-
公开(公告)号：CN118071799B
公开(公告)日：2025-01-28
申请号：CN202410262069.5
申请日：2024-03-07
Applicant: 北京理工大学
IPC: G06T7/246 , G06N3/0464 , G06N3/082 , G06V10/14 , G06V10/774 , G06V10/778 , G06V10/80
Abstract: 本发明公开了一种低光照条件下的多目标追踪方法及系统，该方法包括，利用双相机系统收集成对的低光照视频数据样本；对低光照视频数据样本进行多目标追踪标注得到低光多目标追踪数据集；将低光多目标追踪数据集输入至低光多目标追踪网络模型进行网络训练，以训练得到网络参数；基于网络参数得到训练好的低光多目标追踪网络模型，并利用训练好的低光多目标追踪网络模型对输入的实时低光照视频数据进行低光多目标追踪以得到低光多目标追踪结果。本发明可以在不依赖额外成像设备的条件下，有效提升低光环境下多目标追踪的性能。
-
公开(公告)号：CN119000565A
公开(公告)日：2024-11-22
申请号：CN202411430138.5
申请日：2024-10-14
Applicant: 北京理工大学
IPC: G01N21/25 , G01N21/84 , G06T5/70 , G06T5/60 , G06N3/0464
Abstract: 本发明涉及一种基于本征分解的光谱反射率图像获取方法与系统，属于计算机视觉技术领域。首先进行光谱图像细节梯度提取，生成光谱本征图像的细节梯度信息。然后进行光谱图像邻域自相关性矩阵提取。根据光谱图像细节梯度图像和邻域自相关性矩阵，构建光谱图像本征分解模型，使用自监督学习方法进行迭代优化。系统包括光谱图像细节梯度图像提取子系统、光谱图像邻域自相关性矩阵提取子系统、光谱图像本征分解自监督学习子系统、损失函数计算子系统，以及生成结果评价子系统。本发明通过引入相关细节梯度生成和光谱图像自相关性约束，基于无监督学习，实现了从纯噪声到光谱反射率图像的生成，解决了光谱图像同物异谱、同谱异物等问题。
-
公开(公告)号：CN118960962A
公开(公告)日：2024-11-15
申请号：CN202411430376.6
申请日：2024-10-14
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于退化仿真的干涉光谱成像复原方法及系统，属于遥感图像处理技术领域。在退化建模标定中将干涉成像中的退化元素分为趋势项和噪声，并将退化过程建模为仪器退化、感光退化和信号无关退化三大阶段，采用干涉成像退化模型及相应的模型标定方法，针对特定的仪器提取各个阶段的退化特性和模型参数，生成相应的标定结果，并用于生成高度拟真的干涉数据。在复原过程中，构建一个多阶段的复原算法框架，将退化过程中的趋势项、变换计算等元素和噪声分开处理，同时设计了多阶段仿真数据集生成方法，能够根据标定结果，从光谱数据集生成专用于训练整个算法的、高拟真度的仿真干涉图数据集。本发明实现了效率更高、效果更好的干涉成像复原。
-
公开(公告)号：CN117726807B
公开(公告)日：2024-06-21
申请号：CN202410176677.4
申请日：2024-02-08
Applicant: 北京理工大学
IPC: G06V10/25 , G06V10/22 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/082
Abstract: 本申请提出了一种基于尺度和位置敏感性的红外小目标检测方法及系统，该方法包括：对预设的红外小目标数据集进行预处理，通过多种数据增强技术对红外小目标数据集进行数据增广操作；将增广得到的不同尺度的训练数据输入深度卷积神经网络进行不同尺度的预测，获得多尺度预测结果；对深度卷积神经网络进行训练，获得训练完成的深度卷积检测模型，其中，在训练过程中通过尺度与位置敏感损失函数约束多尺度预测结果；将待检测的目标红外图像输入训练完成的深度卷积检测模型，获得对检测目标的预测结果。该方法通过更轻量化的检测模型，可以精确区分检测目标的尺度和位置，提高了红外小目标检测的精确性。
-
公开(公告)号：CN119000565B
公开(公告)日：2025-01-24
申请号：CN202411430138.5
申请日：2024-10-14
Applicant: 北京理工大学
IPC: G01N21/25 , G01N21/84 , G06T5/70 , G06T5/60 , G06N3/0464
Abstract: 本发明涉及一种基于本征分解的光谱反射率图像获取方法与系统，属于计算机视觉技术领域。首先进行光谱图像细节梯度提取，生成光谱本征图像的细节梯度信息。然后进行光谱图像邻域自相关性矩阵提取。根据光谱图像细节梯度图像和邻域自相关性矩阵，构建光谱图像本征分解模型，使用自监督学习方法进行迭代优化。系统包括光谱图像细节梯度图像提取子系统、光谱图像邻域自相关性矩阵提取子系统、光谱图像本征分解自监督学习子系统、损失函数计算子系统，以及生成结果评价子系统。本发明通过引入相关细节梯度生成和光谱图像自相关性约束，基于无监督学习，实现了从纯噪声到光谱反射率图像的生成，解决了光谱图像同物异谱、同谱异物等问题。
