-
公开(公告)号：CN119048889A
公开(公告)日：2024-11-29
申请号：CN202411127983.5
申请日：2024-08-16
Applicant: 厦门大学
IPC: G06V10/98 , G06V10/82 , G06V10/74 , G06N3/0455 , G06N3/042 , G06N3/0895
Abstract: 本发明公开一种基于HVS的上下文对比和局部敏感特性的无参考图像质量评估方法、电子设备和存储介质，解决现有技术中存在的缺少全面模拟人类质量感知的缺陷而导致评价精度较低问题，能够更精确地模拟人类感知过程，提高图像质量评估的精度。该评估方法，包括以下步骤：步骤1、构建网络模型，该网络模型包括以Transformer为主干网路预训练的BIQA教师模型、与教师模型具有相同主干网络的BIQA学生模型；步骤2、给定用于图像质量评估的训练数据集，对网络模型进行训练；步骤3、将待评估图像输入训练后的网络模型，由网络模型输出预测的分数结果。
-
公开(公告)号：CN118247607A
公开(公告)日：2024-06-25
申请号：CN202410658185.9
申请日：2024-05-27
Applicant: 厦门大学
IPC: G06V10/774 , G06V10/82 , G06N3/0895
Abstract: 本发明公开一种基于双旋转局部不一致性学习的半监督伪装目标检测方法，针对于“伪装目标数据的像素级标注耗时耗力，半监督学习提供了潜在解决方案，但是直接将成功的半监督范式迁移到伪装目标检测任务上，面临伪标签存在局部性噪声的问题，即同一伪标签内不同区域噪声程度不同，直接用带噪声伪标签进行监督会损害模型性能”的问题，基于经典的半监督学习教师‑学生范式，同时提出了一种新颖的双旋转局部不一致性学习。双旋转局部不一致性学习通过不同旋转视图的局部预测不一致对同一伪标签不同区域赋予不同权重来缓解局部噪声问题，帮助模型自适应调整不同质量伪标签的贡献，使伪装目标检测模型获得充分监督的同时，避免确认偏差。
-
公开(公告)号：CN116912219A
公开(公告)日：2023-10-20
申请号：CN202310902071.X
申请日：2023-07-21
Applicant: 厦门大学
IPC: G06T7/00 , G06N3/082 , G06N3/0495 , G06N3/048 , G06N3/0464 , G06N3/045
Abstract: 一种基于知识蒸馏的无参考图像质量评价方法，属于计算机视觉领域。图像质量评估是对图像质量进行评估的过程。该方法利用特征蒸馏将非对称参考图像的信息引入到失真图像当中，并利用可学习的中间层来实现模型输出蒸馏，其蒸馏过程包含三个新颖的准则：1.随机掩码的特征蒸馏；2.可学习的模型输出蒸馏；3.局部特征和语义特征增强。基于该三个新颖的准则改进基于知识蒸馏的网络结构，使之适应图像质量评价的任务，有效弥补已有的图像质量评价网络结构在基于无参考图像的质量评价缺少比较知识，性能不足的缺陷。
-
公开(公告)号：CN119417699A
公开(公告)日：2025-02-11
申请号：CN202411442824.4
申请日：2024-10-16
Applicant: 厦门大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/045 , G06N3/09 , G06N3/0475 , G06N3/094 , G06N3/096 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/048
Abstract: 本发明公开一种通过双域学习网络增强单图像超分辨率的方法、电子设备和存储介质，解决现有技术中在重建细节和纹理方面不足的问题，能够综合频率域和空间域信息，改进从低分辨率图像到高分辨率图像的重建质量。该方法包括：1、将一个低分辨率图像输入包含多个双域学习块的双域学习网络，通过多个双域学习块处理，生成两个超分辨率图像输出：一个是频率域输出，一个是空间域输出；步骤2、引入复数卷积鉴别器和交叉模态蒸馏损失以增强双域学习网络的性能，具体是：复数卷积鉴别器用于处理将图像从HSV色彩空间转换为复数形式的数据；交叉模态蒸馏损失作为损失函数，在模型训练过程中引导频率域和空间域输出的有效融合。
-
公开(公告)号：CN118229633A
公开(公告)日：2024-06-21
申请号：CN202410298833.4
申请日：2024-03-15
Applicant: 厦门大学
IPC: G06T7/00 , G06V10/46 , G06V10/774
Abstract: 本发明提供了计算机视觉技术领域的一种基于局部流形学习的无参考图像质量评估方法，包括：步骤S1、对教师模型、学生模型进行初始化；步骤S2、获取训练图像并裁剪得到训练子图像；步骤S3、将训练图像输入教师模型得到注意力图，基于注意力图获取训练图像的视觉显著区域图；步骤S4、将训练子图像、视觉显著区域图输入学生模型得到子图像特征、显著区域特征；步骤S5、对各特征进行局部流形学习并计算对比损失，将训练子图像输入学生模型计算标签损失；步骤S6、基于对比损失值、标签损失值计算总损失值来更新学生模型，基于EMA算法更新教师模型；步骤S7、利用学生模型进行图像质量评估。本发明的优点在于：极大的提升了图像质量评估的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117593296A
