-
公开(公告)号：CN110009657A
公开(公告)日：2019-07-12
申请号：CN201910256180.2
申请日：2019-04-01
Applicant: 南京信息工程大学
Abstract: 本发明提出了一种基于金字塔网络调制的视频目标分割方法，其内容包括：首先，调制模块通过一次单向通道让模型适应分割目标的外观，具体来说，从给定目标的视觉信息和前一帧的空间信息中学习调制参数，以调节分割网络的中间层。其次，金字塔池化模块在分割网络的最后一层中融合不同区域的特征信息，以聚合全局上下文信息。最后，金字塔卷积模块利用层层连接的结构，以在底层尺度中融合高阶语义特征信息，从而得到目标分割图。本发明在调制网络的基础上融合全局信息和高层语义信息，解决了在相机运动，物体变形，实例之间的遮挡和杂乱背景的情况下难以分割特定目标的问题，显著地提高了分割的效率和精度。
-
公开(公告)号：CN109978921A
公开(公告)日：2019-07-05
申请号：CN201910256178.5
申请日：2019-04-01
Applicant: 南京信息工程大学
IPC: G06T7/246
Abstract: 本发明提出了一种基于多层注意力机制的实时视频目标跟踪算法，其步骤为：输入一系列模板图像和搜索图像；构建多层注意力卷积神经网络作为匹配函数；利用相关操作计算模板图像和搜索图像的相似度；再利用逻辑损失函数作为优化的目标函数；采用动量随机梯度下降优化网络参数；卷积网络在线跟踪时固定模型参数，将第一帧目标作为模板输入到网络中，后续帧依次输入网络和第一帧得到的输出进行相关计算，得到一个响应得分图；找到响应图中得分最高的位置就是目标的位置，通过将目标放大到与原图一样的大小就得到跟踪目标。我们提出的多层注意孪生网络跟踪算法，能够有效地利用注意力机制把目标和背景分开，并在目标旋转、形变和部分遮挡的情况下显著地提高了跟踪器的准确性和泛化性。
-
公开(公告)号：CN109102521A
公开(公告)日：2018-12-28
申请号：CN201810647331.2
申请日：2018-06-22
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于并行注意力相关滤波的视频目标跟踪方法，属于图像处理技术领域。将跟踪问题设计为估计一个目标位置的概率，整合空间选择注意力SSA和表观选择注意力ASA，利用Log函数得到目标函数，实现视频目标的持续有效跟踪。首先进行SSA建模，产生一系列的二值图，经滤波获取位置响应图，然后在跟踪目标周围的半局部域采样一系列干扰区域，在相关视频滤波中学习抗干扰距离度量并进行抗干扰度量正则相关滤波，将干扰项推入负域，获取ASA目标图，再通过Log函数得到的目标函数，将在局部域和半局部域中处理的图像相融合对目标进行跟踪。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN109064492A
公开(公告)日：2018-12-21
申请号：CN201810826449.1
申请日：2018-07-25
Applicant: 南京信息工程大学
CPC classification number: G06T7/246 , G06T7/262 , G06T2207/10016 , G06T2207/20056
Abstract: 本发明公开了一种基于流形正则化的上下文相关滤波视频跟踪方法，该相关滤波跟踪方法的基础样本采用中心区域及其周围区域作为正负样本，并在一系列的循环样本中加入流形结构，进行离散傅里叶变换快速计算。本发明提出的一种基于流形正则化的上下文相关滤波视频跟踪方法有效地利用了目标上下文区域间的结构信息，构建了流形正则项来约束目标函数，很好地抑制了混乱背景下的噪声，显著地提高了跟踪算法的精度和稳健性。
-
公开(公告)号：CN109035290A
公开(公告)日：2018-12-18
申请号：CN201810782664.6
申请日：2018-07-16
Applicant: 南京信息工程大学
IPC: G06T7/20
CPC classification number: G06T7/20 , G06T2207/10016 , G06T2207/20024 , G06T2207/20056
Abstract: 本发明公开一种基于高置信度更新补充学习的跟踪算法，属于图像处理领域。首先根据标准相关滤波分类器得到相关滤波响应值，计算相关滤波响应的峰旁比作为响应置信度，若该置信度大于平均阈值则当前帧继续更新相关滤波器，如果小于平均阈值则停止更新滤波器；接着计算出持续不更新的帧数，如果有连续10帧不更新时，则强制更新；最后通过融合颜色补充学习器的响应，得到总响应，响应中最大值的位置即为跟踪结果。本发明显著改善了跟踪算法的鲁棒性，能够有效地区分目标和背景，进而提高跟踪器的精度，在光照剧烈变化和目标场景复杂的情况下显著地提高了跟踪器的稳健性和准确性。具有不受跟踪目标环境变化影响，可有效、准确跟踪到目标物体等优点。
