-
公开(公告)号：CN112132761A
公开(公告)日：2020-12-25
申请号：CN202010972204.7
申请日：2020-09-16
Applicant: 厦门大学
IPC: G06T5/00
Abstract: 一种基于循环上下文聚合网络的单图像去雾方法，涉及计算机视觉技术。步骤：A.准备训练样本集(xi，yi)，i＝1，……，N，N为训练样本数，N为自然数。xi表示训练样本对应的固定大小的图像。yi表示训练样本xi对应的真实图像；B.预处理训练样本集；C.设计循环上下文聚合网络结构；D.设计上下文聚合块；E.在循环上下文聚合网络里，采用循环跳跃连接，避免训练中出现梯度爆炸或者梯度消失问题，加速循环网络的训练。建立深度网络框架，包括编码模块、循环模块、解码模块；可有效进行单图像去雾，通过算法分析，不仅大大提高了去雾的性能，而且还保存着图像的纹理和细节，在视觉上也取得最好的效果。
-
公开(公告)号：CN111666948A
公开(公告)日：2020-09-15
申请号：CN202010458635.1
申请日：2020-05-27
Applicant: 厦门大学
Abstract: 一种基于多路聚合的实时高性能语义分割方法和装置，所述方法包括：准备语义分割图像训练集和测试数据集；对数据集图像进行下采样；将现有的轻量级分类网络改造为语义分割的基础特征提取网络；将基础特征提取网络所提取的特征图按大小分为4个尺度，取较小的三个尺度的特征图输入到不同分支路径中进行处理以构成多路网络；并用全局上下文模块处理最小尺度的特征图；利用特征变换模块对特征图进行变换，并按尺度的从低至高逐级聚合前两个步骤中得到的特征图形成预测结果；将预测结果与训练集提供的像素级标注图像进行对比，并使用反向传播算法进行训练以得到实时高性能语义分割网络模型；把测试数据集的图像输入至训练好的模型中得到分割结果。
-
公开(公告)号：CN111291679A
公开(公告)日：2020-06-16
申请号：CN202010081733.8
申请日：2020-02-06
Applicant: 厦门大学
Abstract: 一种基于孪生网络的目标特定响应注意力目标跟踪方法，涉及计算机视觉技术。针对原有的基于孪生网络的目标跟踪方法对目标快速运动、遮挡、旋转、背景杂乱等复杂跟踪场景不够鲁棒的缺点，提出一种基于孪生网络的目标特定响应注意力目标跟踪方法，提出的目标响应注意力模块有效弱化跟踪过程中噪声信息对于跟踪性能的影响，同时强化对目标对象外观变化具有判别性的特征信息，使得孪生网络产生的比较好的目标响应图，使用该目标响应图进行目标位置预测，从而实现更鲁棒的跟踪性能。包含五个主要部分：CNN特征提取；逐通道互相关生成响应图；利用注意力网络产生权重，对各通道响应图加权；最终响应图上确定目标位置，以及所提出模型的训练方法。
-
公开(公告)号：CN108520530B
公开(公告)日：2020-01-14
申请号：CN201810323668.8
申请日：2018-04-12
Applicant: 厦门大学
Abstract: 基于长短时记忆网络的目标跟踪方法，涉及计算机视觉技术。首先采用基于相似性学习的快速匹配方法对候选目标状态进行预估计，筛选出高质量的候选目标状态，然后将这些高质量的目标状态用长短时记忆网络进行分类。所用的长短时记忆网络包括用于提取特征的卷积层和用于分类的长短时记忆层。卷积层在大规模图像数据集ILSVRC15上离线训练而得，规避了对目标跟踪数据集过拟合的风险。长短时记忆层通过在线学习而得，充分利用了输入视频序列包含的时间相关性，具有良好的适应目标形态和动作变化的能力。速度显著提高，将一种可以适应目标变化的长短时记忆网络运用于目标跟踪。
-
公开(公告)号：CN110135365A
公开(公告)日：2019-08-16
申请号：CN201910418050.4
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于幻觉对抗网络的鲁棒目标跟踪方法，涉及计算机视觉技术。首先提出一种新的幻觉对抗网络，旨在于学习样本对间的非线性形变，并将学习到的形变施加在新目标以此来生成新的目标形变样本。为了能有效训练所提出的幻觉对抗网络，提出形变重构损失。基于离线训练的幻觉对抗网络，提出基于幻觉对抗网络的目标跟踪方法，该方法能有效缓解深度神经网络在目标跟踪过程中由于在线更新发生的过拟合问题。此外，为了能进一步提升形变迁移质量，提出选择性性变迁移方法，进一步提升了跟踪精度。提出的目标跟踪方法在当前主流目标跟踪数据集上取得了具有竞争力的结果。
