公开(公告)号：CN110889416A

公开(公告)日：2020-03-17

申请号：CN201911278227.1

申请日：2019-12-13

Applicant: 南开大学

Inventor： 杨巨峰 ,  翟英杰 ,  范登平

IPC: G06K9/40 ,  G06K9/46

Abstract: 本发明公开了一种基于级联改良网络的RGB-D显著性物体检测方法，属于图像处理技术领域。大多数现有的RGB-D模型直接聚合来自不同层级的CNN网络的特征，容易引入低层特征所含有的噪声和干扰信息。本发明创造性地提出一种级联改良式的结构，用高层部分的特征生成的显著性图作为掩膜来改良低层部分的特征，然后再通过聚合改良后的低层特征生成最终的显著性图；此外，为了排除深度图的干扰信息，本发明提出一个深度增强模块用于进行深度特征和RGB特征混合前的预处理。本发明用4个评价指标在7个数据集上进行实验，结果表明本发明超越当前所有最先进的RGB-D显著性物体检测方法。

公开(公告)号：CN116228646A

公开(公告)日：2023-06-06

申请号：CN202211627823.8

申请日：2022-12-17

Applicant: 南开大学

Inventor： 杨巨峰 ,  冯停磊 ,  翟英杰

IPC: G06T7/00 ,  G06N3/084 ,  G06N3/048 ,  G06N3/0464

Abstract: 本发明公开了一种基于卷积神经网络的图像复杂度评估方法，包括以下步骤，使用双分支卷积神经网络分别提取图像的细节特征和语义信息，并在预测阶段将这两种特征进行融合；提出一种空间分布注意力模块，针对图像复杂度进行专门设计，使得提取特征可以根据特征的空间分布自适应地优化；在预测阶段，将所述特征分别输入到两个预测头分支中，其中全局复杂度分数预测头通过全连接神经网络预测输入图像的全局复杂度，局部复杂度热度图预测头通过卷积神经网络预测输入图像的局部复杂度热度图；本发明在复杂度评估数据集上表现出了优秀的复杂度预测性能，超过现有方法。对于给定图像，本发明可以精确给出全局复杂度得分与像素级别的复杂度热度图。

公开(公告)号：CN110889416B

公开(公告)日：2023-04-18

申请号：CN201911278227.1

申请日：2019-12-13

Applicant: 南开大学

Inventor： 杨巨峰 ,  翟英杰 ,  范登平

IPC: G06V10/82 ,  G06V10/80 ,  G06V10/46 ,  G06V10/56

Abstract: 本发明公开了一种基于级联改良网络的RGB‑D显著性物体检测方法，属于图像处理技术领域。大多数现有的RGB‑D模型直接聚合来自不同层级的CNN网络的特征，容易引入低层特征所含有的噪声和干扰信息。本发明创造性地提出一种级联改良式的结构，用高层部分的特征生成的显著性图作为掩膜来改良低层部分的特征，然后再通过聚合改良后的低层特征生成最终的显著性图；此外，为了排除深度图的干扰信息，本发明提出一个深度增强模块用于进行深度特征和RGB特征混合前的预处理。本发明用4个评价指标在7个数据集上进行实验，结果表明本发明超越当前所有最先进的RGB‑D显著性物体检测方法。