-
公开(公告)号：CN117196960B
公开(公告)日：2024-03-01
申请号：CN202311475299.1
申请日：2023-11-08
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种全尺度特征细化轻量级图像超分辨率方法及装置，涉及图像处理领域，该方法包括：构建全尺度特征细化轻量级图像超分辨率模型并训练，得到经训练的全尺度特征细化轻量级图像超分辨率模型，将低分辨率图像输入经训练的全尺度特征细化轻量级图像超分辨率模型，先经过第一卷积层得到第一特征图，第一特征图经过串联的K个特征蒸馏提取模块，每一个特征蒸馏提取模块的输出均传送至第二卷积层，并经过第三卷积层，得到第二特征图，第二特征图与第一特征图相加，得到最终特征图，最终特征图输入上采样模块，重建得到高分辨率图
-
公开(公告)号：CN117173025B
公开(公告)日：2024-03-01
申请号：CN202311437434.3
申请日：2023-11-01
Applicant: 华侨大学
IPC: G06T3/4053 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44 , G06V10/80
Abstract: 本发明公开了基于跨层混合注意力Transformer的单帧图像超分辨率方法及系统，涉及图像超分辨率领域，方法包括：提取低分辨率图像的浅层特征；采用多级混合注意力模块对浅层特征进行多次深层特征提取，保留每一级混合注意力模块的输出作为中间特征图，最后一级混合注意力模块的输出作为第一关联特征；捕捉各级中间特征图的多尺度上下文信息，得到第二关联特征；捕捉各级中间特征图之间的通道依赖关系，得到第三关联特征；对第一关联特征、第二关联特征和第三关联特征进行特征融合，得到深层全局特征；对深层全局特征进行上采样，得到重建的高分辨率图像。本发明提升了超分辨率中的图像信息利用率和细节重建能力，增强了全局特征表达能力。
-
公开(公告)号：CN116596764B
公开(公告)日：2023-10-31
申请号：CN202310871402.8
申请日：2023-07-17
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44
Abstract: 本发明涉及图像处理技术领域，公开了一种基于Transformer与卷积交互的轻量级图像超分辨率方法，包括以下步骤：S1，构建跨通道Transformer模块与高效局部特征提取模块；S2，构建反转U型网络模块；S3，构建全局特征提炼模块；S4，将反转U型网络模块与全局特征提炼模块组合起来，构建基于Transformer与卷积交互的轻量级超分辨率网络；网络输入低分辨率图像，输出高分辨率的重建图像。本发明使用较少参数与计算量，同时拥有更优的重建效果；通过Transformer与卷积的交互，兼顾图像的全局与局部细节；反转U型网络模块先在编码器阶段将关键信息转移至特征图维度上，再在解码器阶段将关键信息返回至通道维度中，以实现低资源耗费来融合多阶段信息的目的。
-
公开(公告)号：CN116740142A
公开(公告)日：2023-09-12
申请号：CN202310741844.0
申请日：2023-06-21
Applicant: 华侨大学
Abstract: 本发明公开了一种轨迹注意力目标跟踪方法、装置及可读介质，通过特征提取网络分别对历史帧及其前景‑背景掩膜图和查询帧进行特征提取，得到历史特征图、前景‑背景掩膜特征图和查询特征图；空间注意力模块用于结合历史特征图、前景‑背景掩膜特征图和查询特征图匹配目标特征，并利用目标聚焦策略建立空间依赖关系，得到附有空间权重的历史特征图，时序注意力模块用于对时序交互后的时序响应图进行时序信息交互，得到时序交互后的时序响应图，通道融合模块用于对时序交互后的时序响应图与查询特征图进行融合，得到目标响应图；将目标响应图输入头网络预测得到目标的位置和边界框。本发明可避免空间冗余信息的干扰，有效提升辨别能力。
-
公开(公告)号：CN116721091A
公开(公告)日：2023-09-08
申请号：CN202310744289.7
申请日：2023-06-21
Applicant: 华侨大学
Abstract: 本发明公开了一种布匹瑕疵检测方法、装置及可读介质，通过获取待检测的布匹图像和模板图像；构建改进的Yolov5s网络并训练，得到布匹瑕疵检测模型，改进的Yolov5s网络包括主干特征提取网络、颈部特征融合网络和头部预测网络，主干特征提取网络采用CSPDarkNet，颈部特征融合网络包括特征过滤金字塔网络和融合卷积块注意力模块的路径聚合网络，在训练过程中采用多类聚焦置信度损失函数代替交叉熵置信度损失函数；将待检测的布匹图像和模板图像输入布匹瑕疵检测模型，得到布匹检测结果。该方法关注实际布匹瑕疵检测中存在的瑕疵种类分布不均、不同瑕疵的检测难易程度不同等问题，通过对冗余背景特征的过滤与关键前景特征的提纯，降低网络复杂度，提高检测精度和效率。
