-
公开(公告)号：CN112954395A
公开(公告)日：2021-06-11
申请号：CN202110149866.9
申请日：2021-02-03
Applicant: 南开大学
IPC: H04N21/2343 , H04N21/4402 , G06K9/62 , G06N3/04 , G06T7/246
Abstract: 本公开公开的一种可插入任意帧率的视频插帧方法及系统，包括：获取需要插帧的相邻的上一帧图像特征和下一帧图像特征，及插入帧时刻距离上一帧时刻的第一时间间隔信息，插入帧时刻距离下一帧时刻的第二时间间隔信息；将上一帧图像特征、下一帧图像特征和第一时间间隔信息输入时域调制模块控制的第一金字塔级联可变形模块中，输出第一中间帧特征，将上一帧图像特征、下一帧图像特征和第二时间间隔信息输入时域调制模块控制的第二金字塔级联可变形模块中，输出第二中间帧特征，将第一中间帧特征和第二中间帧特征融合获得中间帧特征；根据中间帧特征获得所要插入的中间帧。实现了任意时刻的灵活插帧。
-
公开(公告)号：CN112528900A
公开(公告)日：2021-03-19
申请号：CN202011500724.4
申请日：2020-12-17
Applicant: 南开大学
Abstract: 本申请公开了基于极致下采样的图像显著性物体检测方法及系统，包括：获取待检测的目标图像；将待检测的目标图像，输入到训练后的基于极致下采样的神经网络模型中，输出目标图像中的显著性物体。基于本申请的新极致下采样技术设计了一个极致下采样模块，通过逐渐地更深层次地下采样，使得下采样后提取的特征变得更小和全局化，特征的空间大小逐渐变小直至变成特征向量，从而得到对整个自然图像的显著性物体的全局建模，也使得深度卷积神经网络可以更好地定位显著性物体的位置，从而不易漏检显著性物体，并在此基础上大大提升显著性物体检测的精度。
-
公开(公告)号：CN109285114B
公开(公告)日：2020-12-15
申请号：CN201710602208.4
申请日：2017-07-21
Abstract: 本发明实施例公开了一种图片处理方法及设备，涉及图像处理领域，解决了图像处理模型对待处理图片进行图像处理过程中，图片整体布局被破坏、前景背景不分明的问题。具体方案为：获取待处理图片；根据图像处理模型对待处理图片进行图像处理；其中，图像处理模型由对一个正样本图片和至少两个负样本图片根据损失函数进行训练获得，损失函数的输入参数包括深度损失，深度损失用于表征经过图像处理的图片的深度信息的变化。本发明实施例用于图像风格变换处理或图像超分辨率重建处理的过程。
-
公开(公告)号：CN111598107A
公开(公告)日：2020-08-28
申请号：CN202010303705.6
申请日：2020-04-17
Applicant: 南开大学
Abstract: 本发明公开了一种基于特征动态选择的多任务联合检测方法，属于图像处理技术领域。大多数现有的检测模型都是每个不同的任务独立设计一个不同的模型来分别进行处理，需要花费大量的人工精力。本发明创造性地提出一种基于特征动态选择的多任务联合检测模型，该模型能够根据不同任务的特点自适应且动态地从共享的特征集合中选择各任务合适的特征；此外，该模型能够能够被端到端的训练，并且能够一次计算同时输出得到待检测图像的显著性物体检测结果图像、边缘检测结果图像以及骨架检测结果图像。本方法在一个网络模型中同时并且快速地完成了三种不同的图像处理任务，此方法具有结构简单、参数量小和运行速度快的优点，并且具有良好的检测准确率。
-
公开(公告)号：CN110415184A
公开(公告)日：2019-11-05
申请号：CN201910571058.4
申请日：2019-06-28
Applicant: 南开大学
IPC: G06T5/00
Abstract: 一种基于正交元空间的多模态图像增强方法，属于计算机视觉领域。包括以下特点：1、使用编码-解码器及互信息最优化策略提取高美学质量图像的样式和内容编码；2、将参考图像的样式编码映射到由一组正交基张成的样式元空间中；3、利用自适应的实例标准化模块以及互信息优化的特征解耦方法提高参考图像的样式和内容编码解耦，构建基于编码-解码的生成对抗网络进行模型训练；4、在测试阶段，将任意一张普通图像输入训练好的模型，由内容编码器提取内容编码，同时在样式元空间中随机采样多个样式编码，将内容编码与样式编码融合后，送入生成器得到多模态增强图像。通过本发明可以得到在亮度、对比度、颜色等美学特性方面样式多样的增强图像。
-
Patent Agency Ranking
公开(公告)号：CN109934241A
公开(公告)日：2019-06-25
申请号：CN201910242489.6
申请日：2019-03-28
Applicant: 南开大学
