-
公开(公告)号：CN112506708A
公开(公告)日：2021-03-16
申请号：CN202011468911.9
申请日：2020-12-14
Applicant: 南京理工大学
IPC: G06F11/14
Abstract: 本发明提出了一种面向Android智能终端的内存镜像文件分析方法，针对内存镜像文件中的分区信息进行分析，根据各分区表所描述的文件系统结构将Android智能终端的内存镜像还原成相应的文件系统，能够更容易地实现镜像文件的解析，同时，针对文件系统中已经删除但尚未被物理覆盖的数据进行恢复，根据文件系统日志域的结构，对日志事务进行解析，可以更加准确、全面、快捷地实现对部分已删除数据的恢复。
-
公开(公告)号：CN103578095A
公开(公告)日：2014-02-12
申请号：CN201210257574.8
申请日：2012-07-24
Applicant: 南京理工大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于灰度图像直方图的多阈值分割方法，该方法利用类间方差最大原则，以二分法为基础，并将直方图上的极小值点作为多阈值分割的参考点。首先根据类间方差最大法，找到图像的第一个阈值，然后以二分法为基础，对分割的图像的两部分分别求其类间的最大方差，再把两方差进行比较，找到最大的方差对应的阈值作为下一次分割的阈值点。以此类推，直至找到给定的阈值数为止。然后，根据平滑后的直方图，找到所有的波谷点。最后，把得到的所有阈值与波谷点进行比较，找到最靠近阈值的波谷点作为最终的阈值。本发明的多阈值分割法相对于传统的多阈值分割方法，不仅消除了部分的分割噪声，而且分割的效果和适应性都好于已有算法。
-
公开(公告)号：CN102054163A
公开(公告)日：2011-05-11
申请号：CN200910233329.1
申请日：2009-10-27
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于单目视觉的驾驶员疲劳检测方法。该方法通过人脸检测与跟踪、人眼检测与定位以及眼睛状态识别对驾驶员工作状态进行监督以达到提醒驾驶员安全驾驶的目的。具体为：在驾驶室仪表盘上方安装一个面向驾驶员脸部的摄像机，摄像机镜头周围配有红外LED照明光源；利用摄像机采集驾驶员脸部图像，对采集得到的每帧图像进行人脸检测与跟踪，在检测得到的人脸区域中进行人眼检测与定位，并利用左右眼睛区域进行人眼睁闭状态识别，最后通过连续帧的检测状态进行疲劳检测。本发明可以准确地对驾驶员疲劳进行提示，具有对驾驶员无干扰、高实时性、高鲁棒性的优点，且硬件成本低，易于推广。
-
公开(公告)号：CN112651973B
公开(公告)日：2022-10-28
申请号：CN202011469194.1
申请日：2020-12-14
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于特征金字塔注意力和混合注意力级联的语义分割方法，包括：构建语义分割训练集；构建深度卷积神经网络，所述深度卷积神经网络包括编码器部分、2个特征金字塔注意力模块、混合注意力模块、解码分支、特征融合部分以及深度可分离卷积层；利用语义分割训练集对深度卷积神经网络进行训练，修正网络参数；将待分割街景道路场景图像输入训练好的深度卷积神经网络获得分割结果。本发明能较好的适应无人车设备对于精度和速度的需求。
-
公开(公告)号：CN109614877B
公开(公告)日：2022-09-27
申请号：CN201811370580.8
申请日：2018-11-17
Applicant: 南京理工大学
IPC: G06V40/10 , G06V10/26 , G06V10/764
Abstract: 本发明公开了一种低分辨率监视场景中具有遮挡的行人属性识别方法，首先利用度量学习去除行人图像中的遮挡物；对修复后的图像进行横向切割，将相应图像块分别标记为行人“头肩部分”、“上身部分”以及“下身部分”；提取要识别的属性对应部分的每块图像的特征，并将每个特征表示为16‑bin直方图；最后将16‑bin直方图作为图像的特征向量，并将图像的特征向量输入训练好的SVM分类器得到识别结果。本发明分类效果更好，分类准确率更高。
-
