和系统,包括:获取原始图像信号作为训练数据,并通过尺度变换和分割处理将训练数据分割为多个图像块;根据每个图像块的亮度分量和压缩感知理论模型,获得亮度分量对应的测量值;通过全连接网络对测量值进行线性映射处理,得到初步重建结果;将初步重建结果输入深度残差网络,训练得到估计残差值;将估计残差值与初步重建结果进行融合,生成重建信号。由此,本发明通过引入深度残差网络参与信号的重建,不仅实现对测量值到图像的还原重建还用到深度残差网络仅学习与目标之间的差异这一特点,提升了还原信号的质量。

Patent Agency Ranking