-
公开(公告)号：CN118644389A
公开(公告)日：2024-09-13
申请号：CN202410595514.X
申请日：2024-05-14
申请人： 河南大学
IPC分类号： G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种基于双向反馈机制的轻量级编码器解码器图像超分辨率重建方法、存储介质和电子设备，包括如下步骤：首先通过插值法对原始图像进行下采样，将下采样后的图像由RGB颜色格式转换为YCBCR灰度模式；随后单独将图像的Y通道提取出，并输入重建网络，经过双反馈编码器提取图像各个层次特征，最后，将卷积结果输入对应解码器中得到最终重建结果。本发明采用双反馈编码器允许在每次反馈期间通过高层特征的反馈来纠正低层特征过程；进一步将RBAB将残差连接和注意力机制相结合，能够更好地适应各种复杂的任务和数据分布。本发明计算效率高，可以在不增加网络参数量、计算量的同时增强超网络的重建结果。
-
公开(公告)号：CN114187479A
公开(公告)日：2022-03-15
申请号：CN202111619914.2
申请日：2021-12-28
申请人： 河南大学
IPC分类号： G06V10/764 , G06V10/58 , G06V10/54 , G06V10/80 , G06V10/77 , G06V10/82 , G06K9/62 , G06N3/04
摘要： 本发明涉及一种基于空谱特征联合的高光谱图像分类方法，针对高光谱图像的数据特点，将二维的Gabor滤波器与随机块卷积特征提取相结合，构建了一种新型的适用于高光谱图像分类的空谱特征联合方法GRPC。首先通过主成分分析和线性判别分析进行降维，对降维后的图像使用Gabor滤波器提取图像的边缘纹理和空间信息。其次，对提取后的信息通过随机块卷积提取光谱特征信息。最后，融合空间特征和多层次光谱特征使用支持向量机分类器对图像进行分类，解决了现有的分类技术中容易出现过拟合的问题；构建出适用于高光谱图像数据的分类模型，充分利用了高光谱图像丰富的信息；基于提出的空谱特征联合的高光谱图像分类方法，提高了高光谱图像的分类精度。
-
公开(公告)号：CN110781791A
公开(公告)日：2020-02-11
申请号：CN201910998018.8
申请日：2019-10-18
申请人： 河南大学
摘要： 本发明提供了一种一种基于重心对齐的步态能量图优化合成方法，对属于一个步态周期的二值化图片进行判断，首先判断属于一个步态周期的每帧二值化图片是否属于断头图片，并根据判断结果获取每帧二值化图片的人物轮廓的高度值，进而根据每帧二值化图片的人物轮廓的高度值判断并剔除属于一个步态周期的二值化图片中的无头图片，即对断头的图像把头部与躯干合并，对无头的图像找到进行删除，计算出保留图像的准确重心坐标，最终即可使用重心对齐合成步态能量图；本发明所述的一种基于重心对齐的步态能量图优化合成方法，相对于传统的通过重心对齐合成的步态能量图有一定的提升，特别是头部的鬼影得到了很好的改善。
-
公开(公告)号：CN110765925A
公开(公告)日：2020-02-07
申请号：CN201910998019.2
申请日：2019-10-18
申请人： 河南大学
摘要： 本发明提供了一种基于改进的孪生神经网络的携带物检测与步态识别方法，包括以下步骤：步骤1：读取进出机敏场所的前后两段视频；步骤2：利用基于重心对齐的步态能量图优化合成方法分别合成前段视频和后段视频的步态能量图；步骤3：利用改进的孪生神经网络进行携带物检测与步态识别；本发明所述的一种基于改进的孪生神经网络的携带物检测与步态识别方法，与传统的步态识别算法相比，步态识别的准确率得到有效提升；同时，能够对是否同一人以及是否携带状态改变同时判断处理，且判断准确率达到87.54%；进而，使用一个网络同时判断两个问题，在保证了识别准确率的同时，节省了识别时间。
-
公开(公告)号：CN114187479B
公开(公告)日：2024-08-20
申请号：CN202111619914.2
申请日：2021-12-28
申请人： 河南大学
IPC分类号： G06V10/764 , G06V10/58 , G06V10/54 , G06V10/44 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464
摘要： 本发明涉及一种基于空谱特征联合的高光谱图像分类方法，针对高光谱图像的数据特点，将二维的Gabor滤波器与随机块卷积特征提取相结合，构建了一种新型的适用于高光谱图像分类的空谱特征联合方法GRPC。首先通过主成分分析和线性判别分析进行降维，对降维后的图像使用Gabor滤波器提取图像的边缘纹理和空间信息。其次，对提取后的信息通过随机块卷积提取光谱特征信息。最后，融合空间特征和多层次光谱特征使用支持向量机分类器对图像进行分类，解决了现有的分类技术中容易出现过拟合的问题；构建出适用于高光谱图像数据的分类模型，充分利用了高光谱图像丰富的信息；基于提出的空谱特征联合的高光谱图像分类方法，提高了高光谱图像的分类精度。
