-
公开(公告)号：CN111860483A
公开(公告)日：2020-10-30
申请号：CN202010702873.2
申请日：2020-07-21
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于海思平台的目标检测方法。首先配置媒体处理平台参数驱动摄像头，采集视频数据，实现数据传递；然后加载模型，配置对应模型所需的参数；之后使用专用的神经网络推导引擎对获得的数据进行前向推理；其次对得到的推理结果进行处理；最后通过HDMI接口输出显示。本发明通过使用海思HI35559AV100芯片内部的NNIE引擎和自带的高效媒体处理功能，使整个检测过程在一块嵌入式板子上进行，对比现有的方法，实现了高效和便携性的要求，更好的发挥了深度学习的优势。
-
公开(公告)号：CN108898564A
公开(公告)日：2018-11-27
申请号：CN201810734434.2
申请日：2018-07-06
Applicant: 中国科学院光电技术研究所
IPC: G06T5/00
Abstract: 本发明公开了一种基于人类视觉模型(HVS)和WLS(Weighted Least Squares)滤波器的高动态范围图像色调映射方法，首先将高动态范围图像转化为亮度通道并取对数和归一化；然后用WLS滤波器进行滤波，得到相应的基本层和细节层；其次对基本层采用ATT算法进行动态范围压缩，细节层采用S曲线进行处理，得到映射后的亮度值；最后剔除异常像素以去除噪声，归一化并且进行颜色校正得到输出的图像。与传统的其他色调映射方法相比，该方法能够保留丰富的细节信息，较高的局部对比度以及整体明暗对比度，无梯度反转和光晕现象，更适合人眼观察或机器进行分析处理。
-
公开(公告)号：CN107392210A
公开(公告)日：2017-11-24
申请号：CN201710566987.7
申请日：2017-07-12
Applicant: 中国科学院光电技术研究所
CPC classification number: G06K9/4642 , G06K9/46 , G06K9/6215 , G06K9/6256 , G06K2009/4666
Abstract: 本发明公开了一种基于TLD的目标检测跟踪方法，包括：(1)在待跟踪视频的起始帧，由用户指定跟踪窗口形成正负样本对检测模块进行初始化训练。(2)在跟踪过程中，检测模块和跟踪模块独立工作：检测模块计算被方差分类器、合并分类器接受的图像块的LBP统计特征向量，并与样本集进行NCC最近邻匹配输出目标位置；跟踪模块采用中值光流法通过上一帧跟踪预测当前帧目标位置。(3)整合模块综合检测模块和跟踪模块进行跟踪结果的输出。并且对当前更新后的目标位置，产生新的正负样本，从而更新检测模块。(4)循环(2)-(3)直至跟踪结束。在公开数据集上进行的对比实验表明，该方法可以在一定程度上提高跟踪的鲁棒性和精度。
-
公开(公告)号：CN104361553B
公开(公告)日：2017-04-12
申请号：CN201410610231.4
申请日：2014-11-02
Applicant: 中国科学院光电技术研究所
IPC: G06T1/20
Abstract: 本发明提供一种提高图形处理器处理效率的同步方法，该同步方法包括：图形处理器当前执行核进入同步后，在图形处理器内建立同步输入向量和同步输出向量；图形处理器更新同步输入向量中的标志；图形处理器对同步输入向量中的标志进行循环查询，当查询到同步输入标记已被更新后，退出循环，更新同步输出向量中的标志；图形处理器循环查询同步输出向量中的标志，当查询到同步输出向量中所有的标志均被更新后，退出循环；当前执行核完成在图形处理器内部的同步。本发明实施例提供的同步方法，实现了图形处理器在执行一个多核处理任务时，直接在图形处理器内部进行快速同步，避免了图形处理器多次返回计算机系统进行加载和同步，从而提高了图形处理器的处理效率。
-
公开(公告)号：CN103400129A
公开(公告)日：2013-11-20
申请号：CN201310307749.6
申请日：2013-07-22
Applicant: 中国科学院光电技术研究所
IPC: G06K9/32
Abstract: 本发明是一种基于频域显著性的目标跟踪方法，包括S1-S4建立方向特征、颜色特征、灰度特征和运动特征图；S5-S6建立并对静态和运动多项式傅立叶变换；S7对幅度谱高斯低通滤波、反傅立叶变换得到静态显著图和运动显著图；S8将对应尺度的静态显著图和运动显著图相乘，得到显著性多尺度检测结果显著图；S9计算显著图的直方图的一维熵函数，提取最小信息熵对应的时域显著图作t时刻最优显著图；S10用t-1和t-2帧显著图的平均权值与t时刻最优显著图的乘积作视觉显著图；S11计算相邻帧视觉显著图的中心位置的差值，判定跟踪是否失败，并记录失败显著图；S12将当前帧视觉显著图与失败显著图对比，判断是否目标回到视野中。
-
Patent Agency Ranking
公开(公告)号：CN102629371A
公开(公告)日：2012-08-08
申请号：CN201210041194.0
