-
公开(公告)号：CN111160354B
公开(公告)日：2022-06-17
申请号：CN201911388248.9
申请日：2019-12-30
Applicant: 哈尔滨工程大学
IPC: G06V10/26 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T3/40
Abstract: 本发明涉及一种基于联合图像信息的海天背景下船舶图像分割方法，本发明针对于待分割的船舶图像，首先利用训练好的干扰因素判别器判别船舶图像对应的环境类型；然后利用所述环境类型对应的船舶提取器进行船舶的分割提取；采用基于神经网络的分类网络构建干扰因素判别器；利用训练集进行训练，得到训练好的干扰因素判别器；采用基于神经网络的分割网络构建不同环境下的船舶提取器；利用训练集中每种环境下的船舶图像分别进行训练，得到不同环境下船舶图像分别对应的训练好的船舶提取器。主要用于图像中船舶的分割提取。解决利用现有的分割算法进行海天背景下船舶图像分割存在分割精度降低的问题。
-
公开(公告)号：CN111145116B
公开(公告)日：2022-05-20
申请号：CN201911336661.0
申请日：2019-12-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于神经网络深度学习技术领域，具体涉及一种基于生成对抗网络的海面雨天图像样本增广方法。本发明基于生成对抗网络，采用传统的L1损失和GAN损失相结合的方法来训练网络，在训练生成器的过程中除了传统的GAN损失外还加上了生成的假的雨天图片与真实雨天图片之间的L1损失；生成器采用残差网络，判别器采用Patch‑D，通过对图像分成N*N个小块分别进行判别来计算损失，提高图像的清晰度以及细节保持能力，生成样本时仍采用深度学习框架中的训练模式，即不对批归一化层的参数进行固定，继续启用dropout层。本发明中通过利用成对的图片来训练生成器，从而由多数类样本生成其对应的少数类样本，达到增广样本的目的。
-
公开(公告)号：CN112561782A
公开(公告)日：2021-03-26
申请号：CN202011484532.9
申请日：2020-12-15
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种提高海上场景仿真图片真实度的方法，本发明将仿真图的前景背景分割，分别采用传统的方法与深度学习方法CycleGAN两种算法进行风格迁移，实现了由仿真图到真实海上照片的转换。其中背景采用泊松融合加色彩转换的方法，将真实的海面照片作为子图，仿真图作为母图泊松融合后，再经过Reinhard色彩迁移，得到逼真的背景，前景采用CycleGAN算法，并对生成器的每一层卷积均点乘其掩码来提取前景部分，并在最后一层与输入层进行拼接，来保留原图的背景信息，从而生成完整的拥有真实风格的海面图片。本发明利用仿真软件构建海上场景，得到仿真图片后转为真实图片的风格，用于神经网络训练，解决样本稀缺的问题。
-
公开(公告)号：CN112561782B
公开(公告)日：2023-01-03
申请号：CN202011484532.9
申请日：2020-12-15
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种提高海上场景仿真图片真实度的方法，本发明将仿真图的前景背景分割，分别采用传统的方法与深度学习方法CycleGAN两种算法进行风格迁移，实现了由仿真图到真实海上照片的转换。其中背景采用泊松融合加色彩转换的方法，将真实的海面照片作为子图，仿真图作为母图泊松融合后，再经过Reinhard色彩迁移，得到逼真的背景，前景采用CycleGAN算法，并对生成器的每一层卷积均点乘其掩码来提取前景部分，并在最后一层与输入层进行拼接，来保留原图的背景信息，从而生成完整的拥有真实风格的海面图片。本发明利用仿真软件构建海上场景，得到仿真图片后转为真实图片的风格，用于神经网络训练，解决样本稀缺的问题。
-
公开(公告)号：CN111145116A
公开(公告)日：2020-05-12
申请号：CN201911336661.0
申请日：2019-12-23
Applicant: 哈尔滨工程大学
Abstract: 本发明属于神经网络深度学习技术领域，具体涉及一种基于生成对抗网络的海面雨天图像样本增广方法。本发明基于生成对抗网络，采用传统的L1损失和GAN损失相结合的方法来训练网络，在训练生成器的过程中除了传统的GAN损失外还加上了生成的假的雨天图片与真实雨天图片之间的L1损失；生成器采用残差网络，判别器采用Patch-D，通过对图像分成N*N个小块分别进行判别来计算损失，提高图像的清晰度以及细节保持能力，生成样本时仍采用深度学习框架中的训练模式，即不对批归一化层的参数进行固定，继续启用dropout层。本发明中通过利用成对的图片来训练生成器，从而由多数类样本生成其对应的少数类样本，达到增广样本的目的。
-
Patent Agency Ranking
公开(公告)号：CN112465697B
