-
公开(公告)号：CN115908216A
公开(公告)日：2023-04-04
申请号：CN202211487389.8
申请日：2022-11-25
Applicant: 南开大学
IPC: G06T5/50 , G06N3/0464 , G06N3/084
Abstract: 本发明属于信号处理和深度学习技术领域，具体涉及一种应用于压缩感知的自然图像重构方法。针对如何实现自然图像的稀疏采样与高质量重构这一问题，本发明提出了一种基于近端梯度下降的可解释性深度压缩感知图像重构模型。该模型由自适应采样、初始化重构和深度重构三部分子网络组成，采样网络实现图像的自适应采样；初始化重构利用测量矩阵的转置矩阵实现图像的初始化重构；深度重构基于近端梯度下降与注意力机制，构建了基于优化的阶段性网络结构，模型的构建同时实现了图像的自适应采样与端到端映射。实验结果表明，本发明提出的基于近端梯度下降的可解释性深度压缩感知图像重构方法，可以在保持重构速度的同时，提升图像的重构质量。
-
公开(公告)号：CN119228929A
公开(公告)日：2024-12-31
申请号：CN202411231910.0
申请日：2024-09-04
Applicant: 南开大学
IPC: G06T11/00 , G06T9/00 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明属于信号处理技术领域，具体涉及一种基于生成先验扩散的图像压缩感知重建方法。本发明克服了现有数据驱动图像压缩感知方法对先验信息利用不足的问题，融合深度展开网络和扩散生成模型，提出了一种基于生成先验扩散的两段式图像重构方法。在第一阶段的训练中，使用变分编码器学习自然图像的紧凑先验表达，并在深度展开重建网络中设计动态近端映射模块嵌入先验信息。在第二阶段，冻结先验学习模型的参数，应用轻量化的扩散模型推断图像先验，并嵌入到深度展开网络，完成图像重建。多个基准集上的实验结果显示，本发明提出的图像压缩感知重建方法与现有方法相比，能提升自然图像的重建质量。
-
公开(公告)号：CN116777800A
公开(公告)日：2023-09-19
申请号：CN202310573755.X
申请日：2023-05-22
Applicant: 南开大学
IPC: G06T5/50 , G06N3/0442 , G06N3/084 , G06N3/0464
Abstract: 本发明属于信号处理和深度学习技术领域，具体涉及一种应用于压缩感知的自然图像重构方法。针对如何实现自然图像的稀疏采样与高质量重构这一问题，本发明提出了一种用于压缩感知图像重构的具有持久长短期记忆的新型深度展开网络。该网络同时实现了图像自适应采样与恢复的约束优化，利用注意力机制和长期记忆流解决了现有深度展开网络中表征力不足和特征信息长距离传输时出现的内在信息损耗问题。设计了级内注意力机制和级间记忆力机制，并集成于展开网络的近端映射模块中，实现了长短期特征记忆的持久性存储和传输。本发明提出的方法与现有方法相比，可在保持重构速度的同时，有效提升图像的重构质量。
-
公开(公告)号：CN118134779A
公开(公告)日：2024-06-04
申请号：CN202410291558.3
申请日：2024-03-14
Applicant: 南开大学
IPC: G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于多尺度重构Transformer与多维注意力的红外和可见光图像融合方法，包括两个阶段：第一阶段为训练阶段，构建基于UNet++结构的编解码器并训练，利用多尺度重构Transformer补偿下采样时的全局依赖信息，将高维注意力加入到编码器横向密集连接的卷积块中，强化其对有效信息的关注能力；第二阶段为融合阶段，将融合模块添加到编码器和解码器之间，使用空间和通道注意力加权融合编码器特征，解码器重构出融合图像；本发明能够增强特征提取与重构能力，保留图像更多纹理细节；与现有方法相比，在信息熵、互信息、融合质量、标准差和视觉保真度这五种常用融合图像指标上具有优势。
-
Patent Agency Ranking
公开(公告)号：CN117745852A
公开(公告)日：2024-03-22
申请号：CN202410078634.2
申请日：2024-01-19
Applicant: 南开大学
IPC: G06T9/00 , G06N3/0464 , G06N3/0499 , G06N3/084