申请日：2012-02-22
Applicant: 中国科学院光电技术研究所
Abstract: 本发明提供一种基于实时盲图像复原技术的视频像质改善系统，该系统包括三个部分，分别为输入数据分送器、输出数据组合器和由多个图像复原处理核组成的图像复原处理阵列；每个图像复原处理核，内置三个处理模块并按照图像预处理→图像盲复原→图像后处理的流程实现盲图像复原功能。输入的视频图像序列，通过输入数据分送器划分为多路子序列并送入图像复原处理阵列，然后由单个复原处理核完成一路图像子序列的盲复原计算，最终将多路复原图像子序列经输出数据组合器还原为高像质的视频图像序列。本发明可在一定范围内满足高速成像领域的实时处理需求，显著改善成像质量，且系统集成度高、性能易于扩展升级。
-
公开(公告)号：CN119942145A
公开(公告)日：2025-05-06
申请号：CN202510117002.7
申请日：2025-01-24
Applicant: 中国科学院光电技术研究所
IPC: G06V10/46 , G06V10/24 , G06N3/0464 , G06N3/0455 , G06V10/20 , G06N3/088
Abstract: 本发明公开了一种基于等变性约束和骨架生成的无监督飞机关键点检测方法。所述方法包括对输入图像做随机仿射变换，使用关键点提取网络分别对输入图像和变换后的图像提取关键点，分别得到第一和第二关键点集合；对第一和第二关键点集合施加等变性约束，计算等变性损失；利用第一关键点集合绘制骨架图；对输入图像施加随机掩膜得到结构信息被破坏的图像；对结构信息被破坏的图像施加权重，并与骨架图在通道维度进行拼接，得到拼接后的特征图；将拼接后的特征图送到解码器中，得到重建图像；对输入图像和重建图像施加重建约束，通过最小化总损失函数对网络进行训练，本发明采用无监督学习的方式，不需要人工标注数据集，大幅节省标注成本。
-
公开(公告)号：CN119693419A
公开(公告)日：2025-03-25
申请号：CN202411768898.7
申请日：2024-12-04
Applicant: 中国科学院光电技术研究所
IPC: G06T7/246 , G06T7/223 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于局部响应最大似然建模的目标跟踪方法。首先，选取卷积神经网络主干其次，搭建基于局部响应最大似然建模的模块，包括局部最大似然值提取模块、局部最大似然值修正模块以及局部最大似然值选取模块模型，并选择合适的优化方法与损失函数。在第0帧仅使用初始的模版帧输入作为参照，输入到网络的模板分支得到对应的特征图，将后续帧输入到搜索区域分支得到对应的特征图，将其与第0帧的特征图完成相关性度量，从而将最大响应值的位置作为目标所在的位置。本方法在五个公开跟踪数据集上取得了优异的性能表现，在跟踪速度与精度方面做到了平衡，其推理速度能达到每秒81帧，满足了实际场景的实时性要求，超过同类精度的算法。
-
公开(公告)号：CN112561054B
公开(公告)日：2023-03-31
申请号：CN202011394192.0
申请日：2020-12-03
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于批量特征热图的神经网络滤波器剪枝方法，该方法主要用于减少模型存储量和提升模型推理速度。该方法包括加载并在给定数据集上微调预训练模型；生成模型每一层的批量特征热图；基于灰度阈值得到各滤波器的Mask为滤波器进行评分；对给定数据集进行随机不重复的抽取去更新滤波器的得分；以滤波器的得分为衡量准则实现每层滤波器的剪枝；重训练剪枝后的模型恢复精度等步骤。本发明解决了神经网络模型存储量大、推理速度慢的问题，使得剪枝后的神经网络模型可以在产生极小精度降低的情况下应用于资源受限的场景。
-
公开(公告)号：CN112884037B
公开(公告)日：2022-10-21
申请号：CN202110178314.0
申请日：2021-02-09
Applicant: 中国科学院光电技术研究所
IPC: G06T7/246 , G06T7/73 , G06K9/62 , G06N3/04 , G06N3/08 , G06T3/40 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于模板更新和无锚框方式的目标跟踪方法，主要用于对视频目标进行跟踪，确定目标在视频中的位置和大小。该方法包括对训练数据集进行裁剪；对卷积神经网络的构建和改进；实现基于无锚框和椭圆标注下的预测框回归结构；更新目标模板并进行特征融合以提高模板鲁棒性；使用带距离度量的重叠率回归损失函数提高训练的收敛效果和对目标的拟合程度等步骤。本发明解决了跟踪方法中目标模板随时间逐渐退化，跟踪漂移甚至丢失的问题，使得改进后的网络结构更加鲁棒和稳定，在保持实时跟踪的基础上实现较高精度的跟踪效果。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.034 seconds)
