-
公开(公告)号：CN113538312A
公开(公告)日：2021-10-22
申请号：CN202110829368.9
申请日：2021-07-22
Applicant: 北京工业大学
Abstract: 本发明涉及一种实时低光照图像增强方法、系统、设备及介质，该方法包括：获取低光照基准数据集；设计基于金字塔结构的低光照增强网络；通过低光照基准数据集对低光照增强网络进行训练，得到低光照增强网络模型；采用低光照增强网络模型对低光照图像进行处理，实现图像的实时光照增强。本发明设计的轻量化金字塔结构的低光照增强方法，能够实现具有良好的视觉效果和色彩保真度的图像光照增强，其中深度可分离密集卷积块和多尺度深度可分离密集卷积块在减小模型参数量和计算量的同时，提升了特征提取性能，进而提高低光照增强效果。本发明适用于嵌入式平台的实时低光照增强。
-
公开(公告)号：CN112183203B
公开(公告)日：2024-05-28
申请号：CN202010866848.8
申请日：2020-08-26
Applicant: 北京工业大学
IPC: G06V20/58 , G06V10/764 , G06V10/80 , G06T3/4038 , G06N3/0464 , G06V10/82 , G06N3/047 , G06N3/084 , G06N3/048
Abstract: 一种基于多尺度像素特征融合的实时交通标志检测方法属于深度学习和目标检测领域。首先获取含交通标志的图像并预处理；其次将预处理后的图像输入到MobileNetv2网络进行特征提取；接着将提取到的多尺度特征图输入到像素特征融合模块进行像素重排，拼接生成兼具语义信息与细节信息的融合特征图；然后对融合特征图进行下采样得到六个尺度特征图并输入到高效通道注意力模块，对特征通道按重要程度分配权重；之后将加权的六尺度特征图输入到SSD检测层来预测边界框的位置和对象的类别；最后进行非极大值抑制，得到最优的交通标志检测结果。本发明在检测交通标志图像时能够兼顾实时性与准确性，并具有很强的鲁棒性。
-
公开(公告)号：CN107341776B
公开(公告)日：2021-05-14
申请号：CN201710475747.6
申请日：2017-06-21
Applicant: 北京工业大学
Abstract: 本发明公开一种基于稀疏编码与组合映射的单帧超分辨率重建方法，包括：对初始高分辨训练集图像处理得到扩充后的高分辨率特征块样本和插值后的中高分辨率特征块样本；训练已获得的特征样本，得到字典原子作为聚类中心，以此中心对样本进行聚类；根据不同分辨率之间的对应关系求取每个聚类的映射矩阵；依据训练集的低分辨率图像处理方式，处理输入的低分辨率测试图像，由训练得到的字典原子求取其稀疏系数；将稀疏系数作为权重，以聚类中求得的每一个映射矩阵为一个组合元素，匹配组合得到重建图像所需要的映射关系，以此映射矩阵直接与插值中高分辨率特征块相乘得到高分辨率特征块；并进行去重叠和块融合，添加原低频信息后得到重建高分辨率图像。
-
公开(公告)号：CN119693932A
公开(公告)日：2025-03-25
申请号：CN202411638180.6
申请日：2024-11-16
Applicant: 北京工业大学
IPC: G06V20/64 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于多模态数据融合与3D体素投影的目标检测方法，首先，从RGB图像和深度图像中提取并融合多模态特征；接着，采用特征金字塔网络对多尺度特征进行聚合，并利用真实深度信息将2D特征图精确地映射到3D体素空间中，形成3D体素体积；随后，通过体素特征编码网络提取局部3D特征，并进一步通过3D卷积神经网络提取全局特征。最终，将上述全局特征输入到检测头中，获取最终的目标检测结果。模型在大型公开数据集上进行训练，可以适应特征维度高、结构差异大、分布不均衡的数据，多模态特征的融合能够有效提升3D目标检测的准确度和鲁棒性，适用于物流分拣场景中的物体检测任务。
-
公开(公告)号：CN117422971A
公开(公告)日：2024-01-19
申请号：CN202311262346.4
申请日：2023-09-27
Applicant: 北京工业大学
IPC: G06V10/82 , G01S13/86 , G06V10/80 , G06V10/42 , G06V10/44 , G06N3/0464 , G06N3/0455
Abstract: 本发明提供一种基于跨模态注意力机制融合的双模态目标检测方法与系统包括：获取待检测图像和毫米波雷达数据；对毫米波雷达数据进行预处理；将待检测图像和预处理后的毫米波雷达数据输入训练后的基于跨模态注意力机制融合的双模态目标检测模型中，得到检测结果；其中，基于跨模态注意力机制融合的双模态目标检测模型分别利用基于点云Transformer和稀疏编码卷积的雷达特征提取网络和CSPDarkNet53图像特征提取网络提取雷达特征和图像特征，在PANet输入、输出端不同尺度层级通过跨模态注意力复合特征融合模块融合雷达特征和图像特征，最后将融合特征输入到YOLOv5‑X的检测网络中进行检测并经过NMS处理得到检测结果；在nuScenes数据集下验证了本发明的有效性。
