-
公开(公告)号：CN113012175B
公开(公告)日：2022-10-25
申请号：CN202110278260.5
申请日：2021-03-15
Applicant: 南京理工大学
Abstract: 本发明涉及一种红外图像增强的道路机载场景语义分割方法，将输入图像在送入特征提取器之前，先送入了图像增强模块，得到了图像增强后的大尺度图像，大尺度图像中的小目标尺寸已经在一定程度上被放大和增强，接下来将增强后的图像送入编码模块提取小目标特征，使提取到的特征因为有图像增强模块的存在，不会导致图像中小目标的空间细节丢失甚至消失。图像增强模块通过网络在低分辨率图像和高分辨率图像之间找到最佳的映射函数，映射函数通过基于深度学习的超分辨率重建算法得到，通过映射函数重建图像，实现对图像的增强放大。该道路机载场景语义分割方法通过图像增强的方法，提升目标的原始尺度，增强网络场景理解，提升输出精度。
-
公开(公告)号：CN113052873B
公开(公告)日：2022-09-09
申请号：CN202110278727.6
申请日：2021-03-16
Applicant: 南京理工大学
Abstract: 本发明涉及一种在线自监督学习场景适应的单目标跟踪方法，对于输入待测视频序列Dtest的每一帧图像I：加载SiamFC离线训练得到的匹配模型；对输入图像I经过裁剪缩放得到模板图像z和搜索区域图像x；得到尺寸为22×22×128的模板特征图 和尺寸为22×22×128的搜索区域特征图 将模板特征 看作卷积核，在搜索区域特征 上进行卷积运算，可以得到正向响应得分图scorei；搭建在线自监督学习框架；输出优化后的响应得分图scorei，作为最终响应图response_map。本专利以SiamFC算法为基准，设计了在线自监督学习的场景适应的跟踪网络结构，利用模板自身数据生成标签，构建在线一致性约束，使得离线训练过程中得到的匹配模型更关注于目标区域，增强了模型的匹配性
-
公开(公告)号：CN113052873A
公开(公告)日：2021-06-29
申请号：CN202110278727.6
申请日：2021-03-16
Applicant: 南京理工大学
Abstract: 本发明涉及一种在线自监督学习场景适应的单目标跟踪方法，对于输入待测视频序列Dtest的每一帧图像I：加载SiamFC离线训练得到的匹配模型；对输入图像I经过裁剪缩放得到模板图像z和搜索区域图像x；得到尺寸为22×22×128的模板特征图和尺寸为22×22×128的搜索区域特征图将模板特征看作卷积核，在搜索区域特征上进行卷积运算，可以得到正向响应得分图scorei；搭建在线自监督学习框架；输出优化后的响应得分图scorei，作为最终响应图response_map。本专利以SiamFC算法为基准，设计了在线自监督学习的场景适应的跟踪网络结构，利用模板自身数据生成标签，构建在线一致性约束，使得离线训练过程中得到的匹配模型更关注于目标区域，增强了模型的匹配性能，提升了跟踪定位的精度，获得了良好的跟踪效果。
-
公开(公告)号：CN111080648A
公开(公告)日：2020-04-28
申请号：CN201911215735.5
申请日：2019-12-02
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于残差学习的快速图像分割算法RPNet。将图片送入卷积神经网络得到具有类别信息的分割图片，步骤一：将原始图片进行标记得到标记好的图片，和原始图片构成训练集；步骤二：根据残差特征提取方法和单网络预测结构，构建新型语义分割网络；步骤三：加载训练集，用分段式训练方式训练新型语义分割网络，得到训练好的模型；步骤四：将待分割的图片送入新型语义分割网络，加载训练好的模型，得到分割结果。在加快速度的同时，准确率得到了显著的提升。在加快速度的同时，准确率得到了显著的提升。
-
公开(公告)号：CN111046917A
公开(公告)日：2020-04-21
申请号：CN201911143997.5
申请日：2019-11-20
Applicant: 南京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度神经网络的对象性增强目标检测方法，基于单阶段目标检测网络，在浅层网络使用多尺度融合模块增强特征多尺度信息，并在单阶段目标检测网络中加入对象性估计模块为目标检测的所有预测特征提供对象性先验知识，构建基于深度神经网络的目标检测模型；将训练图像数据输入目标检测模型，利用反向传播算法更新目标检测模型网络参数，直至损失函数值变化量小于设定阈值，得到训练好的目标检测模型；将测试图像数据输入训练好的目标检测模型，得到目标检测结果。本发明加入对象性估计模块，使用对象分布概率图来提高单阶段目标检测的精度；加入多尺度融合模块，使得单阶段目标检测算法对目标的尺度变化更加鲁棒。
-