-
Patent Agency Ranking
公开(公告)号：CN107016675A
公开(公告)日：2017-08-04
申请号：CN201710130587.1
申请日：2017-03-07
Applicant: 南京信息工程大学
CPC classification number: G06T2207/10016 , G06T2207/20081
Abstract: 本发明公开了一种基于非局部时空特征学习的无监督视频分割方法，包括获取所需分割的视频序列，利用超像素分割处理视频序列，利用光流进行前后帧信息匹配，根据视频序列相邻帧的信息获取运动目标的范围作为图模型初始化输入，利用全局信息对匹配结果进行优化，建立图模型并利用图割算法求解分割结果，以及视频分割所得运动目标的输出。通过对输入视频中的每一帧图像进行超像素分割可以极大地降低运算的复杂度，而利用非局部时空信息对光流得到的匹配信息进行优化则可以提高分割的鲁棒性，降低噪声的影响。无需任何人工干预，可以完全基于视频图像的自身信息获得较准确的分割结果。
-
公开(公告)号：CN110120064B
公开(公告)日：2023-06-20
申请号：CN201910392629.8
申请日：2019-05-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其步骤为：输入上一帧目标区域及下一帧的搜索区域；初始化特征提取器参数，经过均方误差损失通过梯度下降进行学习特征提取器的参数，将搜索区域通过特征提取器进行提取特征；计算特征的自相关性，通过岭回归封闭解学习到滤波器模板；下一帧通过上一帧推测出的目标位置确定搜索区域，通过设计好的特征提取器进行特征提取，计算目标区域和搜索区域特征的互相关；将其特征与滤波器模板进行相关操作，输出值中最大值就是目标跟踪的最新位置；每一帧都对目标滤波器模板进行学习更新。
-
公开(公告)号：CN107945146B
公开(公告)日：2021-08-03
申请号：CN201711180763.9
申请日：2017-11-23
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种基于深度卷积神经网络的时空卫星图像融合方法。所述基于深度卷积神经网络的时空卫星图像融合方法包括如下步骤：训练阶段：选取对应的Landsat图像和MODIS图像形成Landsat‑MODIS图像对，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像，根据Landsat图像、MODIS图像和LSR Landsat图像的组合进行训练，并分别得到非线性映射CNN网络和超分辨率重建CNN网络；预测阶段：分别选取日期t1和t3的Landsat‑MODIS图像对，基于训练阶段得到的非线性映射CNN网络和超分辨率重建CNN网络，预测位于日期t1和t3之间的日期t2的Landsat预测图像。
-
公开(公告)号：CN109086775B
公开(公告)日：2020-10-27
申请号：CN201810796361.X
申请日：2018-07-19
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种快速流形排序和低秩约束的协同显著性检测方法。首先，通过两阶段的快速流形排序算法为每张图片生成多张协同显著图；然后，基于协同显著图从每张图片分割出一组不同尺度的显著性区域，并通过显著图构建的特征矩阵得到自适应权重，与协同显著图相乘得到融合后的结果；最后，再利用图割法对检测结果作进一步优化。本发明能够有效增强协同显著性物体，并抑制背景和非协同显著区域。
-
公开(公告)号：CN109064497A
公开(公告)日：2018-12-21
申请号：CN201810778141.4
申请日：2018-07-16
Applicant: 南京信息工程大学
CPC classification number: G06T7/277 , G06K9/6218 , G06K9/6268 , G06T7/90 , G06T2207/30232
Abstract: 本发明公开一种基于颜色聚类补充学习的视频跟踪方法，属于图像处理技术领域。包括输入上一帧状态及分类参数、对目标区域颜色聚类、根据聚类中心统计出直方图、计算颜色响应、计算相关滤波响应、颜色响应和相关滤波响应融合、更新分类器参数、输出当前帧状态及分类器参数八个步骤。通过对传统的颜色直方图补充学习跟踪方法进行分析和改进，有效地利用颜色分布的信息，采用聚类和统计颜色直方图手段，学到更有效的颜色聚类补充学习器并与传统的相关滤波学习器相融合，能够有效区分目标和背景，在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下依然可以准确地跟踪目标。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.025 seconds)
