-
公开(公告)号：CN114494015A
公开(公告)日：2022-05-13
申请号：CN202210083251.5
申请日：2022-01-25
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于盲超分辨率网络的图像重建方法，实现步骤为：(1)获取训练样本集和测试样本集；(2)构建基于盲超分辨率网络的图像重建模型O；(3)对盲超分率图像重建网络模型O进行迭代训练；(4)获取图像重建结果。本发明所构建的盲超分辨率图像重建模型，能够根据不同退化图像自适应进行模糊核估计并修正模糊核，使的估计的模糊核更加准确，解决了现有技术中存在的因模糊核估计不准确导致重建图像纹理模糊和结构失真的技术问题，在保证重建图像分辨率前提下，有效提高了重建图像的质量。
-
公开(公告)号：CN114494015B
公开(公告)日：2024-07-02
申请号：CN202210083251.5
申请日：2022-01-25
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于盲超分辨率网络的图像重建方法，实现步骤为：(1)获取训练样本集和测试样本集；(2)构建基于盲超分辨率网络的图像重建模型O；(3)对盲超分率图像重建网络模型O进行迭代训练；(4)获取图像重建结果。本发明所构建的盲超分辨率图像重建模型，能够根据不同退化图像自适应进行模糊核估计并修正模糊核，使的估计的模糊核更加准确，解决了现有技术中存在的因模糊核估计不准确导致重建图像纹理模糊和结构失真的技术问题，在保证重建图像分辨率前提下，有效提高了重建图像的质量。
-
公开(公告)号：CN113096015B
公开(公告)日：2023-04-28
申请号：CN202110381620.4
申请日：2021-04-09
Applicant: 西安电子科技大学
IPC: G06T3/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于渐进式感知和超轻量级网络的图像超分辨率重建方法，解决了现有技术超分后的图像存在的结构畸变和几何失真的现象，实现步骤为：构建低参数密度的内容重建生成网络；构建低参数密度的感知重建生成网络；生成训练集；训练内容重建生成网络；利用内容相关特征训练感知重建生成网络；对自然图像进行超分辨率重建。本发明采用渐进式的重建方式逐步重建出结构清晰的图像，同时由于构建的生成网络的拓扑结构简单、参数量少，易于用于计算资源受限的移动设备及专有芯片中。
-
公开(公告)号：CN113538246B
公开(公告)日：2023-04-07
申请号：CN202110911768.4
申请日：2021-08-10
Applicant: 西安电子科技大学
IPC: G06T3/40 , G06N3/084 , G06V10/44 , G06V10/774 , G06N3/0464
Abstract: 本发明公开了一种基于无监督多阶段融合的遥感图像超分辨率重建方法，主要解决现有遥感图像超分辨率重建方法鲁棒性差和超分后的遥感图像纹理模糊的问题，其实现步骤为：构建由多阶段融合网络；生成非匹配的训练集；利用构建一致性损失函数对网络依次进行内容一致性、感知内容一致性和感知分布一致性三个阶段的训练；对遥感图像进行超分辨率重建。本发明通过有效利用多阶段融合网络中的多层次特征，使用非匹配的真实遥感图像对网络进行训练，使得该方法具有较强鲁棒性，本发明在保留低分辨率遥感图像上的内容的同时挖掘其底层的感知相似性，以获得更加真实清晰的纹理。
-
公开(公告)号：CN113096015A
公开(公告)日：2021-07-09
申请号：CN202110381620.4
申请日：2021-04-09
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于渐进式感知和超轻量级网络的图像超分辨率重建方法，解决了现有技术超分后的图像存在的结构畸变和几何失真的现象，实现步骤为：构建低参数密度的内容重建生成网络；构建低参数密度的感知重建生成网络；生成训练集；训练内容重建生成网络；利用内容相关特征训练感知重建生成网络；对自然图像进行超分辨率重建。本发明采用渐进式的重建方式逐步重建出结构清晰的图像，同时由于构建的生成网络的拓扑结构简单、参数量少，易于用于计算资源受限的移动设备及专有芯片中。
-
Patent Agency Ranking
公开(公告)号：CN116342648A
公开(公告)日：2023-06-27
申请号：CN202310196504.4
申请日：2023-03-03
Applicant: 西安电子科技大学
