-
公开(公告)号：CN111640080A
公开(公告)日：2020-09-08
申请号：CN202010506222.6
申请日：2020-06-05
Applicant: 郑州轻工业大学
IPC: G06T5/00
Abstract: 本发明提出了一种基于高光谱全变差的CS图像去噪重建方法，步骤如下：初始化重建图像、迭代索引值和含噪观测值；利用含噪观测值对获得的重建图像进行迭代更新获得估计值；将估计值分别输入到基于l1-范数和HTV的CS重建模型中获得中间重建图像；使用Starlet变换对中间重建图像进行稀疏表示获得Starlet系数；利用新阈值算子和改进BayeShrink阈值对Starlet系数进行去燥滤波获得曲波系数；对曲波系数进行Starlet逆变换，获得重建图像；判断是否满足迭代停止条件，循环迭代。本发明在去除高噪声图像中大部分噪声信息的同时，能够有效保护图像中的细节和纹理等特征信息，且实现简单，鲁棒性较强，有效地解决了高噪声图像的去噪重建问题。
-
公开(公告)号：CN111951297B
公开(公告)日：2022-04-19
申请号：CN202010896415.7
申请日：2020-08-31
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于结构化逐像素目标注意机制的目标跟踪方法，属于目标跟踪技术领域，用于解决传统暹罗跟踪算法为抑制背景利用余弦窗加权作为位置约束的方法无法精确获得目标边界，难以有效提高跟踪鲁棒性的问题。本发明首先建立逐像素目标注意机制，评估像素属于目标的概率，有效地区分目标边界，突出目标区域。同时，利用结构信息解决逐像素干扰，结合互补标签约束，得到结构逐像素目标注意模型，提高最终响应图的置信度，实现更可靠的目标定位。然后通过记忆器评估跟踪结果的置信度，保留高质量的样本更新结构化逐像素目标注意模型，提高模型的表达能力，从而实现更鲁棒性的跟踪性能。
-
公开(公告)号：CN114255182A
公开(公告)日：2022-03-29
申请号：CN202111515665.2
申请日：2021-12-13
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于空间自适应全变差的CS迭代阈值图像去噪重建方法，步骤为：初始化重建图像和初始含噪观测值；对获得的重建图像进行迭代更新获得估计值；基于优化阈值软阈值算子进行轮廓波变换获得去噪估计值轮廓波稀疏系数；将获得的去噪估计值轮廓波稀疏系数输入到基于空间自适应全变差CS重建模型中获得重建图像轮廓波系数；使用基于轮廓波维纳滤波算子进行滤波获得重建图像轮廓波系数；将重建图像轮廓波系数进行轮廓波逆变换获得重建图像。本发明采用基于优化阈值软阈值算子的轮廓波变换进行稀疏变换，不仅能够将图像数据与噪声信息进行有效分离，同时能够有效去除隐藏在图像各层中的噪声信息获得高质量的图像稀疏系数，提高了去噪重建能力。
-
公开(公告)号：CN111951297A
公开(公告)日：2020-11-17
申请号：CN202010896415.7
申请日：2020-08-31
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于结构化逐像素目标注意机制的目标跟踪方法，属于目标跟踪技术领域，用于解决传统暹罗跟踪算法为抑制背景利用余弦窗加权作为位置约束的方法无法精确获得目标边界，难以有效提高跟踪鲁棒性的问题。本发明首先建立逐像素目标注意机制，评估像素属于目标的概率，有效地区分目标边界，突出目标区域。同时，利用结构信息解决逐像素干扰，结合互补标签约束，得到结构逐像素目标注意模型，提高最终响应图的置信度，实现更可靠的目标定位。然后通过记忆器评估跟踪结果的置信度，保留高质量的样本更新结构化逐像素目标注意模型，提高模型的表达能力，从而实现更鲁棒性的跟踪性能。
-
公开(公告)号：CN114255182B
公开(公告)日：2023-05-23
申请号：CN202111515665.2
申请日：2021-12-13
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于空间自适应全变差的CS迭代阈值图像去噪重建方法，步骤为：初始化重建图像和初始含噪观测值；对获得的重建图像进行迭代更新获得估计值；基于优化阈值软阈值算子进行轮廓波变换获得去噪估计值轮廓波稀疏系数；将获得的去噪估计值轮廓波稀疏系数输入到基于空间自适应全变差CS重建模型中获得重建图像轮廓波系数；使用基于轮廓波维纳滤波算子进行滤波获得重建图像轮廓波系数；将重建图像轮廓波系数进行轮廓波逆变换获得重建图像。本发明采用基于优化阈值软阈值算子的轮廓波变换进行稀疏变换，不仅能够将图像数据与噪声信息进行有效分离，同时能够有效去除隐藏在图像各层中的噪声信息获得高质量的图像稀疏系数，提高了去噪重建能力。
-
Patent Agency Ranking
公开(公告)号：CN115272401A
公开(公告)日：2022-11-01
申请号：CN202210530550.9
申请日：2022-05-16
Applicant: 郑州轻工业大学
IPC: G06T7/246 , G06V10/764