公开(公告)日：2024-02-23
申请号：CN202410070380.X
申请日：2024-01-18
Applicant: 厦门大学
IPC: G06T7/00 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了计算机视觉技术领域的一种基于扩散模型的无参考图像质量评价方法，包括如下步骤：步骤S1、基于BIQA教师模块、BIQA学生模块、特征融合模块、噪声适配模块以及输出模块创建一图像质量评价模型；所述BIQA教师模块以CLIP模型为主干网络；所述BIQA学生模块以Transformer模型为主干网络；步骤S2、获取大量的图像，对各所述图像进行预处理并构建图像数据集；步骤S3、利用所述图像数据集对图像质量评价模型进行训练；步骤S4、利用训练后的所述图像质量评价模型进行图像质量评价。本发明的优点在于：极大的提升了无参考图像质量评价精度。
-
公开(公告)号：CN117115121B
公开(公告)日：2025-05-13
申请号：CN202311121777.9
申请日：2023-09-01
Applicant: 厦门大学
IPC: G06T7/00
Abstract: 基于蒸馏学习和增量学习半监督无参考图像质量评估方法，属于计算机视觉技术领域。无参考图像质量评估旨在模拟人类对图像失真的评估，对标记数据有很大的需求，但标记数据在实践中远远不够。本发明提出一个统一的半监督和增量学习框架来解决上述问题。当训练数据不足时，需要半监督学习来推断大量未标记的数据。同时，多次的半监督学习很容易导致灾难性遗忘问题，需要增量学习。使用知识蒸馏为未标记的数据提供伪标签，以保持分析能力，从而实现半监督学习。同时，通过在多次半监督学习过程中选择具有代表性的例子，利用增量学习来修正先前的数据，从而确保本发明的模型不会退化。本发明展示其解决实际生产中图像质量评估问题的潜力。
-
公开(公告)号：CN119762852A
公开(公告)日：2025-04-04
申请号：CN202411811497.5
申请日：2024-12-10
Applicant: 厦门大学
IPC: G06V10/764 , G06V10/82 , G06V10/776 , G06N3/0455 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于重校准注意力的工业异常检测方法，包括以下步骤：S1、构建工业异常检测模型，并对工业异常检测模型进行初始化；所述工业异常检测模型由教师模型、学生模型和自动编码器组成；S2、采用层级异常评分模块HSQ对工业异常检测模型中网络每层的异常判断能力进行评估，根据异常识别能力给各层分配相应的量化比特宽度，再逐层对工业异常检测模型进行训练后量化；S3、对学生模型和自动编码器进行微调训练；S4、采用微调训练后的工业异常检测模型进行工业异常检测；该方法系统地分解和重新校准注意力图，提高了模型的泛化能力和异常检测精度，具有显著的实用价值和应用前景。
-
公开(公告)号：CN119316586A
公开(公告)日：2025-01-14
申请号：CN202411189113.0
申请日：2024-08-28
Applicant: 厦门大学
Abstract: 本发明公开了一种基于视觉语言模型的少样本图像质量评估方法及装置，涉及图像质量评估技术领域。本发明通过引入梯度调节元提示图像质量评估(GRMP‑IQA)，先通过元提示预训练采用双层梯度优化过程合并来自各种图像失真的元知识，从而用于细化文本和视觉提示的初始化，增强了CLIP模型对IQA任务的适应能力，降低了提示初始化对各种IQA场景的敏感性；然后通过质量感知梯度正则化纠正视觉‑语言模型(CLIP)过度关注语义内容而引入的偏差，确保对图像质量进行更准确的评估，使预训练的CLIP模型适应具有少量训练样本的BIQA任务。
-
公开(公告)号：CN118446963A
公开(公告)日：2024-08-06
申请号：CN202410427394.2
申请日：2024-04-10
Applicant: 厦门大学
IPC: G06T7/00 , G06T7/11 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于空间异构失真感知的无参考图像质量评价方法，涉及图像质量评估技术领域。所述方法包括将输入图像分割成图像块并随机构建空间异构失真生成退化图像；将输入图像和退化图像分别输入学生编码器和教师编码器提取输入图像块失真特征以及退化图像块失真特征，然后送入失真感知知识蒸馏模块通过对比知识蒸馏模块和亲和知识蒸馏模块将输入图像块失真特征与退化图像块失真特征进行交互；构建整体损失函数完成模型训练后，将待评价图像分割成图像块，采用训练好的学生编码器作为失真感知编码器提取特征，再通过解码器解码，通过质量感知适应头计算质量分数。本发明实现了通过分析局部失真块来评估图像质量。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.018 seconds)