-
Patent Agency Ranking
公开(公告)号：CN114139434A
公开(公告)日：2022-03-04
申请号：CN202111000126.5
申请日：2021-08-26
Applicant: 北京工业大学
Abstract: 本发明提出了一种基于级连神经网络的膜污染多指标辨识方法，其特征在于，该方法考虑不相关输入变量对输出指标的干扰，基于级连结构可以避免不相关变量对输出的影响，并通过分层学习算法调整级连神经网络的参数，实现膜污染多指标的预测，解决了膜污染多指标预测精度不能满足要求的问题，具有较高的预测精度和辨识效果。
-
公开(公告)号：CN110287849B
公开(公告)日：2022-01-07
申请号：CN201910534572.0
申请日：2019-06-20
Applicant: 北京工业大学
Abstract: 一种适用于树莓派的轻量化深度网络图像目标检测方法，属于深度学习和目标检测领域，首先收集含有待检测目标的图像，将收集到的图像进行预处理，用于网络训练；其次将预处理后得到的图像输入到深度可分离扩张卷积神经网络进行特征提取，得到不同分辨率特征图；接着将不同分辨率特征图输入到特征金字塔网络进行特征融合，生成携带更加丰富信息的融合特征图；然后采用检测网络对融合特征图进行待检测目标的分类与定位，最后进行非极大值抑制，得到最优的目标检测结果。本发明克服了基于深度神经网络的图像目标检测方法在树莓派平台上难以实现以及基于轻量化网络的图像目标检测方法在树莓派平台上检测准确率低的困难。
-
公开(公告)号：CN110689499A
公开(公告)日：2020-01-14
申请号：CN201910926607.5
申请日：2019-09-27
Applicant: 北京工业大学
Abstract: 本发明公开一种基于密集扩张卷积自编码对抗网络的人脸图像修复方法，该方法首先对人脸公开数据进行预处理得到人脸数据集；其次构建密集扩张卷积自编码对抗网络；然后利用重建损失预训练密集扩张卷积自编码生成网络，接着交替进行以下训练步骤：①用对抗损失训练双判别网络；②用联合损失训练经过预训练的生成网络；之后得到训练好的密集扩张卷积自编码生成网络，最后将待修复图像输入到此生成网络中，将生成图像与缺损图像进行融合，得到最终修复图像。本发明解决了语义信息缺失严重和大面积随机区域缺失的人脸图像修复难题。
-
公开(公告)号：CN107341776A
公开(公告)日：2017-11-10
申请号：CN201710475747.6
申请日：2017-06-21
Applicant: 北京工业大学
CPC classification number: G06T5/003 , G06K9/6223 , G06T2207/20081
Abstract: 本发明公开一种基于稀疏编码与组合映射的单帧超分辨率重建方法，包括：对初始高分辨训练集图像处理得到扩充后的高分辨率特征块样本和插值后的中高分辨率特征块样本；训练已获得的特征样本，得到字典原子作为聚类中心，以此中心对样本进行聚类；根据不同分辨率之间的对应关系求取每个聚类的映射矩阵；依据训练集的低分辨率图像处理方式，处理输入的低分辨率测试图像，由训练得到的字典原子求取其稀疏系数；将稀疏系数作为权重，以聚类中求得的每一个映射矩阵为一个组合元素，匹配组合得到重建图像所需要的映射关系，以此映射矩阵直接与插值中高分辨率特征块相乘得到高分辨率特征块；并进行去重叠和块融合，添加原低频信息后得到重建高分辨率图像。
-
公开(公告)号：CN119418039A
公开(公告)日：2025-02-11
申请号：CN202411587077.3
申请日：2024-11-08
Applicant: 北京工业大学
IPC: G06V10/25 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0985
Abstract: 本发明的实施例提供了一种基于子空间前景感知的少样本目标检测方法与系统，该方法包括获取支持图像和查询图像；将支持图像和查询图像输入至经训练的基于子空间前景感知的少样本目标检测模型中，得到基于子空间前景感知的少样本目标检测模型输出的目标检测结果，基于子空间前景感知的少样本目标检测模型至少基于双向对比损失函数训练得到，目标检测结果至少包括检测框、目标分类、置信度、回归参数，其中，基于子空间前景感知的少样本目标检测模型用于至少基于前景感知模块、多个基于子空间的特征聚合模块，对查询图像进行目标检测，以得到目标检测结果。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.024 seconds)