-
Patent Agency Ranking
公开(公告)号：CN119006305A
公开(公告)日：2024-11-22
申请号：CN202411430013.2
申请日：2024-10-14
Applicant: 北京理工大学
Abstract: 本发明提出了平滑掩码引导的高动态范围遥感图像数据合成方法及系统，属于图像信息处理技术领域。本发明针对正常遥感图像数据，通过乘以亮度系数参数来生成过曝图像。针对正常遥感图像数据，通过全元物理量噪声模型和针对传感器标定得到的参数，模拟图像信号处理的逆向过程，将RGB遥感图像逆处理为RAW图像，再调低亮度并使用噪声模型加噪来合成低光带噪数据。本方法提高了数据集质量，使图像增强模型更加适合处理真实高动态范围遥感成像数据，为大规模遥感图像增强任务提供了更接近真实情况的高动态范围遥感图像数据合成方案。
-
公开(公告)号：CN117765264B
公开(公告)日：2024-06-21
申请号：CN202410195602.0
申请日：2024-02-22
Applicant: 北京理工大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于频率自适应膨胀卷积的图像语义分割方法及系统，该方法包括，构建基于频率自适应膨胀卷积的语义分割网络模型；将输入特征图样本输入至语义分割网络模型中进行模型训练，以利用特征频率选择卷积对输入特征图样本的频率进行空间自适应加权得到特征加权结果，并利用自适应膨胀率卷积和自适应核模块分别根据特征加权结果预测膨胀率控制卷积核采样位置以及调制卷积核参数中高低频的比例以得到模型输出结果，得到训练好的语义分割网络模型；将实时输入特征图输入至训练好的语义分割网络模型进行图像语义分割以输出得到图像语义分割结果。本发明可以大幅度提高语义分割模型在特征过程中保留高频细节信息的能力。
-
公开(公告)号：CN117793538A
公开(公告)日：2024-03-29
申请号：CN202410200816.2
申请日：2024-02-23
Applicant: 北京理工大学 , 杭州电子科技大学丽水研究院 , 杭州电子科技大学
Abstract: 本申请提出了一种图像自动曝光矫正与增强方法及装置，该方法包括：根据正常曝光Raw图像数据中的线性关系，构造有监督的异常曝光图像数据集；构建全局亮度调整网络与频率增强重建网络，将异常曝光图像数据集输入全局亮度调整网络，得到亮度矫正图像，将亮度矫正图像输入频率增强重建网络，得到矫正增强图像；基于矫正增强图像与正常曝光Raw图像数据，计算损失值，并基于损失值对其网络模型参数进行优化，得到优化模型；将其他图像输入优化模型得到优化图像，根据图像质量评价指标评价优化图像，得到客观评估指标。基于本申请提出的方案，能够对原始Raw图像数据达到自动曝光矫正与增强的效果，从而应对复杂环境下成像质量低的问题。
-
公开(公告)号：CN117726807A
公开(公告)日：2024-03-19
申请号：CN202410176677.4
申请日：2024-02-08
Applicant: 北京理工大学
IPC: G06V10/25 , G06V10/22 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/082
Abstract: 本申请提出了一种基于尺度和位置敏感性的红外小目标检测方法及系统，该方法包括：对预设的红外小目标数据集进行预处理，通过多种数据增强技术对红外小目标数据集进行数据增广操作；将增广得到的不同尺度的训练数据输入深度卷积神经网络进行不同尺度的预测，获得多尺度预测结果；对深度卷积神经网络进行训练，获得训练完成的深度卷积检测模型，其中，在训练过程中通过尺度与位置敏感损失函数约束多尺度预测结果；将待检测的目标红外图像输入训练完成的深度卷积检测模型，获得对检测目标的预测结果。该方法通过更轻量化的检测模型，可以精确区分检测目标的尺度和位置，提高了红外小目标检测的精确性。
-
公开(公告)号：CN117726542A
公开(公告)日：2024-03-19
申请号：CN202410180240.8
申请日：2024-02-18
Applicant: 北京理工大学
IPC: G06T5/70 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T5/60
Abstract: 本申请提出了一种基于扩散模型的可控噪声去除方法及系统，该方法包括：构建基于潜在扩散模型的拟真噪声建模网络，包括噪声生成网络和相机适配网络；通过包括相机参数以及成对的真实带噪图像和干净图像的训练数据，预训练拟真噪声建模网络；基于扩散模型对预训练完成的相机适配网络进行微调；通过微调后的相机适配网络和预训练后的噪声生成网络生成大量的拟真成对数据，并通过拟真成对数据训练深度学习去噪网络，通过训练完成的深度学习去噪网络对待处理图像进行去噪。该方法能够针对各类相机的特定参数，可控地生成逼近真实噪声分布的成对训练数据集，实现高效的图像噪声去除效果。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.023 seconds)
