-
公开(公告)号：CN111145221A
公开(公告)日：2020-05-12
申请号：CN201911419269.2
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于多层深度特征提取的目标跟踪算法，涉及图像处理技术领域，包括如下步骤，S1：图像输入；S2：提取特征图；S3：获取最佳匹配模板；S4：更新最佳匹配模板；S5：重复步骤S4，直到完成当前视频的目标跟踪；所述S2具体为，根据第一帧图像中目标的位置和尺寸信息，利用深度神经网络提取多层样本特征图，本发明利用深度神经网络提取多层深度特征作为样本的外观表达，来进行目标跟踪，以获取目标多层深度特征，减少了参数数量，提高了目标跟踪过程的准确性和鲁棒性。
-
公开(公告)号：CN111105415A
公开(公告)日：2020-05-05
申请号：CN201911410640.9
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于深度学习的白细胞大视场图像检测系统及方法，系统由图像采集模块、图像重建模块和基于深度学习的智能检测模块构成，通过低倍显微物镜对不同光照下的检测样本成像；图像采集模块记录该低分辨率图像的集合；图像重建模块通过频谱迭代的方法获取高分辨率图像；检测模块使用预先训练好的神经网络对生成的高分辨图像进行特征提取和识别，最后输出检测结果。本发明能够智能识别白细胞，并分别对视场内的白细胞和红细胞进行计数，帮助检查者快速且准确得到分析结果；同时，满足高分辨率与大视场相结合的要求，实现使用低倍镜得到更高的对比度和分辨率的效果，降低了系统的制造成本。
-
公开(公告)号：CN113887662B
公开(公告)日：2024-11-08
申请号：CN202111244501.0
申请日：2021-10-26
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V10/764 , G06V40/18 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种基于残差网络的图像分类方法、装置、设备及介质，该方法包括获取根据数据特征分类的数据集，并根据所述数据特征编写卷积神经网络所需的数据接口；制作数据集标签，每一类不同数据特征的数据集对应一个数据集标签；构建训练集和测试集，将数据集分割成若干等份；构建深层残差单元，搭建卷积神经网络，建立图像分类模型；对图像分类模型设置训练参数和损失函数策略，确定分类器输出的分类结果；对图像分类模型进行网络训练和网络测试；向图像分类模型中输入待分类图像，获得分类结果。本发明通过构建图像分类模型辅助医生诊断，减轻眼科医生负担、缩短检查时间，降低疾病不同等级对应的图片筛查的时间和人力成本。
-
公开(公告)号：CN113781444B
公开(公告)日：2024-01-16
申请号：CN202111067612.9
申请日：2021-09-13
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06T7/00 , G06T5/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T7/33 , G06T7/73 , G06T3/4038 , G06T5/60
Abstract: 本发明公开了一种基于多层感知机校正的快速拼接航拍图像的方法和系统。对于每一幅航拍的正射图像，先基于位置、高度、横滚角、俯仰角、偏航角等信息直接进行粗配准，得到浮动图像与参考图像的单应矩阵，利用离线训练的多层感知机对该单应矩阵进行校正，基于校正结果使用渐入渐出算法对正射图像进行融合。本发明融合了位姿拼接法配准速度快的特点，以及特征点式方法配准精准度高的特点，增强了校正阶段的非线性拟合能力，提高了配准的精度，神经网络的应用减少了真值矩阵分解得到飞行参数以及飞行参数计算校正矩阵的过程，提高了配准速度，使用早停法训练多层感知机，可以防止网络过拟合并节省训练时间。
-
公开(公告)号：CN112665720B
公开(公告)日：2023-11-07
申请号：CN202011590415.0
申请日：2020-12-29
Applicant: 北京理工大学重庆创新中心
Abstract: 本发明公开了一种基于互补压缩编码的双通道可调谐高光谱成像仪和方法。成像仪包括成像系统、反射式空间光调制器、第一成像光路、第二成像光路和计算控制中心。场景信息在计算控制中心的协调下，经反射式空间光调制器以互补的方式空间编码，经第一成像光路和第二成像光路分别对信号进行光谱滤波、成像；计算控制中心根据第一成像光路得到的图像和第二成像光路得到的图像重构出高光谱图像。本发明利用反射式空间光调制器的编码特性，对两条光路同时进行互补编码，提高了对场景信息的光能利用率，提高了编码效率，并且，允许任选两个光谱通带的LCTF装配到成像仪，对于滤光过程，可在两路成像光路各选一个感兴趣波段进行观测。
-
Patent Agency Ranking
公开(公告)号：CN116523892A
公开(公告)日：2023-08-01
申请号：CN202310551472.5
