-
公开(公告)号：CN118823530A
公开(公告)日：2024-10-22
申请号：CN202410793920.7
申请日：2024-06-19
申请人： 重庆邮电大学
IPC分类号： G06V10/80 , G06V10/44 , G06V10/42 , G06V10/56 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/096
摘要： 本发明属于图像融合技术领域，具体涉及一种基于细节协同模块及知识重放的连续学习的图像融合方法，包括如下步骤：准备图像数据集，并对所述图像数据集进行预处理；构建用于处理所述图像数据集融合任务的统一图像融合网络；构建基于跨任务细节协同模块以及知识重放的知识蒸馏框架，根据构建的所述知识蒸馏框架处理统一图像融合网络输出的数据，本发明通过设置便于知识重放的记忆池，并且基于梯度的筛选机制选取样本，提高记忆池样本多样性；同时利用知识蒸馏的方式使旧知识能够更好得迁移到新模型中，使得图像融合任务能够对抗灾难性遗忘。
-
公开(公告)号：CN114549366B
公开(公告)日：2024-09-10
申请号：CN202210211161.X
申请日：2022-03-03
申请人： 重庆邮电大学
IPC分类号： G06T5/73 , G06T5/50 , G06T5/60 , G06N3/0464 , G06N3/08
摘要： 本发明涉及计算机视觉技术领域，具体涉及一种基于多尺度延迟通道注意网络的全色锐化方法及系统，系统包括卫星遥感影像数据集获取模块、预处理模块、浅层特征提取模块、深层特征提取模块、正反馈模块、网络模型训练模块、融合图像评价模块和全色锐化模块，通过各模块间的相互作用对卫星遥感影像数据进行全色锐化处理，本发明构建的深层特征提取模块提取不同视野下的特征信息并将其融合，提高了网络的特征提取能力，采用通道延迟注意机制获得低频信息与高频信息的关联关系，并给予高频信息不同权重，使得在处理不同类型信息时更具灵活性，同时正反馈模块通过误差反馈机制来映射阶段的误差，减少了光谱失真，图像融合质量更好。
-
公开(公告)号：CN118411504A
公开(公告)日：2024-07-30
申请号：CN202410505959.4
申请日：2024-04-25
申请人： 重庆邮电大学
IPC分类号： G06V10/24 , G06V10/774 , G16H50/20 , G16H30/00
摘要： 本发明属于医学数据处理领域，具体涉及一种医学图像文本对齐模型的训练方法、装置及设备；所述方法包括获取医学图像、增强视图、医学文本和增强文本；采用图像编码器提取图像特征，采用文本编码器提取文本特征；利用多视图监督图像文本对齐获得更为详尽的医学图像和医学文本表征；利用多尺度自注意力与交叉注意力集成对齐策略能在无需外部信息的情况下，通过内部特征的关联性来理解每个模态的上下文信息，还能够学习到跨模态的信息。利用高置信度聚类信息引导正负样本构建算法能够深入挖掘高阶语义信息，使得预训练完成后的模型能够用于医学图像和其成对的医学报告之间精准的配对能力，以及对图像中病灶区域的精准定位能力，辅助医疗病情诊断。
-
公开(公告)号：CN118134967A
公开(公告)日：2024-06-04
申请号：CN202410260573.1
申请日：2024-03-07
申请人： 重庆邮电大学
摘要： 本发明涉及一种基于全卷积角点预测头的红外目标跟踪方法及系统，包括：生成红外图像帧序列；从红外图像帧序列的第一帧图像中裁剪出包含追踪目标的图像块作为模板图像；利用残差网络提取模板图像和搜索图像的抽象信息，得到第一模板图像特征和第一搜索图像特征；利用边缘信息补充模块强化第一模板图像特征和第一搜索图像特征中的边缘信息，得到第二模板图像特征和第二搜索图像特征；将第二模板图像特征和第二搜索图像特征输入GAM模型进行特征嵌入，计算模板图像与搜索图像的相似性匹配度得到特征响应图；将特征响应图输入到基于全卷积的角点预测头，通过估计角点的概率分布预测追踪目标在搜索图像中的位置，本发明提高了红外目标跟踪模型的稳定性和精度。
-
公开(公告)号：CN116310343A
公开(公告)日：2023-06-23
申请号：CN202310332485.3
申请日：2023-03-29
申请人： 重庆邮电大学
IPC分类号： G06V10/26 , G06V10/44 , G06V10/762 , G06V10/82
摘要： 本发明涉及一种基于特征解耦的多模态脑肿瘤MRI分割方法，引入深监督机制对多模态脑肿瘤MRI图像的深层特征进行提取，同时采用注意力融合机制的网络提取区分性的特征，利用辅助枝干网络解耦特征并充分提取分割部位特征，同时构建动态特征库，引入无监督的聚类算法增强特征，提升模态数据不完整情况下的分割精度，拓展了网络模型在多模态数据中的适用性、泛化性，本发明能够自适应的处理脑肿瘤MRI不同模态的图像间对应关系，提升深度模型在模态数据不完整情况下的分割效果。