-
Patent Agency Ranking
公开(公告)号：CN116596764A
公开(公告)日：2023-08-15
申请号：CN202310871402.8
申请日：2023-07-17
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44
Abstract: 本发明涉及图像处理技术领域，公开了一种基于Transformer与卷积交互的轻量级图像超分辨率方法，包括以下步骤：S1，构建跨通道Transformer模块与高效局部特征提取模块；S2，构建反转U型网络模块；S3，构建全局特征提炼模块；S4，将反转U型网络模块与全局特征提炼模块组合起来，构建基于Transformer与卷积交互的轻量级超分辨率网络；网络输入低分辨率图像，输出高分辨率的重建图像。本发明使用较少参数与计算量，同时拥有更优的重建效果；通过Transformer与卷积的交互，兼顾图像的全局与局部细节；反转U型网络模块先在编码器阶段将关键信息转移至特征图维度上，再在解码器阶段将关键信息返回至通道维度中，以实现低资源耗费来融合多阶段信息的目的。
-
公开(公告)号：CN115115983A
公开(公告)日：2022-09-27
申请号：CN202210724179.X
申请日：2022-06-24
Applicant: 华侨大学
Abstract: 本发明公开一种基于时空稀疏字典的全参考屏幕视频质量评价方法及系统，包括：将输入参考和失真屏幕视频进行预处理分割成屏幕视频块；采用两种不同尺度的3D‑DOG滤波器对输入训练数据进行预处理，基于K‑TSVD模型训练两个不同尺度的稀疏字典；使用所得两种不同尺度的稀疏字典进行特征提取；基于提取到的特征计算参考和失真屏幕视频的相似度；采用时空池化策略计算屏幕视频对应的质量分数。本发明符合人类视觉系统主观感知和屏幕视频特点，具有较好的屏幕视频质量评价效果。
-
公开(公告)号：CN111612695A
公开(公告)日：2020-09-01
申请号：CN202010424455.1
申请日：2020-05-19
Applicant: 华侨大学
Abstract: 本发明提供了图像处理领域的一种低分辨率人脸图像超分辨重建方法，包括：步骤S10、采用多级离散小波变换对低分辨率人脸图像进行分解，得到子图像；步骤S20、将各所述子图像输入卷积模块，提取各所述子图像间的第一关联特征；步骤S30、利用二阶注意力机制对所述第一关联特征进行强化学习，得到第二关联特征；步骤S40、通过非局部自相似模块增强所述第二关联特征的残差特征，得到第三关联特征；步骤S50、将所述第三关联特征进行逆小波变换，得到重建的第一人脸图像；步骤S60、创建一损失函数，利用所述损失函数对第一人脸图像的空间域以及小波域进行双重约束，得到重建的第二人脸图像。本发明的优点在于：极大的提升了低分辨率人脸图像重建质量。
-
公开(公告)号：CN111046787A
公开(公告)日：2020-04-21
申请号：CN201911257993.X
申请日：2019-12-10
Applicant: 华侨大学
Abstract: 本发明提供一种基于改进YOLO v3模型的行人检测方法包括：选取训练样本；对样本进行K-means值聚类计算，获得新的anchors值，将新的anchors值替换原始YOLO v3模型中的数据集参数；引入inception模块，并将inception模块进行裁剪优化，得到改进后的YOLO v3模型；使用改进后的YOLO v3模型对行人进行检测，得到检测结果；克服原有YOLO v3模型提取的特征过于单一的问题，提高行人检测的精度。
-
公开(公告)号：CN119579415A
公开(公告)日：2025-03-07
申请号：CN202510106199.4
申请日：2025-01-23
Applicant: 华侨大学
IPC: G06T3/4076 , G06N3/0464 , G06T3/4046 , G06T5/60 , G06T5/70 , G06T5/77
Abstract: 本发明公开了一种基于残差预测的扩散模型的人脸图像超分辨率方法及装置，涉及图像超分辨率领域，包括：获取待重建的低分辨率图像；构建基于残差预测的扩散模型和条件噪声预测器并训练，得到经训练的扩散模型和经训练的条件噪声预测器；从标准高斯分布中采样高斯噪声作为残差噪声图像，将待重建的低分辨率图像、每一步的残差噪声图像和对应步长输入到经训练的条件噪声预测器，预测得到每一步的预测噪声，并通过经训练的扩散模型中的反向去噪网络迭代执行T步的去噪过程，得到复原残差图像；将复原残差图像与上采样的待重建的低分辨率图像相加，得到复原高分辨率图像。本发明解决了现有的图像超分辨率方法的生成过程复杂且对细节的恢复有限的问题。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.036 seconds)