申请日：2023-05-16
Applicant: 北京理工大学 , 北京理工大学重庆创新中心
Abstract: 本发明提供一种用于遥感矿斑层级特征增强的变化检测系统及方法，属于图像处理技术领域，解决了传统变化检测方法中的局限性问题；包括：数据预处理模块，编码器模块，解码器模块；原始遥感矿斑图像首先经过数据预处理模块，再将处理后的数据输入编码器模块中，提取遥感图像的多层语义信息，同时，编码器模块将深层次语义信息和浅层次语义信息合理结合，得到更有价值的特征图；在解码器模块，解码器由自适应尺度增强模块和监督注意力模块组成，实现对特征图的解码，最后逐级相加得到解码后的多个不同层级的特征图用于计算损失函数；本发明具有能充分挖掘、捕获遥感图像多层次信息特征的特点，能够高效的完成遥感矿斑图像的变化检测任务。
-
公开(公告)号：CN112785662B
公开(公告)日：2023-07-25
申请号：CN202110117326.2
申请日：2021-01-28
Applicant: 北京理工大学重庆创新中心
IPC: G06T9/00
Abstract: 本发明公开了一种基于低分辨率先验信息的自适应编码方法，包括：利用低分辨率图像整体的灰度值和方差，估计原光谱图像对应各图像块的均值和方差，所述图像块为原光谱图像分别与低分辨率图像各点对应的场景信息子区域；根据各所述图像块的均值和方差，计算原光谱图像场景信息的图像块的阈值分布。利用所述低分辨率图像构建原光谱图像的近似图像。基于原光谱图像的近似图像及其对应的阈值分布，以最大化观测矩阵和稀疏矩阵之间的相关性为设计目的，利用抖色方法生成自适应编码矩阵。本发明无需重构过程提供高分辨率先验信息，利用压缩光谱成像系统中所能获取的低分辨率光谱信息即可生成自适应编码矩阵，也无需增加额外的探测过程和探测器件。
-
公开(公告)号：CN113327272B
公开(公告)日：2022-11-22
申请号：CN202110590166.3
申请日：2021-05-28
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06T7/246 , G06T7/579 , G06T7/90 , G06V10/762 , G06V10/75 , G06V10/82 , G06N3/04 , G06N3/08 , G06T5/40
Abstract: 本发明公开了一种基于相关滤波的鲁棒性长时跟踪方法，包括利用初始帧图像初始化滤波器；对于后续帧图像，提取当前帧图像搜索区域的特征图，与上一帧图像训练得到的滤波器进行互相关匹配，得到响应图；判断响应图对应跟踪结果的可靠等级，若跟踪结果不可靠，则重新检测目标，否则以响应图中峰值位置作为目标中心位置，并更新滤波器：当跟踪结果为一般可靠，以当前帧搜索区域的显著性图作为目标函数中自适应空间正则项的权重对滤波器进行训练；当跟踪结果为可靠，采用传统的负高斯型空间正则项权重对滤波器进行训练。本发明在目标跟踪失败时进行重检，在跟踪过程中，自适应调整目标函数中空间正则项的权重，增强了复杂场景下目标跟踪的鲁棒性。
-
公开(公告)号：CN115115659A
公开(公告)日：2022-09-27
申请号：CN202210913335.7
申请日：2022-08-01
Applicant: 北京理工大学重庆创新中心
Abstract: 本发明提供了一种基于低成本噪声数据的眼底血管自动分割方法，包括S1：筛选数据集，通过公开的数据集获取视网膜影像和像素级血管标签；S2：构建卷积神经网络，生成可量化的噪声数据；S3：对数据集进行分割，构建训练集和测试集，同时在训练集中保留一张干净影像数据，对其它图像施加响应噪声；S4：设置损失函数和训练参数；S5：将干净影像数据和噪声数据交替输入网络中，利用重新权衡函数更新网络参数；S6：获取视网膜影像输入到训练好的网络模型中，输出分割结果。本发明实现了仅利用少量干净数据即可纠正错误噪声给深度模型带来的偏差，提高了面临低成本噪声数据时眼底血管自动分割的准确性。
-
公开(公告)号：CN111160478B
公开(公告)日：2022-07-26
申请号：CN201911410767.0
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G06V20/10 , G06V10/46 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的高光谱目标显著性检测方法，所述目标显著性检测方法至少包括深层特征提取步骤和显著性优化步骤，其中，所述深层特征提取步骤包括将原始高光谱图像经双通道的卷积神经网络完成包括空间特征和光谱特征的深层特征提取；所述显著性优化步骤包括将基于提取的深层特征完成背景线索和前景线索计算，并基于计算结果进行显著性优化，生成最终的显著性图。本发明基于深度学习提取高光谱图像的空间和光谱深层特征，提升了特征的鲁棒性，且卷积神经网络采用自监督训练，无需真值标签；利用显著性优化，能够提升生成显著性图的质量，突出显著性目标。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.034 seconds)
