-
公开(公告)号：CN109544605A
公开(公告)日：2019-03-29
申请号：CN201810497909.0
申请日：2018-05-23
Applicant: 安徽大学
IPC: G06T7/277
Abstract: 目前的移动阴影检测算法检测结果不够理想的问题，本发明提供基于时空关系建模的移动阴影检测方法，该方法利用HSV颜色空间和LBP纹理特征相结合的阴影特征，在阴影区域两步预检测的基础上，通过计算区域阴影程度的似然概率和其在帧内相邻域基于阴影特征两步特征分项比较和帧间相邻区域基于区域面积加权相结合得到的先验概率，实现基于马尔可夫随机场的迭代优化式阴影区域分割求解。实验结果表明，对于视频中移动阴影的检测，该方法有很好的效果。
-
公开(公告)号：CN114067057B
公开(公告)日：2025-05-23
申请号：CN202111382077.6
申请日：2021-11-22
Applicant: 安徽大学
IPC: G06T17/00 , G06N3/0464 , G06N3/08
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于注意力机制的人体重建方法、模型、装置。该重建方法包括如下步骤：步骤一：构建一个人体重建网络模型，所述人体重建网络模型包括特征提取模块、注意力模块、融合模块、参数推断模块和SMPL子模块；步骤二、获取多个包含人物的原始图像，对原始图像进行预处理进而构成训练数据集；步骤三、利用上步骤的训练数据集，通过最小化网络损失函数对所述人体重建网络模型进行训练；步骤四、将待处理的人体图像经过预处理后输入到完成训练的网络模型中，生成具有特定姿态的人体三维模型。本发明解决了现有方法难以根据存在遮挡的单幅人体图像，准确重建出具有准确姿势和形态的三维人体模型的问题。
-
公开(公告)号：CN118411535A
公开(公告)日：2024-07-30
申请号：CN202410477468.3
申请日：2024-04-19
Applicant: 安徽大学
IPC: G06V10/74 , G06V10/776 , G06N3/0895 , G06N3/084
Abstract: 本发明涉及图像匹配技术领域，更具体的，涉及基于半监督深度学习的双视角图像匹配方法及系统。本发明使用无监督训练模型对待匹配的目标图像对进行匹配；其中，在模型训练时引入了无监督数据，降低了对数据的要求，也简化了数据获取难度；在模型训练时设计了合理的损失函数，能够使模型从无监督数据中获取更多潜在的有效信息，并增强模型的训练效果、提升测试结果指标。本发明解决了现有解决双视角图像匹配问题的深度学习方法由于使用全监督学习框架而存在数据获取难度较高、训练结果和测试表现不佳的问题。
-
公开(公告)号：CN115880317A
公开(公告)日：2023-03-31
申请号：CN202211697131.0
申请日：2022-12-28
Applicant: 安徽大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06T7/11 , G06T7/00 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于医学影像处理领域，具体涉及一种基于多分支特征融合精炼的医学图像分割方法、系统、装置。该医学图像分割方法包括如下步骤：S1：通过PVT和ResNext101模型对医学图像进行特征提取；S2：将每一个对应层的两个特征进行融合得到融合特征；S3：充分挖掘各层融合特征中的全局上下文信息，输出各层融合特征对应的精炼特征；S4：构建各个精炼特征间的长距离相关性，对四个不同层次的精炼特征进行跨层精炼操作；S5：将步骤S1‑S4作为编码端的操作；在解码端的上采样过程中，将跨层精炼特征及最深层的精炼特征通过类似跳跃连接的方式与解码层相结合，输出医学图像的分割结果。本发明解决了现有医学图像分割方法精度、可靠性和鲁棒性不足的问题。
-
公开(公告)号：CN109712165B
公开(公告)日：2022-12-09
申请号：CN201811634200.7
申请日：2018-12-29
Applicant: 安徽大学
Abstract: 本发明公开了一种基于卷积神经网络的同类前景图像集分割方法，包括了以下步骤：步骤1，生成样本分割掩码；步骤2，构建训练数据集；步骤3，学习分割网络模型；步骤4，基于分割网络模型分割同类图像集中的其余图像；步骤5，再分割。通过上述方式，本发明能够利用待分割图像集所包含的图像之间强相关性，仅需要少量交互就可以将同类图像集中的前景分割出来。
-
Patent Agency Ranking
公开(公告)号：CN115359428A
公开(公告)日：2022-11-18
申请号：CN202211048694.7
申请日：2022-08-29
Applicant: 安徽大学