Patent Agency Ranking
公开(公告)号：CN109785360A
公开(公告)日：2019-05-21
申请号：CN201811548388.3
申请日：2018-12-18
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于在线样本挖掘的自适应实时跟踪方法，利用提取的样本与滤波器卷积得到的最大响应值来判断样本的可用性，减少错误样本的干扰，利用高斯混合模型将样本进行分类来提高样本集的多样性，得到一个高质量、多样性的训练样本集，来避免模型的漂移。不同于大部分基于相关滤波器的跟踪方法采用的每帧都更新的策略，本发明提出一种自适应的模型更新策略，以目标的尺度，位移变化作为模型更新的判断准则，该策略能够保持模型的稳定性防止过拟合。
-
公开(公告)号：CN119205583A
公开(公告)日：2024-12-27
申请号：CN202411724123.X
申请日：2024-11-28
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于红外特征挖掘及跨模态融合的深度补全方法，包括如下步骤：采集红外图像和稀疏深度图，在现有KBnet网络的基础上，增加红外自适应边缘增强及特征提取模块和跨模态特征立体扩散模块。本发明的基于红外特征挖掘及跨模态融合的深度补全方法针对红外图像低对比、低纹理的特点，提出了红外自适应边缘增强与特征提取模块，为补全网络提供更多特征，有助于稀疏深度图像中物体边缘补全的准确性。针对低分辨率红外图像引导高精度点云补全的问题，提出了跨模态特征立体融合模块，加强了跨模态特征融合型性能，能够平滑的填补缺失的深度区域。
-
公开(公告)号：CN113781377B
公开(公告)日：2024-08-13
申请号：CN202111292602.5
申请日：2021-11-03
Applicant: 南京理工大学
IPC: G06T5/50 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/26 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及基于对抗性语义引导与感知的红外和可见光图像融合方法，包括：1.生成融合网络ASGGAN，2.学习优化，利用分割网络作为判别器，分割网络和融合网络形成生成对抗网络关系，分割网络和融合网络在对抗学习的过程中不断优化，3.获取全局性和局部性的GAN网络loss函数，4.加入分割label，加入分割label作为判别器先验优化融合上的空间选择，5.综合评价。本发明利用分割网络来迁移语义信息到图像融合的过程，增强了融合图像的目标显著性；利用U型判别器，保留图像的全局结构特征和局部纹理，使图像拥有自然观感。
-
公开(公告)号：CN117475170B
公开(公告)日：2024-03-22
申请号：CN202311776827.7
申请日：2023-12-22
Applicant: 南京理工大学
IPC: G06V10/44 , G06V10/762 , G06V10/74 , G06F17/11
Abstract: 本发明公开了一种基于FPP的由局部到全局结构引导的高精度点云配准方法，包括如下步骤：利用条纹投影轮廓术得到源点云和目标点云的多模态数据特征；利用多模态数据特征进行点云聚类，得到源点云和目标点云的点云聚类切块，通过特征相似度匹配出对应的节点对，得到源点云与目标点云中局部点云块的对应关系；利用重叠注意力网络模型对源点云与目标点云中具有对应关系的局部点云块进行特征交互；基于对应聚类投票的特征匹配模块对聚类点云对进行特征对应分析，选择置信度高计算位姿矩阵。本发明提出基于FPP数据特性的点云配准框架，采用聚类结构化先验约束网络模型的训练以及推理来实现更高精度和鲁棒性的点云配准。
-
公开(公告)号：CN114581356A
公开(公告)日：2022-06-03
申请号：CN202210496594.4
申请日：2022-05-09
Applicant: 南京理工大学
IPC: G06T5/50
Abstract: 本发明涉及一种基于风格迁移数据增广的图像增强模型泛化方法，属于图像增强模型的泛化技术领域。具体为通过风格迁移算法对原始模拟类静脉数据进行风格迁移处理；将风格迁移处理后的数据集与原始模拟类静脉数据集进行合成，得到风格迁移增广数据集；将风格迁移增广数据集作为图像增强网络的训练集进行训练，得到图像增强网络的泛化模型；将泛化模型在测试集上进行测试，并分析模型泛化效果。本发明基于类静脉风格迁移和随机化风格迁移2种数据增广手段，对图像增强模型实现泛化，以提升模型在真实手背浅表静脉数据测试集上的增强效果，特别是对于“误增强”问题的改善。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.021 seconds)
