-
公开(公告)号：CN115294345A
公开(公告)日：2022-11-04
申请号：CN202210779763.5
申请日：2022-07-04
Applicant: 桂林电子科技大学
IPC: G06V10/424 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本发明公开一种基于RDE‑Net的低照度图像描述方法，所述方法包括如下步骤：1）对图像描述数据集进行处理和划分；2）构造FEX网络从特征图中提取全局特征、区域特征和细节特征；3）构造ENH网络利用细节特征强化区域特征，增强区域特征对细节的感知能力；4）构造两阶段预测模块和CC模块共同对图像进行描述。这种方法中对经过细节强化的区域特征和由低照度目标检测器产生的对象类别词进行了利用，保证了在低照度下也能很好的区分相似的物体，不会产生混淆。
-
公开(公告)号：CN115294334A
公开(公告)日：2022-11-04
申请号：CN202210932635.X
申请日：2022-08-04
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于表征特征的双边缘图像分割方法，先构建图像分割模型；再将训练图像送入所构建的图像分割模型中进行训练，得到训练好的图像分割模型；后将待分割图像送入训练好的图像分割模型中进行预测，完成待分割图像的图像分割。利用表征边缘信息对分割结果进行优化，直接从原图表征特征对推理结果进行优化，不使用任何特征提取模块，也不属于双分支网络，优化过程参数，能够无条件附加在任何场景分割网络中直接使用；损失函数着重解决边缘像素与非边缘像素数量严重不均衡的问题，改善基于边缘的分割网络效果，并且可以用于其他网络的边缘细节优化；边缘像素的dropout方法，解决物体边缘像素与物体内部像素数量不均衡，防止边缘优化过拟合。
-
公开(公告)号：CN112802038B
公开(公告)日：2022-05-24
申请号：CN202110100670.0
申请日：2021-01-26
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多尺度边缘注意力的全景分割方法，针对不同尺度的图片进行多尺度边缘检测引导，多尺度的边缘检测引导可以让每个尺度选出较优权重再进行融合得到效果更好的全景分割结果。基于多尺度的边缘注意力模块提取图片的边缘金字塔，更好地提取物体的深层边缘信息。特征金字塔深度参与到全景分割网络的学习中去，与全景分割原本的多维度特征进行多次互补融合，相互影响，不仅能提高全景分割的精度，也可以大幅度提高最终结果中的物体边缘信息识别。
-
公开(公告)号：CN111882002B
公开(公告)日：2022-05-24
申请号：CN202010782552.8
申请日：2020-08-06
Applicant: 桂林电子科技大学
IPC: G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于MSF‑AM的低照度目标检测方法，其特征在于，包括如下步骤：1）依据公开标准数据集，建立来源图像；2）增强和特征提取网络EFENet的训练；3）多尺度检测网络MSDNet的训练；4）对整个端到端的深度神经网络进行构造与训练；5）进行Fine tuning操作与低照度图像目标检测。这种方法能使在低光条件下拍摄的图像能够不受环境因素的影响提取到丰富的高级特征并能更好地检测到图像中的目标。
-
公开(公告)号：CN109614996B
公开(公告)日：2022-05-17
申请号：CN201811432339.3
申请日：2018-11-28
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的弱可见光与红外图像融合的识别方法，涉及图像识别技术领域，解决的技术问题是弱可见光与红外图像融合识别过程中，可见光图像成像模糊不清，成像过暗而丢失细节，融合效果不佳。该方法先利用生成对抗网络对弱可见光图像进行照度优化，然后将照度优化的可见光图像和红外图像进行图像级融合，最后将得到的融合图像输入修改得到的神经网络进行特征提取和分类识别的图像识别，本发明可有效解决弱可见光与红外图像融合识别过程中，可见光图像成像模糊不清，成像过暗而丢失细节，融合效果不佳问题，并得到更佳的识别效果。
-
Patent Agency Ranking
公开(公告)号：CN108874927B
公开(公告)日：2021-10-15
申请号：CN201810548730.3
申请日：2018-05-31
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于超图和随机森林的入侵检测方法，属网络入侵检测技术领域，包括如下步骤：（1）数据预处理；（2）特征筛选得到新的特征子集；（3）计算各个类别中每个特征的Fisher分值并进行将序排列；（4）将测试样本集输入权重随机森林分类器，得到测试样本的最终的入侵检测结果。本发明基于特征择优的方法，先对数据进行降维处理再进行分类，提高了入侵检测速度和分类器的准确率、降低了检测误报率。
-
公开(公告)号：CN113449811A
公开(公告)日：2021-09-28
申请号：CN202110806608.3
申请日：2021-07-16
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多尺度的弱监督和域适应的低照度目标检测方法，包括如下步骤：1）整合数据集；2）基于像素级的无锚检测器PL‑AFD的预训练和伪标签的生成；3）低照度图像增强网络LLENet的训练；4）对域适应模块的训练；5）对自监督模块的训练；6）对整个低照度目标检测网络的测试。这种方法能弥补低照度图像和正常照度图像之间像素级和语义级的差距，提高目标检测器对低照度图像的检测精度。
-
公开(公告)号：CN112489064A
公开(公告)日：2021-03-12
申请号：CN202011472009.4
申请日：2020-12-14
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于边缘放缩修正的全景分割方法，在原全景分割网络添加了一个可以通过边缘筛出细节、补全实例的修正机制，使最终得到的全景分割效果更贴近真实边缘。无需运用学习的方法，仅经过边界框大致定位和限制，再加上边缘的缩放机制，便可以找到目标边缘。根据每个实例对应的边界框确定实例的真实边缘信息，使用该边缘信息对实例分割掩码进行细节修正，最后结合语义分割，形成更优的全景分割掩码。相比于传统的没有边缘修正的全景分割方法，本发明可以提高分割的精度，使得全景分割结果更贴近边缘。相比于仅在边界框内进行边缘修正的全景分割方法，本发明能够考虑到边界框不准确、不完全框住目标实例的情况，使得修正的结果更具有鲁棒性。
-
公开(公告)号：CN110288555A
公开(公告)日：2019-09-27
申请号：CN201910587997.8
申请日：2019-07-02
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于改进的胶囊网络的低照度增强方法，具体步骤如下：（一）采集数据源，制作数据集，对所有图像数据进行像素值归一化处理；（二）进行改进的胶囊网络的构建，其中前三层为编码器，后三层为解码器；（三）计算损失函数；（四）进行网络的训练，重构图像及进行参数更新得到增强后的图像。本发明在低光环境下拍摄的图像不受到低动态范围和噪声的影响并仍得到接近于正常照度下的图。
-
公开(公告)号：CN110163815A
公开(公告)日：2019-08-23
申请号：CN201910321753.5
申请日：2019-04-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多阶段变分自编码器的低照度还原方法，一方面增强低照度图像去噪能力、提高低照度图像细节还原效果，另一方面简化了网络结构并加快了网络训练速度，具体步骤如下：（一）采集数据源，制作数据集：（二）进行MUVAE网络第一阶段训练：（三）进行MUVAE网络第二阶段训练：（四）进行Fine tuning操作：（五）进行低照度图像还原。本发明在低光环境下拍摄的图像不受到低动态范围和噪声的影响并仍得到接近于正常照度下的图。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.079 seconds)