Abstract: 本发明提出了一种基于辨别增强记忆与断续时空约束的目标跟踪方法，属于目标跟踪技术领域，用于解决传统暹罗跟踪算法无法适应突变运动目标的形变，难以有效提高跟踪鲁棒性的问题。本发明首先建立辨别增强记忆模型，该模型更新依据多峰样本评估收集的样本集和焦点损失度量，评估跟踪结果属于目标的概率，根据概率值调整跟踪方式。多峰样本评估策略依靠响应图在线收集难分负样本，焦点损失度量使网络训练时更加偏向于学习难分负样本，从内外两个方面提高记忆模型判别力。其次，在跟踪失败时，根据记忆模型响应引导断续时空约束抑制跟踪过程中固定时空约束对目标的干扰，提高最终响应图的置信度，从而实现更鲁棒性的跟踪性能。
-
公开(公告)号：CN111915647A
公开(公告)日：2020-11-10
申请号：CN202010685128.1
申请日：2020-07-16
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种对象标签引导的自适应视频目标跟踪方法，其步骤为：1）采用一个已经训练好的深度特征提取网络对输入的帧与目标的外观进行表征；2）通过深度特征建立深度特征空间采样来维持跟踪器的效率；3）通过区域建议网络获得当前帧的对象信息，并对冗余对象信息进行过滤与选择；4）将对象信息转化为对象标签引导一个Wang-langau蒙特卡洛抽样算法来预测目标下一帧的位置；5）利用自适应更新的目标模板选择性的更新目标信息。本本发明利用对象信息为采样提供了引导，减少总体样本数量，保证了跟踪的效率，增强跟踪方法的在全局的探索能力；通过改进的自适应模板更新机制，减少跟踪框架在面对目标不确定运动时的更新误差，提高跟踪精度。
-
公开(公告)号：CN119691700A
公开(公告)日：2025-03-25
申请号：CN202411860702.7
申请日：2024-12-17
Applicant: 郑州轻工业大学 , 洛阳轴研科技有限公司
IPC: G06F18/27 , G06F18/213 , G06N3/0464 , G06N3/045 , G06F123/02
Abstract: 本发明提出了一种基于3Dformer的机械装备剩余寿命预测方法，包括步骤：S1：构建3Dformer预测模型，包括依次连接的输入数据预处理模块、3D卷积和通道注意力模块、基于序列分解的预测模块；S2：获取机械设备传感器时间序列数据，利用输入数据预处理模块对机械设备传感器时间序列数据进行预处理，获得关于机械设备传感器的3D数据；S3：利用3D卷积和通道注意力模块对关于机械设备传感器的3D数据进行3D卷积操作获取时空特征，并对时空特征进行增强获取增强特征图；S4：利用基于序列分解的预测模块根据增强特征图建模季节成分，基于季节成分进行RUL预测。本发明更准确地捕捉机械设备状态变化的时空特征，从而提高了RUL预测的准确性。
-
公开(公告)号：CN117853944A
公开(公告)日：2024-04-09
申请号：CN202410034236.0
申请日：2024-01-10
Applicant: 郑州轻工业大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明提出了一种基于多重自适应机制的遥感图像飞机检测方法，步骤如下：对遥感数据集中的图像进行预处理，将预处理后的图像分成训练集和测试集；构建目标检测模型：在YOLOX的特征提取主干网络加入感受野自适应空间金字塔池化模块，在多尺度特征金字塔部分中加入自适应卷积多尺度注意特征融合模块；将原来的IoU损失函数替换为Mittag Leffler损失函数，将训练集中图像送入目标检测模型进行训练，得到模型权重参数；将测试集中图像送入目标检测模型并加载训练得到的模型权重参数，以进行性能测试并分析实验结果。本发明能够提高对遥感图像中飞机的检测精度，解决了低质量样本、真实框和预测框之间的几何因素对模型的影响，且加速了模型的收敛过程。
-
公开(公告)号：CN117726903A
公开(公告)日：2024-03-19
申请号：CN202311780752.X
申请日：2023-12-22
Applicant: 郑州轻工业大学
IPC: G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82
Abstract: 本发明提出了一种基于自适应双加权特征网络的输电线路绝缘子检测方法，步骤如下：以目标的尺寸将目标分为三个等级；根据等级选择绝缘子图像，通过数据增强策略扩充图像数量得到数据集，并按比例划分成训练集、测试集和验证集；构建绝缘子检测模型：在颈部网络中增添上下文感知特征提取模块和跨尺度残差感知网络，并利用双加权特征融合网络进行特征融合；用训练集对构建的绝缘子检测模型进行训练，得到绝缘子检测模型的权重参数；分别使用测试集、验证集对训练后的绝缘子检测模型的检测结果进行测试和验证。本发明能够有效地检测绝缘子小目标，同时图像的通道特征和空间特征能够得到有效的保留，有效解决了绝缘子小目标检测效果差的问题。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.018 seconds)