Abstract: 本发明公开了一种多模态人群计数模型，包括以下步骤：利用编码器从多模态源信号中提取多模态特征；设置一个可学习的计数特征；级联多模态特征和计数特征，形成计数指导的融合特征；通过一个多头自注意力块，对计数指导的融合特征进行增强，形成增强特征；拆分增强特征，形成增强的多模态特征和增强的计数特征；将增强的多模态特征进行通道级联，利用预测头进行密度图的预测；使用多层感知机对增强的计数特征进行降通道操作，形成计数值；利用密度图真值对密度图进行监督，利用计数真值对密度图统计的计数值进行监督，利用计数真值对计数值进行监督；通过训练集的训练形成多模态人群计数模型。所述模型通过计数信息的指导，由多头自注意力实施多模态融合，提高人群计数精度。
-
公开(公告)号：CN110210277A
公开(公告)日：2019-09-06
申请号：CN201810498271.2
申请日：2018-05-22
Applicant: 安徽大学
Abstract: 由于运动目标和场景的复杂性与多变性，当前主流的运动目标检测算法检测结果中都难以完全避免检测出的运动目标不出现空洞现象，本发明提供一种运动目标空洞填充算法，针对空洞区域和附近被检测为前景的区域的性质，提出了基于超像素分割与显著性检测相结合的运动目标空洞填充算法，该方法通过给出的相似度函数能够找到精确的需要填充的区域，将这些区域与VIBE算法检测结果相加，得到比较理想的结果。实验结果表明，本发明方法可以将空洞区域很好地填充上。
-
公开(公告)号：CN109697692A
公开(公告)日：2019-04-30
申请号：CN201811634213.4
申请日：2018-12-29
Applicant: 安徽大学
Abstract: 本发明提供一种基于局部结构相似的特征匹配方法，用来解决图像配准过程中出现的由于噪声干扰而造成匹配结果不理想的问题。步骤包括：步骤1，对两张待匹配图像进行特征提取与初始匹配；步骤2，建立特征点的邻域仿射系数矩阵；步骤3，对初始匹配集中的每一个匹配，计算与之相关联的特征点的邻域仿射系数矩阵的差异；步骤4，对邻域仿射系数矩阵进行优化，获取局部结构差异程度；步骤5，根据每个匹配相关联的特征点的局部结构差异值，设定比较阈值，确定最终的特征匹配对作为待匹配图像的匹配关系结果。本发明在技术上克服了现有技术优化过程复杂并收敛慢的问题，有效提高匹配的效率。
-
公开(公告)号：CN109636831A
公开(公告)日：2019-04-16
申请号：CN201811557430.8
申请日：2018-12-19
Applicant: 安徽大学
CPC classification number: G06T7/292 , G06T7/251 , G06T17/00 , G06T2207/10012 , G06T2207/30196
Abstract: 本发明为一种估计三维人体姿态及手部信息的方法，实现了一种新的以彩色深度相机单帧数据来自动准确的同时估计人体和手部的姿态以及人体实际体形的独特方法。首先将深度相机的关节预测与深度学习从彩色图预测关节的方法结合，同时获取人体的头部的转向解决现有技术不能匹配头部姿态的问题。同时，在人体估计中同时还原人手的姿态，使人体结果更形象具体，使用深度学习的方法从彩色图预测出手的3D姿态，然后使用3D人体关节拟合能量模型来完成人体姿态与最新的参数化人体模型SMPL+H的拟合。最后将获取的人体表面点云与拟合的模型进行配准提升人体形状估计的精确程度。籍此估计出一个准确的包含手部真实姿态的三维人体模型。
-
公开(公告)号：CN118864881A
公开(公告)日：2024-10-29
申请号：CN202410836611.3
申请日：2024-06-26
Applicant: 安徽大学
IPC: G06V10/44 , G06T7/00 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本申请涉及一种用于图像阴影检测的CNN模型生成方法、图像阴影检测方法，该CNN模型生成方法包括：将具有阴影的图像样本作为CNN模型的输入，以CNN模型能够检测图像样本中的阴影为目标对CNN模型进行训练，生成用于图像阴影检测的CNN模型；其中，CNN模型包括特征提取模块、子路径方向激励模块和交互特征空间解码器；特征提取模块依次连接的n(n≥2)个特征提取层，n个特征提取层被配置为对CNN模型的输入进行特征提取；子路径方向激励模块被配置为对第n个特征提取层的输出进行方向信息提取；交互特征空间解码器被配置为对除第n个特征提取层之外的所有特征提取层的输出以及子路径方向激励模块的输出进行解码，交互特征空间解码器的输出为CNN模型的输出。解决了现有CNN模型生成方法所生成的CNN模型的阴影检测准确度较低的问题。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.023 seconds)