Abstract: 可集成到神经网络架构中的图像多尺度信息特征方法及应用。本发明从更细粒度的层面提升了神经网络的多尺度表达能力。本发明方法将进入提取器的特征图按照通道数量被分成几个特征图子集；然后将各特征图子集的送入依照层级递进的结构排布连接的卷积核组中，完成不同尺度信息的提取；再经过另一个融合卷积层进行信息融合，实现对不同尺度信息的融合。该方法可集成到现有的绝大多数神经网络结构中，大幅提升原有神经网络的性能。此外，基于该方法的神经网络能为包括但不限于图像分类、物体检测、注意力预测、目标跟踪、动作识别、语义分割、显著物体检测和骨架提取等视觉任务提供高质量的语义特征信息。
-
公开(公告)号：CN109871835A
公开(公告)日：2019-06-11
申请号：CN201910235306.8
申请日：2019-03-27
Applicant: 南开大学
IPC: G06K9/00
Abstract: 一种基于互斥正则化技术的人脸识别方法，属于图像处理技术领域，该方法首先将进行筛选和校准后的人脸图像数据集导入模型；利用残差神经网络对输入的图像数据进行特征提取得到特征向量；利用特征向量和分类参数矩阵来计算分类概率得出识别向量；使用A-Softmax损失函数计算识别向量与标注之间的损失差异并将其作为梯度进行反向传播来更新特征提取网络中的参数；计算互斥正则项关于分类参数矩阵的偏导数并利用该偏导数更新分类参数矩阵。本发明同时考虑了类內紧凑性和类间可分性，对开放环境下人脸识别模型的应用更具有实际意义，该方法能够同时实现人脸识别任务下类內数据的密集聚簇和类间数据的离散分布，比以往方法更具实用性和普适性。
-
公开(公告)号：CN117173036A
公开(公告)日：2023-12-05
申请号：CN202310966988.6
申请日：2023-08-02
Applicant: 南开大学
IPC: G06T5/00 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种免标定的RAW图像去噪方法、系统、介质及设备。涉及图像处理技术领域。该方法步骤包括：获取待去噪的RAW图像；给定一个去噪的神经网络，并在神经网络的每一个卷积层的模型内噪声去除模块前添加一个摄像机特定对齐模块分支，得到初步去噪模型；利用虚拟相机对初步去噪模型进行预训练；对预训练后的模型进行微调，其中微调过程为：对预训练后的模型进行微调；对微调后模型的摄像机特定对齐模块分支旁侧添加一个模型外噪声去除模块分支；对模型外噪声去除模块分支进行微调；利用微调后的去噪模型对RAW图像进行去噪处理。本发明通过预训练和微调解耦去噪网络和特定目标相机之间的强连接，实现了更为高效准确的RAW图像去噪。
-
公开(公告)号：CN117079011A
公开(公告)日：2023-11-17
申请号：CN202310883422.7
申请日：2023-07-18
Applicant: 南开大学
IPC: G06V10/764 , G06V10/74 , G06V10/774
Abstract: 本发明公开了基于分布外检测的图像类增量学习方法及系统，其中所述方法，包括：获取待检测图像以及训练后的分类器列表C；取出训练后的分类器列表C中的最后一个分类器，将取出的分类器的输入端与图像特征提取器的输出端连接得到最后一个图像学习模型，将待检测图像输入到最后一个图像学习模型中，输出待检测图像的图像类别，如果待检测图像的图像类别为分布外类别，则采用，列表中的下一个分类器进行分类，如果待检测图像的图像类别为分布内类别，则采用文本特征与图像特征提取器所求的图像特征之间的相似度，对待检测图像的图像类别做出进一步的判断。本发明可以提升分布外检测的性能。
-
公开(公告)号：CN110110780B
公开(公告)日：2023-04-07
申请号：CN201910358002.0
申请日：2019-04-30
Applicant: 南开大学
IPC: G06V10/774 , G06V10/764 , G06V10/82
Abstract: 一种基于对抗神经网络和海量噪声数据的图片分类方法，解决使用深度学习进行图片分类任务时数据不足的问题。该方法将网络图像与标准数据集中的图像同时作为训练数据送入卷积神经网络中，并使用类别标签和来源标签分别表示图像内容上的类别及数据来源；分别计算标签预测损失和来源识别损失得到联合损失，通过最小化联合损失，使网络数据和标准数据的表现趋向于一致。该方法可用于计算机视觉的各种细分类任务中，大量网络数据作为训练数据可以有效地提升卷积神经网络的分类性能。本方法在训练过程中采用对抗策略使得模型对于数据的来源变得不敏感、网络数据与标准数据能够很好地混合在一起。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.031 seconds)