-
公开(公告)号：CN112184554B
公开(公告)日：2022-08-23
申请号：CN202011090427.7
申请日：2020-10-13
申请人： 重庆邮电大学
摘要： 本发明请求保护一种基于残差混合膨胀卷积的遥感图像融合方法，包括步骤：S1将低分辨率的多光谱图像和高分辨率的全色图像分别进行相应倍数的下采样，并将其堆叠在一起，构建模型需要的数据集；S2借助卷积神经网络的性质，构建一个多尺度的深层残差混合膨胀卷积神经网络；S3采用随机梯度下降算法对网络进行训练，得到训练后的深度卷积神经网络模型；S4将待融合的多光谱图像和全色图像输入到训练后的深度卷积神经网络模型中，得到融合后的高空间分辨率的多光谱图像。本发明利用深度卷积网络更充分地提取图像的空间特征，提高了遥感图像融合方法的融合效果。
-
公开(公告)号：CN111160398B
公开(公告)日：2022-08-23
申请号：CN201911241296.5
申请日：2019-12-06
申请人： 重庆邮电大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/776 , G06K9/62
摘要： 本发明请求保护一种基于示例级和标签级关联的缺失标签多标签分类方法，包括步骤：S1输入训练样本的特征矩阵，通过线性重组策略构建基于特征的样本近邻图，来挖掘样本的几何结构信息，得到示例级的关联矩阵；S2输入训练样本的标签矩阵，通过低秩表示的方法构建基于标签的语义关联图，来挖掘标签的语义关联信息，得到标签级的关联矩阵；S3利用拉普拉斯流形正则化将这两种标签关联构造为两个正则化项；S4构造目标函数并对其进行求解。本发明同时结合了示例级和标签级的关联性，能够有效提升多标签分类方法在标签部分缺失的情况下的分类效果。
-
公开(公告)号：CN111950389B
公开(公告)日：2022-07-01
申请号：CN202010713146.6
申请日：2020-07-22
申请人： 重庆邮电大学
摘要： 本发明请求保护一种基于轻量级网络的深度二值特征人脸表情识别方法，属于模式识别技术领域。所述方法主要包括以下步骤：首先，构建一套将参数二值化的卷积神经网络框架，将二值卷积模式植入每层残差网络层中，形成双向决策网络模型；然后，对输入网络的图像进行基于像素梯度的LBP动态半径特征提取，构建具有Huffman权重的LBP权重图谱和具有Huffman权重的LBP二值图谱；再将LBP权重图谱、LBP二值图谱与原始图像作为BRCNN网络的多输入特征，构建深度二值特征；最后，将深度二值特征级联后进行分类。本发明极大减少了网络训练时的参数量，降低了网络的计算代价；增强了特征的表达能力，提升了本方法在人脸表情识别的鲁棒性和速率。
-
公开(公告)号：CN114120401A
公开(公告)日：2022-03-01
申请号：CN202111340213.5
申请日：2021-11-12
申请人： 重庆邮电大学
摘要： 本发明请求保护一种基于跨域特征对齐网络的人脸反欺诈方法，属于模式识别技术领域。所述方法包括以下步骤：步骤1.以ResNet18为基础特征生成模型，为了缓解域差异性和增强深层特征表示，本发明设计了一个改进的特征生成网络。步骤2.为了探索多粒度特征对齐以改进对未知目标场景的泛化能力，本发明提出了一个多粒度特征对齐网络，进行局部区域和全局图像特征对齐。步骤3.为了减少类内距离同时增大类间距离，本发明采用total loss计算网络的分类损失，通过迭代对抗训练、更新参数得到最终的网络模型。在增加少量计算量的情况下，本发明有效的缓解了域差异性同时增强了特征表达能力，捕获了更加鲁棒和广义的特征空间，实现了更加清晰的分类边界。
-
公开(公告)号：CN112184554A
公开(公告)日：2021-01-05
申请号：CN202011090427.7
申请日：2020-10-13
申请人： 重庆邮电大学
摘要： 本发明请求保护一种基于残差混合膨胀卷积的遥感图像融合方法，包括步骤：S1将低分辨率的多光谱图像和高分辨率的全色图像分别进行相应倍数的下采样，并将其堆叠在一起，构建模型需要的数据集；S2借助卷积神经网络的性质，构建一个多尺度的深层残差混合膨胀卷积神经网络；S3采用随机梯度下降算法对网络进行训练，得到训练后的深度卷积神经网络模型；S4将待融合的多光谱图像和全色图像输入到训练后的深度卷积神经网络模型中，得到融合后的高空间分辨率的多光谱图像。本发明利用深度卷积网络更充分地提取图像的空间特征，提高了遥感图像融合方法的融合效果。
-
-
-
-
-
-
-
-
-
搜索结果
163 条记录 (耗时 0.032 秒)