IPC: G06T7/246 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/40 , G06V10/25 , G06V10/32 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明基于混合结构注意力引导的孪生网络目标跟踪方法，具体为：将目标跟踪数据集划分为训练集和测试集，再对数据集进行预处理；构建混合结构注意力特征融合模块；构建基于混合结构注意力引导的孪生网络目标跟踪算法模型；利用训练集对步骤3构建的基于混合结构注意力引导的孪生网络目标跟踪算法模型进行迭代训练，得到训练好的基于混合结构注意力机制的孪生网络目标跟踪模型；将测试集作为训练好的基于混合结构注意力机制的孪生网络目标跟踪模型的输入进行前向推理，得到每个测试样本的跟踪结果。本发明方法解决了现有目标跟踪方法精度低的问题。
-
公开(公告)号：CN116309403A
公开(公告)日：2023-06-23
申请号：CN202310196976.X
申请日：2023-03-03
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T7/10 , G06V10/74 , G06V10/82 , G06V10/774 , G06N3/084 , G06N3/0895 , G06N3/047
Abstract: 本发明公开了基于相似性度量半监督对比学习医学图像分割方法，具体过程为：将体素格式的待分割医学图像数据集划分为训练集、验证集和测试集，并对数据集进行预处理；构建对比学习半监督分割模型；利用训练集与验证集对构建的对比学习半监督分割模型进行迭代训练，得到训练好的对比学习半监督分割模型；将测试集作为训练好的对比学习半监督分割模型的输入进行前向推理，得到每个测试样本的分割分数。本发明方法解决了现有分割方法中没有利用医学图像中体素数据之间的相似性，导致选取的负对中存在假阴性，影响模型的分割性能的问题。
-
公开(公告)号：CN114598833B
公开(公告)日：2023-02-10
申请号：CN202210305381.9
申请日：2022-03-25
Applicant: 西安电子科技大学
IPC: H04N7/01 , G06T7/269 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于时空联合注意力的视频插帧方法，实现步骤为：(1)获取训练数据集和数据集；(2)构建基于时空联合注意力的视频插帧网络；(3)对视频插帧网络模型迭代训练；(4)获取视频插帧结果。本发明所构建的基于时空联合注意力的视频插帧模型，利用时空注意力机制去捕获输入帧之间的时空关系，并对复杂运动进行建模，完成了高质量的视频插帧。与现有的大多数网络相比，本算法不使用额外的光流输入，避免了光流估计带来的额外误差，同时使得网络参数量低，有实际应用价值。
-
公开(公告)号：CN114598833A
公开(公告)日：2022-06-07
申请号：CN202210305381.9
申请日：2022-03-25
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于时空联合注意力的视频插帧方法，实现步骤为：(1)获取训练数据集和数据集；(2)构建基于时空联合注意力的视频插帧网络；(3)对视频插帧网络模型迭代训练；(4)获取视频插帧结果。本发明所构建的基于时空联合注意力的视频插帧模型，利用时空注意力机制去捕获输入帧之间的时空关系，并对复杂运动进行建模，完成了高质量的视频插帧。与现有的大多数网络相比，本算法不使用额外的光流输入，避免了光流估计带来的额外误差，同时使得网络参数量低，有实际应用价值。
-
公开(公告)号：CN113538246A
公开(公告)日：2021-10-22
申请号：CN202110911768.4
申请日：2021-08-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于无监督多阶段融合的遥感图像超分辨率重建方法，主要解决现有遥感图像超分辨率重建方法鲁棒性差和超分后的遥感图像纹理模糊的问题，其实现步骤为：构建由多阶段融合网络；生成非匹配的训练集；利用构建一致性损失函数对网络依次进行内容一致性、感知内容一致性和感知分布一致性三个阶段的训练；对遥感图像进行超分辨率重建。本发明通过有效利用多阶段融合网络中的多层次特征，使用非匹配的真实遥感图像对网络进行训练，使得该方法具有较强鲁棒性，本发明在保留低分辨率遥感图像上的内容的同时挖掘其底层的感知相似性，以获得更加真实清晰的纹理。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
