-
公开(公告)号：CN110910391B
公开(公告)日：2023-08-18
申请号：CN201911125917.3
申请日：2019-11-15
Applicant: 安徽大学
Abstract: 本发明提供一种双模块神经网络结构视频对象分割的方法，用来解决视频对象分割过程中由噪声干扰而造成视频对象分割结果不理想的问题。步骤包括：对第一帧图和第一帧的掩模输入变换网络中生成图像对；对每幅图像对进行目标提议框生成，来确定图像对是否为感兴区域；感兴区域添加跟踪器输入到感兴分割网络中训练学习模型并输出；从感兴分割网络最后层卷积输出特征图，分别输入到空间关注模块和通道关注模块；最后将两个关注模块输出的特征图进行融合，经过卷积层操作输出最终的分割掩码结果；本发明在DAVIS视频数据集上取得了较好的分割实验结果。
-
公开(公告)号：CN110874849B
公开(公告)日：2023-04-18
申请号：CN201911088118.3
申请日：2019-11-08
Applicant: 安徽大学
Abstract: 本发明提供一种基于局部变换一致的非刚性点集配准方法，用以解决变形较大的非刚性物体，在配准过程中关节点周围出现的配准结果不理想的问题。为解决该问题，基于非刚性变换相邻节点之间的变换是比较一致的思想，在配准过程中通过计算每一个点的空间变换分别与其K个相邻点的空间变换的差异，令差异最小化实现对非刚性变换的局部约束，保证点集在配准过程中保持着局部结构，提高了关节点周围配准的效果。本发明在一些数据集上取得了较好的配准效果。
-
公开(公告)号：CN115861650A
公开(公告)日：2023-03-28
申请号：CN202211610719.8
申请日：2022-12-14
Applicant: 安徽大学
IPC: G06V10/44 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及计算机视觉技术领域，更具体的，涉及基于注意力机制和联邦学习的阴影检测方法、装置。本发明采用注意力特征融合，根据编码端和解码端深层特征图中的信息生成注意力地图，能够对编码端跳跃连接特征图中的信息是否有利于阴影检测这一目标进行判断，抑制无关特征、增强有效特征，避免重要信息丢失，生成更加精确的解码端特征，进而加强对图像中伪影的识别能力。发明在每轮训练完后进行联邦学习，通过平均同一轮训练的不同数据集模型参数的方法，间接地引入了其他数据集模型提取到的对应特征信息，有效提升模型对其他数据集的测试效果，增强模型的泛化能力，并且也使模型本身的测试效果得到一定的提升。
-
公开(公告)号：CN109840529B
公开(公告)日：2022-12-09
申请号：CN201910102952.7
申请日：2019-02-01
Applicant: 安徽大学
Abstract: 本发明公开了一种基于局部敏感置信度评估的图像匹配方法，包括了以下步骤：步骤1，局部特征提取与预匹配。步骤2，寻找邻居匹配对。步骤3，基于邻居匹配计算投票线并估计真实匹配点的位置。步骤4，定义匹配置信度并进行匹配置信度的评估。步骤5，迭代去除错误匹配与迭代回归正确匹配从而得到最终结果并呈现。有益的技术效果：本发明克服了现有的旨在估算输入图像之间的全局变换或通过全局优化达到匹配解决方案的方法中易出现异常值和容易受到干扰等问题，有效提高了图像匹配的匹配效率和准确性。
-
公开(公告)号：CN115033805A
公开(公告)日：2022-09-09
申请号：CN202210676391.3
申请日：2022-06-15
IPC: G06F16/9536 , G06F16/9535 , G06Q50/20
Abstract: 本发明属于数据分析领域，具体涉及一种学前儿童图画书智能推荐方法、图画书管理系统及其阅读设备。该推荐方法根据收录的所有用户个人信息和阅读记录，向当前用户推荐合适且满足当前用户喜好的新书；推荐方法包括如下步骤：S1：获取当前用户已经看过或分享过的所有图画书及其评分记录，得到已看列表和评分表；S2：获取所有相似用户已经看过或分享过的所有图画书及其评分记录，得到参考列表和评分表；S3：构造标签相似度矩阵；S4：生成用户偏好度矩阵；S5：计算出当前用户对参考列表中每本图画书的最终偏好分；S6：对参考列表进行重新排序，得到推荐书袋。本发明解决了现有图画书推荐方法不适用于进行学前儿童读物推荐的问题。
-
Patent Agency Ranking
公开(公告)号：CN109035196B
公开(公告)日：2022-07-05
申请号：CN201810498275.0
申请日：2018-05-22
Applicant: 安徽大学
