-
公开(公告)号：CN116385932A
公开(公告)日：2023-07-04
申请号：CN202310356360.4
申请日：2023-04-06
Applicant: 福州大学
Abstract: 本发明提供了结合卷积和注意力的时空融合视频质量评价方法，包括以下步骤：步骤S1：将视频质量评价数据集中的数据集进行预处理，使其大小一致，并划分训练集和测试集；步骤S2：设计结合卷积和注意力机制的空间特征提取网络；步骤S3：设计结合卷积和注意力的时间特征提取网络；步骤S4：设计基于注意力机制的时空特征融合网络；步骤S5：将视频分别送入设计好的空间特征提取网络和时间特征提取网络进行训练；步骤S6：将所提取的空间特征和时间特征送入时空特征融合网络，训练并保存时空特征融合网络。步骤S7：将测试视频送入空间特征提取网络和时间特征提取网络，然后将时间和空间特征送入时空特征融合网络得到视频的质量评估分数。
-
Patent Agency Ranking
公开(公告)号：CN115797629A
公开(公告)日：2023-03-14
申请号：CN202211502719.6
申请日：2022-11-28
Applicant: 福州大学
IPC: G06V10/26 , G06V10/764 , G06V10/766 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/084
Abstract: 本发明提出一种基于检测增强和多阶段边界框特征细化的实例分割方法，包括以下步骤：对训练集中图像进行包括数据增强和标准化处理的数据预处理；构建解耦分类与回归的双分支目标检测头；构建多阶段细化与增强空间空洞融合模块的实例分割头，利用目标检测头的边界框特征多阶段地对实例分割头的细化过程进行增强；构建基于检测增强和多阶段边界框特征细化的实例分割网络；利用训练集中图像对实例分割网络进行训练，生成实例分割结果并计算损失函数，反向传播优化整个网络的参数，得到训练好的实例分割网络；将待处理图像输入训练好的实例分割网络，得到实例分割结果。该方法能够通过目标检测来提升实例分割的性能，并生成高质量的实例分割掩码。
-
公开(公告)号：CN117893865A
公开(公告)日：2024-04-16
申请号：CN202410050035.X
申请日：2024-01-12
Applicant: 福州大学
IPC: G06V10/80 , G06V10/82 , G06V10/44 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于频率域高低频交叉融合的图像耀斑去除方法。包括：进行数据预处理，得到训练数据集；设计信息采集模块提取耀斑图像频率域高频特征和频率域低频特征；设计信息交互模块对耀斑图像的频率域高频特征和频率域低频特征进行初步交叉融合；设计信息融合模块，深度融合耀斑图像的频率域高频特征和频率域低频特征；设计耀斑去除网络，该网络由信息采集模块、信息交互模块以及信息融合模块组成；设计用于指导所设计网络参数优化的损失函数；使用训练数据集训练耀斑去除网络，得到训练好的基于频率域高低频交叉融合的图像耀斑去除模型；将待测耀斑图像输入训练好的基于频率域高低频交叉融合的图像耀斑去除模型中，预测生成去耀斑图像。
-
公开(公告)号：CN116385932B
公开(公告)日：2025-05-09
申请号：CN202310356360.4
申请日：2023-04-06
Applicant: 福州大学
Abstract: 本发明提供了结合卷积和注意力的时空融合视频质量评价方法，包括以下步骤：步骤S1：将视频质量评价数据集中的数据集进行预处理，使其大小一致，并划分训练集和测试集；步骤S2：设计结合卷积和注意力机制的空间特征提取网络；步骤S3：设计结合卷积和注意力的时间特征提取网络；步骤S4：设计基于注意力机制的时空特征融合网络；步骤S5：将视频分别送入设计好的空间特征提取网络和时间特征提取网络进行训练；步骤S6：将所提取的空间特征和时间特征送入时空特征融合网络，训练并保存时空特征融合网络。步骤S7：将测试视频送入空间特征提取网络和时间特征提取网络，然后将时间和空间特征送入时空特征融合网络得到视频的质量评估分数。
-
公开(公告)号：CN117764875A
公开(公告)日：2024-03-26
申请号：CN202311537621.9
申请日：2023-11-17
Applicant: 福州大学
Abstract: 本发明提出基于耀斑掩码引导和多感受野感知的图像耀斑去除方法，包括以下步骤：步骤S1、收集耀斑图像并进行数据预处理；步骤S2、设计全局特征提取模块，提取耀斑图像全局特征；步骤S3、设计多感受野动态融合模块，该模块采用膨胀卷积模块来提取不同感受野的耀斑图像特征，并采用动态权重融合模块来融合多感受野的耀斑图像特征；步骤S4、设计耀斑去除网络；步骤S5、利用耀斑掩码设计用于指导步骤S4所设计网络参数优化的损失函数；步骤S6、训练耀斑去除网络，得到图像耀斑去除模型；步骤S7、将待测耀斑图像输入图像耀斑去除模型中，预测生成去耀斑图像；本发明能有效去除耀斑图像上的耀斑。
-
公开(公告)号：CN115880176A
公开(公告)日：2023-03-31
申请号：CN202211600609.3
申请日：2022-12-12
Applicant: 福州大学
IPC: G06T5/00 , G06T3/40 , G06N3/08 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/094
Abstract: 本发明提出一种多尺度非成对水下图像增强方法，包括以下步骤：步骤S1：将待训练的非成对数据进行数据预处理、数据增强和归一化处理；步骤S2：设计多尺度水下图像增强网络；步骤S3：搭建循环生成对抗网络结构，与多尺度水下图像质量增强网络结合得到多尺度非成对水下图像增强网络；步骤S4：设计用于训练非成对水下图像增强网络的目标损失函数；步骤S5：使用非成对的图像训练多尺度非成对水下图像增强网络收敛到纳什平衡；步骤S6：将待增强水下图像进行归一化处理，然后输入训练好的水下图像增强模型，输出增强图像。本发明能对水下图像进行增强，运用非成对水下图像进行模型训练，解决水下图像失真问题。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