Abstract: 本发明属于信号处理和深度学习技术领域，具体涉及一种基于Transformer模型与大核卷积的自然图像压缩感知方法。针对如何实现自然图像的稀疏采样与高质量恢复这一问题，本发明提出了一种混合Vision Transformer和大核卷积的展开网络架构，实现了图像压缩感知的可解释性重构。该网络为端到端的两段式架构，一是使用数据驱动的预训练编码器完成图像信息的稀疏表示与基本特征提取；二是设计了一种基于优化启发的模块，将其迭代过程视为网络展开过程，引入双通道大核注意力机制捕获局部结构与长程依赖，逐阶段重构原始图像。实验结果显示，本发明提出的图像压缩感知方法与现有方法相比，可以在保持重构速度的同时，降低网络内存占用并提升图像的重构质量。
-
公开(公告)号：CN115578480A
公开(公告)日：2023-01-06
申请号：CN202211411200.7
申请日：2022-11-16
Applicant: 南开大学
Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种应用于车联网智能监测的道路场景红外图像生成方法。针对在深度学习模型搭建中，如何稳定、快速和高质量生成难获取的数据集图像问题，本发明提出了一种基于Pix2Pix和跨尺度注意力模块的红外图像生成方法。该方法通过构建跨尺度跨层级的深度特征提取注意力模块，实现横纵向注意力传递，一定程度上弥补了生成对抗网络模型复杂、数据量庞大、收敛难的问题，且实验结果表明，本发明提出的红外图像生成方法可降低模型参数量并提升生成图像质量，能够有效解决智慧交通领域中数据标签不足的问题，具有广阔的应用前景。
-
公开(公告)号：CN115512323A
公开(公告)日：2022-12-23
申请号：CN202211219292.9
申请日：2022-10-08
Applicant: 南开大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种基于深度学习的自动驾驶视野外车辆轨迹预测方法。本发明充分发掘自动驾驶轨迹预测任务中小特征目标的特点，提出了一种深度学习神经网络训练方法。该方法结合编解码器架构、扩张卷积网络和自注意力机制，将深度学习神经网络训练过程通过编码器、自注意力单元和解码器三个可学习的神经网络完成。本发明与传统方法相比，可更有效地捕捉可能突然冲入关键区域的视野外车辆，帮助无人驾驶车辆快速做出相应决策。实验结果表明，本发明提出的深度学习神经网络训练方法与现有方法相比，在提升对视野外危险车辆在不同阈值下的召回率、降低遗漏概率和误报率的同时，所需时间大大减少。
-
公开(公告)号：CN119346339A
公开(公告)日：2025-01-24
申请号：CN202411580636.8
申请日：2024-11-07
Applicant: 南开大学
Abstract: 本发明公开了一种适用于高铁输电接触网喷涂疏水剂的回收装置，由收集与喷涂组件、传输与回收组件、支撑和固定组件组成。该装置的技术特征在于通过第一挡板和第二挡板引导未附着的疏水剂进入收集槽，并通过回收管道将材料输送至储液罐，实现疏水剂的回收利用。喷涂组件中的喷枪对接触网进行均匀喷涂，同时，支撑和固定组件可以将收集和喷涂组件固定在水平表面，确保设备在使用过程中稳定。该装置具有提高喷涂效率、减少材料浪费和适应性强的优点，有效提升了高铁输电接触网在冬季恶劣天气下的防护能力，降低了维护成本和环境污染。
-
公开(公告)号：CN116524048A
公开(公告)日：2023-08-01
申请号：CN202310476361.2
申请日：2023-04-28
Applicant: 南开大学
IPC: G06T9/00 , G06T3/40 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0475 , G06N3/094 , H04N19/44
Abstract: 本发明属于信号处理技术领域，具体涉及一种基于潜在扩散模型的自然图像压缩感知方法。本发明深入发掘自然图像的离散性和可压缩性，提出了一种基于深度学习的两段式图像重构方法。该方法在第一阶段使用向量量化生成对抗网络在大数据集上学习图像的深度特征，得到图像在低维潜在空间上的离散化编码，以消除自然图像的冗余信息。在第二阶段，以图像的压缩测量值为条件，使用扩散模型推断其对应的潜在编码，并进一步重建原始图像。实验结果显示，本发明提出的图像压缩感知方法与现有方法相比，能大幅提高低采样率下重构图像的视觉效果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.022 seconds)