-
Patent Agency Ranking
公开(公告)号：CN110111391A
公开(公告)日：2019-08-09
申请号：CN201910418346.6
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于改进的下逼近非负矩阵对极几何估计方法，涉及计算机视觉技术。提供伴随着离群点和模型假设修剪技术的基于改进的下逼近非负矩阵对极几何估计方法。首先，使用误匹配修剪技术分析匹配对之间的关系剔除离群点(误匹配点)的影响。接着，使用模型假设修剪技术来选择有意义的模型假设。然后，引入空间约束项(空间上相邻的数据点更可能属于相同的模型假设)和稀疏约束项(稀疏非负元素更能体现数据点对模型的一致特征)到下逼近非负矩阵。最后，使用交替迭代法求解下逼近非负矩阵的u和v，从u中提取多结构模型。
-
公开(公告)号：CN105868789B
公开(公告)日：2019-04-26
申请号：CN201610212736.4
申请日：2016-04-07
Applicant: 厦门大学
Abstract: 一种基于图像区域内聚测度的目标发现方法，涉及计算机视觉技术。提供可快速给出少量的目标建议窗口，使得目标建议窗口内尽可能包含目标的一种基于图像区域内聚测度的目标发现方法。同时解决目标检测和显著性检测问题。提出的图像区域内聚测度的方法还被应用于显著性检测，显著性检测也被作为计算机视觉任务的一项基本任务并广泛被应用于其他计算机视觉任务。
-
公开(公告)号：CN105335500B
公开(公告)日：2018-11-20
申请号：CN201510710221.2
申请日：2015-10-28
Applicant: 厦门大学
IPC: G06F17/30
Abstract: 协变局部特征聚集的图像特征表示法，涉及计算机视觉与多媒体信息检索。提取图像局部特征；离线训练一个小的视觉词汇集合；将每幅图的局部特征用简化的费舍尔核方法进行聚集；聚集时，同时考虑每个局部特征的主方向信息,将主方向分为8个量化区间，根据量化后的主方向值，聚集到不同的费舍尔子向量，8个子向量拼接为一个长向量，作为图像的特征表示；将8个费舍尔子向量重组得一系列8维的子向量。对每个子向量进行一维离散余弦变换，变换到该特征的频率域；再对频率域的特征重组，得不同频段的8个子向量，对每个子向量做主成分分析，再对降维后的8个子向量重组得一系列8维的子向量；在子向量上定义相似度度量，以计算图像两两间的相似度。
-
公开(公告)号：CN103942550B
公开(公告)日：2018-11-02
申请号：CN201410184072.6
申请日：2014-05-04
Applicant: 厦门大学
Abstract: 一种基于稀疏编码特征的场景文本识别方法，涉及计算机视觉和模式识别。输入待识别的自然场景文本图像；采用多尺度滑动窗口的方法，用字符分类器对图像中的窗口区域进行检测和识别，对每一个字符类别，将分类器输出较大的区域判定为候选字符区域，输出较小的区域认为是背景区域，这样找出图像中包含的候选字符区域，再采用非极大值抑制方法，对重叠率较大的区域只保留分类器输出值最大的区域和相应的字符类别，除去重复冗余的候选字符区域，得到字符检测结果；将检测到的字符合并成一个词或文本行；输出场景文本识别结果。能够更加有效地表示和提取字符的结构特征，从而提高场景文本的识别率。
-
公开(公告)号：CN107491785A
公开(公告)日：2017-12-19
申请号：CN201710690910.0
申请日：2017-08-14
Applicant: 厦门大学
IPC: G06K9/62
CPC classification number: G06K9/6218
Abstract: 一种基于边缘侵蚀的聚类方法，涉及聚类问题。计算输入数据每个点的近邻关系或者直接获得每个数据点的近邻关系；计算边缘侵蚀密度；根据所述点的等级高低依次分配类标签，具体方法如下：(1)按照点的等级由高到低排列，即删除先后顺序的逆序；(2)依次访问每个点，若当前点的近邻没有类标，则分配一个新的类标，若有，则用已被标记的近邻中离当前点最近的点的类标标记当前点；(3)重复步骤(2)直到所有点被标记；按照剔除点的顺序的逆序分配类标签，类中心区域将最先被标记，一个类标签将从类中心向外扩展，自动终止于类的边界，类的边界即为那些初始密度较低的点。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.031 seconds)
