一种利用时频域层级处理的低光照图像增强方法

    公开(公告)号:CN114219722B

    公开(公告)日:2024-11-19

    申请号:CN202111336761.0

    申请日:2021-11-12

    Applicant: 广州大学

    Abstract: 本发明涉及一种利用时频域层级处理的低光照图像增强方法,包括步骤:S1、构建低光照图像数据集,包括低光照图像数据集的采集和标注,合理划分训练数据集和测试数据集;S2、建立低光照图像增强网络框架,使用深度学习中的卷积神经网络搭建整个网络框架;S3、进行模型训练,利用步骤S1划分好的训练数据集对步骤S2构建的低光照图像增强网络框架进行迭代训练;S4、进行模型测试,利用步骤S3训练后保存的模型对步骤S1划分好的测试数据集进行检测。本发明在深度学习框架下,结合时域与频域构建网络框架,利用数据驱动方式对低光照图像进行层级处理,实现图像亮度拉伸,生成清晰、低噪声的结果图像,使得低光照图像增强任务更高效。

    基于背景提取和多尺度融合网络的人群计数方法及系统

    公开(公告)号:CN113139489B

    公开(公告)日:2023-09-05

    申请号:CN202110481093.4

    申请日:2021-04-30

    Applicant: 广州大学

    Abstract: 本发明公开了基于背景提取和多尺度融合网络的人群计数方法,包括以下步骤:通过数据获取模块获取用于网络训练的视频数据集;构建基于背景提取和多尺度特征融合网络;对基于背景提取和多尺度特征融合网络进行训练,得到训练后的网络;通过训练后的网络对视频数据集进行测试,得到测试结果;根据测试结果对训练后网络进行评估,进而优化网络权重系数;将待测视频数据集输入优化后的网络进行人群计数,得到计数结果;本发明创建了一个用于人群计数的神经网络—基于背景提取和多尺度特征融合网络,实现了对密集人群的数量统计,能够自主计算中人流量的变化,改善了由于多尺度问题导致的巨大误差,减少了由于图像的多尺度变化对人群计数的影响。

    一种利用时频域层级处理的低光照图像增强方法

    公开(公告)号:CN114219722A

    公开(公告)日:2022-03-22

    申请号:CN202111336761.0

    申请日:2021-11-12

    Applicant: 广州大学

    Abstract: 本发明涉及一种利用时频域层级处理的低光照图像增强方法,包括步骤:S1、构建低光照图像数据集,包括低光照图像数据集的采集和标注,合理划分训练数据集和测试数据集;S2、建立低光照图像增强网络框架,使用深度学习中的卷积神经网络搭建整个网络框架;S3、进行模型训练,利用步骤S1划分好的训练数据集对步骤S2构建的低光照图像增强网络框架进行迭代训练;S4、进行模型测试,利用步骤S3训练后保存的模型对步骤S1划分好的测试数据集进行检测。本发明在深度学习框架下,结合时域与频域构建网络框架,利用数据驱动方式对低光照图像进行层级处理,实现图像亮度拉伸,生成清晰、低噪声的结果图像,使得低光照图像增强任务更高效。

    基于背景提取和多尺度融合网络的人群计数方法及系统

    公开(公告)号:CN113139489A

    公开(公告)日:2021-07-20

    申请号:CN202110481093.4

    申请日:2021-04-30

    Applicant: 广州大学

    Abstract: 本发明公开了基于背景提取和多尺度融合网络的人群计数方法,包括以下步骤:通过数据获取模块获取用于网络训练的视频数据集;构建基于背景提取和多尺度特征融合网络;对基于背景提取和多尺度特征融合网络进行训练,得到训练后的网络;通过训练后的网络对视频数据集进行测试,得到测试结果;根据测试结果对训练后网络进行评估,进而优化网络权重系数;将待测视频数据集输入优化后的网络进行人群计数,得到计数结果;本发明创建了一个用于人群计数的神经网络—基于背景提取和多尺度特征融合网络,实现了对密集人群的数量统计,能够自主计算中人流量的变化,改善了由于多尺度问题导致的巨大误差,减少了由于图像的多尺度变化对人群计数的影响。

    一种基于边沿检测的伪装目标检测方法

    公开(公告)号:CN113139450A

    公开(公告)日:2021-07-20

    申请号:CN202110409358.X

    申请日:2021-04-16

    Applicant: 广州大学

    Abstract: 本发明公开了一种基于边沿检测的伪装目标检测方法,包括:将待检测伪装图像进行分层标注,将分层标注后的待检测伪装图像输入构建并已训练好的伪装目标检测网络模型,伪装目标检测网络模型完成伪装目标的检测;其中伪装目标检测网络模型包括主干网络、RF模块、EF模块、SA模块以及PDC模块;主干网络提取待检测的伪装图像的多尺度特征图,并对多尺度特征图采用稠密连接策略来保存不同特征层的信息;稠密连接的多尺度特征输入RF模块,利用RF模块扩大感受野;本发由于额外增强边沿特征的思想,能够进一步突出伪装的显著性目标并且细化边沿特征,这有利于提高伪装目标检测的能力,拓展了本发明的使用场景。

Patent Agency Ranking