-
公开(公告)号：CN117809055A
公开(公告)日：2024-04-02
申请号：CN202311846657.5
申请日：2023-12-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于结构化背景张量估计的红外小目标检测方法，属于红外图像小目标检测领域，其主要步骤概括为：将原始红外小目标图像分为目标张量和背景张量，对背景张量进行建模，利用线性过程模拟真实的背景退化过程；构建结构化背景张量估计的低秩学习模型，对背景张量结构化分解得到的子空间张量和系数张量进行正则化约束，将核心系数张量以级联的方式分解和反演；采用交替方向乘子法对得到的公式进行优化；根据对子空间和系数张量的求解，训练整个模型，实现红外小目标检测。采用本发明，可以充分利用图像的背景信息，提高小目标检测的精度。
-
公开(公告)号：CN117710732A
公开(公告)日：2024-03-15
申请号：CN202311716026.1
申请日：2023-12-14
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06V10/44 , G06V10/80 , G06V10/77 , G06V10/30 , G06N3/045
Abstract: 本发明属于医学图像分类领域，本发明公开一种基于张量链式分解的频域降噪网络多模态医学图像分类方法，包括：步骤1：将两个模态的训练集图像输入至两个主干网络中提取图像特征；步骤2：将图像特征分别输入张量链式分解模块得到核心特征张量；步骤3：将两个模态图像的核心特征张量加权求和得到核心特征融合张量，随后将其输入频域降噪模块来减轻融合产生的噪声和提高跨域泛化能力；步骤4：将核心特征融合张量按照张量链式分解公式相乘得到融合特征；步骤5：将融合特征输入分类器得到分类结果，并通过分类标签对其进行监督学习。本发明的医学图像分类网络能够有效防止过拟合和维数灾难，并有着很好的泛化能力。
-
公开(公告)号：CN116205815A
公开(公告)日：2023-06-02
申请号：CN202310150308.3
申请日：2023-02-22
Applicant: 南京邮电大学
IPC: G06T5/00
Abstract: 本发明属于图像去噪领域，具体地说，是一种三维点云去噪的装置及方法，该装置及方法基于拉普拉斯正则化子空间非局部低秩学习，将先前提出的像素块的低维流模型扩展到点云中的表面块，使用面片的图拉普拉斯正则化器得到3D点云图像的流形维度，然后基于图像点云的高维信息位于低维子空间的原理，采用子空间非局部低秩因子研究子空间的非局部自相似性，估计由非局部相似三维面片生成的三维张量，最后使用三维张量构建去噪模型，得到视觉和量化指标更优的去噪图像，该方法得到的去噪后的图像点云可以更好地保留了视觉上显著的结构特征，量化指标也很好。
-
公开(公告)号：CN116188980A
公开(公告)日：2023-05-30
申请号：CN202310153430.6
申请日：2023-02-23
Applicant: 南京邮电大学
Abstract: 本发明属于神经网络深度学习技术领域或目标分割领域，公开了一种基于模型驱动的生成对抗网络红外小目标检测方法，其主要步骤概括为：步骤S1：将真实红外图像即退化的红外图像输入到深度展开网络中，提取出目标特征并恢复退化的红外图像；步骤S2：将真实红外图像与步骤S1恢复的红外图像，输入到判别网络中，判别输入图像是否真实，从而降低误检率；步骤S3：根据损失函数，训练整个模型，实现红外小目标检测。采用本发明，可以显著降低退化红外小目标检测的误检率。
-
公开(公告)号：CN116152103A
公开(公告)日：2023-05-23
申请号：CN202310144230.4
申请日：2023-02-21
Applicant: 南京邮电大学
IPC: G06T5/00 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/096
Abstract: 本发明属于图像去模糊技术领域，公开了基于多头交叉注意机制的神经网络光场图像去模糊方法，具体为在光场生成的LFDOF数据集上训练网络；通过二次方法收集的DPDD数据集上使用特征损失对网络进行微调，以减轻两个域中存在的散焦模糊之间的差异；分析了两个散焦模糊数据集LFDOF和DPDD的特征，开发了一种新的基于多头交叉注意机制的去模糊训练策略；提出了一种端到端的网络架构，配备了新颖的动态残差块，以从粗到细的方式重建清晰的图像。本发明设计的端到端神经网络可有效消除空间变化的散焦模糊，解决了简单的二次拍摄无法实现散焦和全焦图像对之间的像素级对应的问题。
-
Patent Agency Ranking
公开(公告)号：CN116091793A