-
公开(公告)号：CN118334335A
公开(公告)日：2024-07-12
申请号：CN202410440544.3
申请日：2024-04-12
申请人： 河南大学
IPC分类号： G06V10/26 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/80
摘要： 本发明属于计算机视觉及实时语义分割技术领域，提供一种基于双重交互融合的实时城市街景图像语义分割方法。该方法提出了一种轻量级的双解码融合结构，可以提取更丰富的边缘细节，同时该结构通过减少融合过程中特征图的通道数来降低计算开销。其次，该方法在解码中设置交叉注意模块，通过注意力机制对高层和低层特征进行交叉加权融合，增加了特征之间的交互性，有效提取不同层次的特征。最后，在该网络中还引入一个综合感知模块，引入扩张卷积来扩展模型的感受野，以更好地提取远距离小目标的信息。可以解决现有方法存在的易忽略复杂的街景图像中的低层细节信息、不同层次特征之间信息融合缺乏交互性以及远程小目标物体特征提取不充足等问题。
-
公开(公告)号：CN114266900A
公开(公告)日：2022-04-01
申请号：CN202111558081.3
申请日：2021-12-20
申请人： 河南大学
摘要： 本发明是一种基于动态卷积的单目3D目标检测方法，提出了基于深度图生成的动态卷积层，采用以RGB图像数据作为输入，然后采用densedepth网络生成深度图，将生成的深度图经过滤波器生成网络训练生成动态卷积层的卷积核，并将其运用到特征提取网络的动态卷积层中，使特征提取可以考虑到深度信息。将生成的最终特征图作为2D‑3D检测器的输入，预测得到2D、3D框坐标值，然后经过非极大值抑制和数据转换来完成2D、3D框回归以得到最终结果。本发明利用动态卷积网络代替传统的2D全卷积，动态卷积的卷积核由输入图像的深度图中自动学习。解决了不能同时利用了深度信息和语义信息的问题。提高了单目3D目标检测的精度。
-
公开(公告)号：CN107481196B
公开(公告)日：2020-05-19
申请号：CN201710831228.9
申请日：2017-09-12
申请人： 河南大学
IPC分类号： G06T3/40
摘要： 本发明公开了一种基于最近特征线的特征转换人脸超分辨率重建方法，通过将基于最近特征线流形学习的人脸超分辨率算法与基于局部特征转换的人脸超分辨率算法融合在一起进行人脸超分辨率重建，因此本方法与基于最近特征线流形学习的人脸超分辨率算法相比，使用了特征转换思想，在去除了大量噪声干扰的同时，还能够保持图像的大部分原始信息，主要表现为对噪声具有更好的鲁棒性；本方法与基于局部特征转换的人脸超分辨率算法相比，因为使用最近特征线思想提高了训练样本库的表达能力，使得重建的目标图像有了更好的高频局部细节信息，达到了很好的图像重建效果。
-
公开(公告)号：CN118135610A
公开(公告)日：2024-06-04
申请号：CN202410295224.3
申请日：2024-03-14
申请人： 河南大学
IPC分类号： G06V40/10 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/0895 , G06N3/042 , G06N3/049
摘要： 本发明公开了一种基于脉冲图卷积神经网络的人体姿态识别方法、存储介质和电子方法，包括如下步骤：对输入的原始图像进行分类，转化成半监督性学习数据集；采用Pytorch深度学习框架对模型进行搭建；增加模型的感受野；优化激活函数；增加带有学习率奖励机制的脉冲图卷积算法；模型训练。本发明通过改变卷积模型的膨胀系数，从而增大了模型的感受野，提取图像中更多的特征值。进一步的，在模型中还增加了带有学习率奖励机制的脉冲图卷积层；其中脉冲图卷积层模拟神经元之间的传递方式，以脉冲信号的方式传递信息，这样加快了对图像的处理速度；同时，通过学习率奖励机制来提升了模型的准确性。
-
公开(公告)号：CN111860654B
公开(公告)日：2024-02-02
申请号：CN202010712607.8
申请日：2020-07-22
申请人： 河南大学
摘要： 本发明公开了基于循环神经网络的高光谱图像分类方法，包括以下步骤：使用主成分分析方法将三维的高光谱图像数据作进行降维处理，获取二维主成分图像；获取二维主成分图像的纹理特征和形态特征，将两个特征叠加在一起得到融合特征图像和其特征矩阵，获取融合特征图像中每个像素的非邻域像素特征，作为训练样本；利用训练样本的非邻域像素特征对循环神经网络进行参数训练，得到训练好的高光谱图像分类模型，利用训练好的高光谱图像分类模型对高光谱图像进行分类。本发明整合了高光谱图像纹理特征和形态学特征，引入非邻域像素特征的思想并同时使用循环神经网络的记忆功能完成高光谱图像分类任务，提升分类结果的可靠性。
-
-
-
-
-
-
-
-
-
搜索结果
34 条记录 (耗时 0.02 秒)