Patent Agency Ranking
公开(公告)号：CN116912568A
公开(公告)日：2023-10-20
申请号：CN202310845587.5
申请日：2023-07-10
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/047 , G06N3/08
Abstract: 本发明提出了一种基于自适应类别均衡的含噪声标签图像识别方法。具体来说，首先设计了一种新颖的样本选择策略，在识别干净和噪声数据时增强自适应性和类平衡性。然后采用均值‑教师模型对含噪样本的标签进行修正。随后，提出了一种自适应和类别平衡的样本重加权机制，为检测到的噪声样本分配不同的权重。最后，在选择的干净样本上额外使用一致性正则化来提高模型的泛化性能。
-
公开(公告)号：CN111861909A
公开(公告)日：2020-10-30
申请号：CN202010604384.3
申请日：2020-06-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种网络细粒度图像去噪分类方法，使用深度神经网络进行预训练并记录和更新最近几次的预测历史，预训练后通过全局样本选择和动态不确定性损失修正来让神经网络在含有噪声的训练集中进行鲁棒地学习。本发明通过进行样本选择和不确定性损失校正，网络图像数据集可以直接用于细粒度视觉分类训练，获得仅略低于干净的人工标注数据集的准确率。
-
公开(公告)号：CN111782833A
公开(公告)日：2020-10-16
申请号：CN202010526211.4
申请日：2020-06-09
Applicant: 南京理工大学
IPC: G06F16/483 , G06K9/62 , G06N3/04 , G06N3/08 , G06F40/284 , G06F17/14
Abstract: 本发明公开了一种基于多模型网络的细粒度跨媒体检索方法，包括：获取跨媒体数据集，对跨媒体数据集进行预处理获取跨媒体数据；分别提取各媒体数据的专有特征；提取各媒体数据的公共特征；对跨媒体数据的专有特征和公共特征进行加权求和，获取最终的联合特征；利用余弦距离测量不同媒体特征之间的相似度并按相似度对媒体特征进行排序。本发明构建了媒体专有网络和公共网络，媒体专有网络包含各媒体的特征提取器用于提取各媒体的专有特征；公共网络包含能同时学习四种媒体的统一的网络用于提取各媒体的公共特征，两种网络的结合实现了在最大限度保留各媒体特征的同时消除各媒体间的异构鸿沟，从而实现有效的跨媒体检索，具有广阔的应用前景。
-
公开(公告)号：CN111340696A
公开(公告)日：2020-06-26
申请号：CN202010084579.X
申请日：2020-02-10
Applicant: 南京理工大学
Abstract: 本发明公开了一种融合仿生视觉机制的卷积神经网络图像超分辨率重建方法，首先，采用模拟人类视觉注意机制的显著性检测方法，对遥感图像进行显著性区域检测；其次，针对显著性区域，采用基于卷积神经网络的图像超分辨率重建方法，进行超分辨率重建；最后，对非显著区域，采用双三次插值法，进行超分辨率重建。与现有的基于卷积神经网络图像超分辨率重建方法相比，本发明提出的方法能够快速地对图像进行超分辨率重建，适用于实时性要求比较严格的场合。
-
公开(公告)号：CN105913394B
公开(公告)日：2019-04-12
申请号：CN201610218895.5
申请日：2016-04-08
Applicant: 南京理工大学
Abstract: 本发明提供一种基于退化图像序列的图像盲复原方法，该方法基于退化图像序列同时对大气干扰和成像系统颤振造成的图像雾化和模糊进行复原，在此过程中需要对大气光值和透过率的值进行参数估计，并对噪声序列、复原图像、复原模糊核序列发生的概率进行建模。大气光值和透过率初始值根据暗原色先验模型从序列图像中估计得到。大气干扰和平台颤振都造成了图像的模糊，利用序列图像包含的丰富图像信息，采用图像盲复原的方法，从退化图像序列中估计出模糊核序列并进行去卷积复原。并将去卷积结果与大气参数的估计值相结合进行处理得到最终的复原效果。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.034 seconds)
