-
公开(公告)号：CN116934618B
公开(公告)日：2024-06-11
申请号：CN202310857834.3
申请日：2023-07-13
Applicant: 江南大学
Abstract: 本发明公开了一种基于改进残差网络的图像半色调方法、系统及介质，包括以下步骤：步骤S1：获取图像数据集，划分为训练集和测试集；步骤S2：将所述训练集输入到HalfResNet网络模型进行训练，其中所述HalfResNet网络模型是基于ResNet网络模型进行改进的；步骤S3：训练完成后得到权重参数，将所述权重参数加载至所述HalfResNet网络模型中，针对待处理的图像，运行HalfResNet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。本发明将深度学习模型与半色调图像相结合，生成的半色调图像能够保持较好的结构细节的同时，极大地提高了处理效率。
-
Patent Agency Ranking
公开(公告)号：CN116452599A
公开(公告)日：2023-07-18
申请号：CN202310396263.8
申请日：2023-04-13
Applicant: 江南大学
IPC: G06T7/10 , G06T5/50 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于轮廓的图像实例分割方法及系统，方法包括将目标图像输入至轻量级特征提取网络中，得到图像中目标实例的下采样特征图、中心点和轮廓顶点相对中心点的偏移量；根据中心点和轮廓顶点相对中心点的偏移量，计算得到初始轮廓；对目标实例的下采样特征图和初始轮廓进行全局特征融合，得到粗糙轮廓；对粗糙轮廓进行第一次轮廓变形，得到初步的实例轮廓，并将初步的实例轮廓进行第二次轮廓变形，得到最终的实例轮廓。本发明其摒弃了传统手工设计初始轮廓的方法，而基于网络学习更接近真值的初始轮廓，在保持算法分割精度的同时，具有较小的参数量和计算量，且具有较快的推理速度，能够应用于使用边缘平台进行现实场景中的实例分割任务。
-
公开(公告)号：CN116934618A
公开(公告)日：2023-10-24
申请号：CN202310857834.3
申请日：2023-07-13
Applicant: 江南大学
Abstract: 本发明公开了一种基于改进残差网络的图像半色调方法、系统及介质，包括以下步骤：步骤S1：获取图像数据集，划分为训练集和测试集；步骤S2：将所述训练集输入到HalfResNet网络模型进行训练，其中所述HalfResNet网络模型是基于ResNet网络模型进行改进的；步骤S3：训练完成后得到权重参数，将所述权重参数加载至所述HalfResNet网络模型中，针对待处理的图像，运行HalfResNet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。本发明将深度学习模型与半色调图像相结合，生成的半色调图像能够保持较好的结构细节的同时，极大地提高了处理效率。
-
公开(公告)号：CN118587671A
公开(公告)日：2024-09-03
申请号：CN202410733389.4
申请日：2024-06-07
Applicant: 江南大学
IPC: G06V20/56 , G06T3/4053 , G06T3/4046 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及车道线检测技术领域，尤其是指一种融合特征超分辨率的车道线检测方法及装置，包括：利用图像超分辨率网络对待检测的车道线图像进行预处理；利用经过预处理的待检测的车道线图像对预先构建的超分辨率车道线检测模型进行训练；所述超分辨率车道线检测模型包括依次连接的特征提取模块、跨尺度特征融合模块和检测模块；利用经过训练的超分辨率车道线检测模型对待检测的车道线图像进行检测。本发明在训练阶段通过图像超分辨率网络提升训练输入图像的分辨率，使得模型能够利用高分辨率图像学习到高分辨率特征信息，并且测试阶段不增加模型额外的计算负担，提升了车道线检测的准确率。
-
公开(公告)号：CN116416559B
公开(公告)日：2024-08-02
申请号：CN202310397174.5
申请日：2023-04-14
Applicant: 江南大学
IPC: G06V20/40 , G06V10/762 , G06V10/74 , G06F17/16
Abstract: 本发明提供一种基于事件的谱聚类运动目标检测方法及系统，该方法包括输入样本集中的某个事件帧；选取所述事件帧中的部分数据点n，并融合距离建立相似矩阵A；基于所述相似矩阵A计算得到部分数据点n的聚类结果；基于部分数据点n与剩下的未分类数据点n'之间的关系建立相似矩阵A'，根据所述相似矩阵A'得到剩下的未分类数据点n'的聚类结果；将部分数据点n和剩下的未分类数据点n'及其聚类结果进行合并；输出该事件帧所有数据的聚类结果。本发明将部分事件数据的聚类结果作为指导并基于重构事件帧之间的关系来计算其他数据的聚类结果，降低了计算时间消耗，提升运动目标检测效率；自适应地获取聚类数目，避免人工设置的主观性误差。
-
公开(公告)号：CN116416559A
公开(公告)日：2023-07-11
申请号：CN202310397174.5
申请日：2023-04-14
Applicant: 江南大学
IPC: G06V20/40 , G06V10/762 , G06V10/74 , G06F17/16
Abstract: 本发明提供一种基于事件的谱聚类运动目标检测方法及系统，该方法包括输入样本集中的某个事件帧；选取所述事件帧中的部分数据点n，并融合距离建立相似矩阵A；基于所述相似矩阵A计算得到部分数据点n的聚类结果；基于部分数据点n与剩下的未分类数据点n'之间的关系建立相似矩阵A'，根据所述相似矩阵A'得到剩下的未分类数据点n'的聚类结果；将部分数据点n和剩下的未分类数据点n'及其聚类结果进行合并；输出该事件帧所有数据的聚类结果。本发明将部分事件数据的聚类结果作为指导并基于重构事件帧之间的关系来计算其他数据的聚类结果，降低了计算时间消耗，提升运动目标检测效率；自适应地获取聚类数目，避免人工设置的主观性误差。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