公开(公告)日：2023-03-17
申请号：CN202011459200.5
申请日：2020-12-11
Applicant: 哈尔滨工程大学
IPC: G06T3/00 , G06T5/00 , G06T7/11 , G06T7/50 , G06V10/774
Abstract: 本发明公开了一种海上雾天图像模拟方法，构建海上场景样本图片数据集并人工标注，将数据集分为天空、海面和前景目标，并进行语义分割训练，得到网络参数；假设天空部分距离摄像头为无穷远，海面部分与天空接触处为无穷远，图片最下方距离摄像头距离为0，其他海面部分满足x3变化趋势由近及远变化，前景目标深度与最下方跟海面接触处深度保持一致得到深度图；对深度图进行均值滤波和两次高斯模糊来进行平滑，并将其与横纵方向皆满足‑ax2+b变化趋势且边缘的灰度为0的灰度块相加，a,b为随机数，来模拟不均匀雾团，利用深度图模拟出雾天下的海面场景图片。本发明可以基于大气散射模型模拟出较为真实的雾天下海上场景图片，实现该场景下的样本数量增广。
-
公开(公告)号：CN111553934B
公开(公告)日：2022-07-15
申请号：CN202010333573.1
申请日：2020-04-24
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种采用多维度融合的多船舶跟踪方法，包括：图像预处理；通过前端特征提取模块提取船舶特征；将当前帧船舶目标特征图分别与之前所有帧中船舶目标的特征图经特征融合模块进行融合，得到融合后特征；将融合后特征经后端特征提取层得到当前帧船舶目标与之前所有帧中船舶目标之间的关联矩阵，根据相似性得到预跟踪的结果；将预跟踪的结果利用运动匹配优化模块进行优化得到最终跟踪结果。本发明引入ASPP模块提高网络对于不同尺寸目标的建模能力，使得特征更能表达语义信息；提出了联合检测区域建模模块，进一步提升建模能力；提出运动匹配优化模块达到对预跟踪结果的优化与精修，使得跟踪器更为稳定，不过度于依赖检测器的性能。
-
公开(公告)号：CN112465697A
公开(公告)日：2021-03-09
申请号：CN202011459200.5
申请日：2020-12-11
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种海上雾天图像模拟方法，构建海上场景样本图片数据集并人工标注，将数据集分为天空、海面和前景目标，并进行语义分割训练，得到网络参数；假设天空部分距离摄像头为无穷远，海面部分与天空接触处为无穷远，图片最下方距离摄像头距离为0，其他海面部分满足x3变化趋势由近及远变化，前景目标深度与最下方跟海面接触处深度保持一致得到深度图；对深度图进行均值滤波和两次高斯模糊来进行平滑，并将其与横纵方向皆满足‑ax2+b变化趋势且边缘的灰度为0的灰度块相加，a,b为随机数，来模拟不均匀雾团，利用深度图模拟出雾天下的海面场景图片。本发明可以基于大气散射模型模拟出较为真实的雾天下海上场景图片，实现该场景下的样本数量增广。
-
公开(公告)号：CN111553934A
公开(公告)日：2020-08-18
申请号：CN202010333573.1
申请日：2020-04-24
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种采用多维度融合的多船舶跟踪方法，包括：图像预处理；通过前端特征提取模块提取船舶特征；将当前帧船舶目标特征图分别与之前所有帧中船舶目标的特征图经特征融合模块进行融合，得到融合后特征；将融合后特征经后端特征提取层得到当前帧船舶目标与之前所有帧中船舶目标之间的关联矩阵，根据相似性得到预跟踪的结果；将预跟踪的结果利用运动匹配优化模块进行优化得到最终跟踪结果。本发明引入ASPP模块提高网络对于不同尺寸目标的建模能力，使得特征更能表达语义信息；提出了联合检测区域建模模块，进一步提升建模能力；提出运动匹配优化模块达到对预跟踪结果的优化与精修，使得跟踪器更为稳定，不过度于依赖检测器的性能。
-
公开(公告)号：CN111160354A
公开(公告)日：2020-05-15
申请号：CN201911388248.9
申请日：2019-12-30
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于联合图像信息的海天背景下船舶图像分割方法，本发明针对于待分割的船舶图像，首先利用训练好的干扰因素判别器判别船舶图像对应的环境类型；然后利用所述环境类型对应的船舶提取器进行船舶的分割提取；采用基于神经网络的分类网络构建干扰因素判别器；利用训练集进行训练，得到训练好的干扰因素判别器；采用基于神经网络的分割网络构建不同环境下的船舶提取器；利用训练集中每种环境下的船舶图像分别进行训练，得到不同环境下船舶图像分别对应的训练好的船舶提取器。主要用于图像中船舶的分割提取。解决利用现有的分割算法进行海天背景下船舶图像分割存在分割精度降低的问题。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