公开(公告)日：2023-05-09
申请号：CN202310168513.2
申请日：2023-02-27
Applicant: 南京邮电大学
IPC: G06V10/46 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084 , G06T7/66
Abstract: 本发明公开了一种基于光流融合的光场显著性检测方法，属于图像处理领域。该方法利用光场数据集训练光场显著性检测系统，使用光场显著性检测系统在光场数据集多视图图像上进行显著性检测，计算中心视图特征，并将其余视图作为参考图像，计算光流并与中心视图特征融合，辅助显著性检测。该系统由光场特征提取模块、光流生成模块、光流融合模块和显著性检测模块组成。引入光场深度信息，同时去除了各个视图之间的冗余信息，有助于提高显著性检测精度，并减少计算量，能够有效处理不同尺度的显著性目标，做到更准确的检测。
-
公开(公告)号：CN115546044A
公开(公告)日：2022-12-30
申请号：CN202210580322.2
申请日：2022-05-26
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于Gabor滤波的深度学习医学图像去噪方法，本发明的方法提出了一种包含Transformer与Gabor滤波的医学图像去噪模型BGFormer，利用使用变分贝叶斯方法推理的Gabor滤波来代替传统卷积增强了边缘检测的能力。加上局部增强窗口(LeWin)Transform模块构造的编码‑解码网络与跳层连接结构，在获取局部上下文的同时，能显著降低高分辨率特征图的计算复杂度。本发明提出的方法与之前的基于深度学习的针对医学图像方向的去噪算法相比，在峰值信噪比(PSNR)，均方根误差(RMSE)，结构相似性(SSIM)指标上也展示了更加先进的性能。
-
公开(公告)号：CN115272160A
公开(公告)日：2022-11-01
申请号：CN202110482371.8
申请日：2021-04-30
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于框架张量核范数的红外小目标检测方法及系统，获取连续的若干帧的图像组成张量，输入到预先构建的基于框架张量核范数的红外小目标检测模型；将该模型划分为包括背景部分、目标部分、噪声部分的子问题，分别对这些子问题进行优化求解，得到各子问题的当前的最优解；判断目标部分当前的最优解是否收敛或者是否达到最大迭代次数，若是，则输出目标部分当前的最优解，若否，则利用各子问题的当前的最优解更新模型，并重新进行优化求解。优点：通过将图像变换到帧域，更有效地实现了对张量的多秩的逼近，并且对背景细节有了更好的刻画，同时又通过形态学正则项很好的处理背景中存在的噪声，让红外小目标检测的准确性和鲁棒性提升。
-
公开(公告)号：CN115131395A
公开(公告)日：2022-09-30
申请号：CN202110320233.X
申请日：2021-03-25
Applicant: 南京邮电大学
IPC: G06T7/246
Abstract: 本发明公开了一种视频目标跟踪方法及系统，包括：获取预先构建的结合二阶特征的时空相关滤波器模型；对该模型进行优化求解，得到子问题f的计算模型、子问题g的计算模型和子问题h的计算模型；依次对每一帧进行目标特征提取、目标检测和尺度检测以及优化更新迭代，并计算和绘制目标区域的操作，直到计算并绘制视频的最后一帧图像的目标区域；输出跟踪视频和视频跟踪速率。优点：有效地缓解时空相关滤波器由于缺少二阶及高阶特征导致近似的欠拟合从而导致的滤波器退化问题，让视频目标跟踪的准确性和鲁棒性提升。相比传统方法，充分利用了二阶特征信息来拟合两个分布信号的匹配程度。
-
公开(公告)号：CN114998125A
公开(公告)日：2022-09-02
申请号：CN202210568874.1
申请日：2022-05-24
Applicant: 南京邮电大学
Abstract: 本发明属于红外光谱去卷积处理技术领域，具体地说，是一种基于深度神经网络非配对学习的红外光谱盲去卷积方法，包括自监督学习和知识提取的两阶段去卷积方，从一组未配对的干净和有噪声的红外光谱中学习去卷积网络。卷积盲点网络从真实红外光谱中学习去卷积，采用1×1卷积层叠加的网络来估计每条红外光谱的噪声特性，联合训练卷积盲点网络和红外光谱特定噪声模型。将学习到的噪声模型应用于红外光谱去卷积，合成一组成对的训练红外光谱，并在第一阶段使用真实的噪声红外光谱和相应的去卷积结果形成另一组成对的训练红外光谱。通过使用这两个配对集训练基于U‑Net的去卷积网络。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.027 seconds)