Abstract: 针对清晰的纹理平坦区域由于缺乏高频信息，而容易被误检成模糊区域的问题，本发明提出了一基于显著性的图像局部模糊检测方法：将代表图像变换域特征的奇异值向量，反映图像高频信息的局部极值点与熵加权的池化DCT高频系数(HiFST系数)相结合，这两种类型的特征值相互补充，得到更好的特征向量，将得到的混合特征向量输入到BP神经网络进行训练得到模型后，通过预测得到初步结果，再与图像显著性检测相结合，通过图像的显著性约束得到进一步的检测结果，并通过双边滤波优化边缘信息得到最终的结果。在一个公开的大型数据集上进行的定性定量实验结果表明，本方法具有很好的模糊检测效果。
-
公开(公告)号：CN110910391A
公开(公告)日：2020-03-24
申请号：CN201911125917.3
申请日：2019-11-15
Applicant: 安徽大学
Abstract: 本发明提供一种双模块神经网络结构视频对象分割的方法，用来解决视频对象分割过程中由噪声干扰而造成视频对象分割结果不理想的问题。步骤包括：对第一帧图和第一帧的掩模输入变换网络中生成图像对；对每幅图像对进行目标提议框生成，来确定图像对是否为感兴区域；感兴区域添加跟踪器输入到感兴分割网络中训练学习模型并输出；从感兴分割网络最后层卷积输出特征图，分别输入到空间关注模块和通道关注模块；最后将两个关注模块输出的特征图进行融合，经过卷积层操作输出最终的分割掩码结果；本发明在DAVIS视频数据集上取得了较好的分割实验结果。
-
公开(公告)号：CN110889813A
公开(公告)日：2020-03-17
申请号：CN201911125919.2
申请日：2019-11-15
Applicant: 安徽大学
Abstract: 为了克服背景技术的不足，本发明提出一种端到端的两阶段的神经网络模型来融合低光和红外信息增强图像，以到达增强低光图片的目的。首先，我们发现低光图片，由于光线较低造成局部信息丢失，单纯的增强低光图片，无法补充丢失的信息。受此问题的启发，我们考虑结合低光下红外图像，两个状态下的信息相互补充。整个模型中，我们在第一阶段对图像像素不为零区域，进行亮度和对比度提升。在网络的第二部分运用前景关注模块，重建缺失区域的图像，以此最终获得完整的亮图像。有益的技术效果：相比其他算法，本发明的算法引入了红外信息，在局部低光的情况下，恢复出了更多的细节，增强的图像整体更加的自然，且算法能处理更暗的图像。
-
公开(公告)号：CN108805897A
公开(公告)日：2018-11-13
申请号：CN201810498273.1
申请日：2018-05-22
Applicant: 安徽大学
CPC classification number: G06T7/215 , G06T7/194 , G06T7/254 , G06T2207/10016
Abstract: 针对经典的VIBE前景提取算法当输入的第一帧含有运动目标时后续检测就会出现“鬼影”现象、像素判别时模型中的固定半径在复杂场景检测效果不佳等问题，本发明提供一种改进的运动目标检测VIBE算法，区分静止区域是“鬼影”区域还是静止目标，并描述当前像素与背景模型中样本之间的差异程度，且在像素判别时根据描述字来动态调整判别模型中半径的大小，使得在场景变化程度较小时有更多的前景点被检测出，变化程度较大时能够阻止波动较小的像素点被检测为前景点，减少检测结果中的噪声。有益的技术效果：与原始的VIBE算法相比较，本发明能够在更少的帧数内去除“鬼影”，并使得检测出的运动目标更为准确。
-
公开(公告)号：CN120032148A
公开(公告)日：2025-05-23
申请号：CN202510117697.9
申请日：2025-01-24
Applicant: 安徽大学
IPC: G06V10/75 , G06V10/771 , G06V10/44 , G06V10/42 , G06V10/82 , G06N3/0464 , G06N3/0455
Abstract: 本发明涉及计算机视觉处理技术领域，具体涉及基于上下文感知网络的双视图匹配对优化方法及装置。本发明设计了一种基于全局和局部相结合的上下文感知网络，并将其用来对原始双视图匹配对集进行优化；其中，本发明先采用映射层将原始双视图匹配对集映射到高维空间得到高维特征集，再通过局部特征重建层对高维特征集进行初步增强和筛选以得到局部特征，之后经过N个全局特征更新层进行多轮更新全局特征处理以输出最终的概率集；最终的概率集准确率高，可准确筛选出正确的点匹配对，实现对原始双视图匹配对集的优化。经过仿真对比，本发明相较于现有方法，显著提升了优化效果。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.024 seconds)
