-
公开(公告)号：CN116229284A
公开(公告)日：2023-06-06
申请号：CN202310246762.9
申请日：2023-03-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于多视角和多尺度的遥感图像时空融合方法，包括对t0和t1时刻的高时间、低空间分辨率图像进行上采样后与t0时刻的低时间、高空间分辨率图像进行拼接，利用编码器分别对t0时刻的低时间、高空间分辨率图像和拼接图像进行编码、将两个编码后的图像在特征维度上相加得到第三中间特征图，利用第一多视角多尺度特征提取模型和第二多视角多尺度特征提取模型分别对第三中间特征图进行多个尺度和多个视角的特征提取，将提取的特征相加后输入注意力机制进行加权后与t0时刻低时间、高空间分辨率图像编码后的特征图进行拼接，将拼接后的特征图输入解码器进行解码得到融合了时空信息的高时间、高空间分辨率图像，提高了图像融合质量。
-
公开(公告)号：CN116229112A
公开(公告)日：2023-06-06
申请号：CN202211558887.7
申请日：2022-12-06
Applicant: 重庆邮电大学
IPC: G06V10/62 , G06V20/40 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06V10/25 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明请求保护一种基于多重注意力的孪生网络目标跟踪方法(SiamMAN,Siamese Multi‑attention Network)，属于计算机视觉技术领域。主要包括以下步骤：首先，为了更高效地利用目标特征信息来应对复杂背景干扰的问题，设计了一个多重注意力模块对特征进行优化，其中，通道注意力分支用于给更具判别性的通道赋予更高的权重，位置注意力分支充分利用目标的位置信息；其次，为了更好地利用浅层特征，在多重注意力模块中设计了一种特征融合方法，使用残差学习方法对浅层特征和经注意力分支优化后的特征进行融合，然后再融合两种注意力特征，进一步增强特征表示；最后，使用Focal‑EIoU损失作为回归损失函数，从而引导跟踪器生成更精确的跟踪框。
-
公开(公告)号：CN116229079A
公开(公告)日：2023-06-06
申请号：CN202310324023.7
申请日：2023-03-30
Applicant: 重庆邮电大学
Abstract: 本发明属于计算机视觉图形学领域，具体涉及一种基于视觉辅助和特征增强的三维点云语义分割方法及系统，所述方法包括构建三维点云语义分割深度学习模型并训练，将待分割三维点云数据输入训练好的点云语义分割模型，通过设计一个重建辅助网络来显式地提取视觉颜色特征，并在主干分割网络中引入通道注意力机制以充分地加以利用，同时在解码层中构建点特征增强模块，以进一步提高模型在不同语义类边界处的点的分割能力；本发明能够对点的局部邻域进行有效的聚合，提升深度学习模型对三维点云语义分割的效果，促进了相关技术领域的发展。
-
公开(公告)号：CN109711417B
公开(公告)日：2022-12-27
申请号：CN201811488005.8
申请日：2018-12-06
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于低水平显著性融合和测地线的视频显著性检测方法，包括步骤：S1通过显著性估计分别求得空间边缘显著图，空间颜色显著图和运动边界图；S2平滑处理，并集成三个特征显著图得到低水平的时空显著图；S3对每一帧构造无向加权图，然后根据到图像边界的最短测地线距离，计算前景概率；S4对每对相邻视频帧，构造无向加权图，将帧Lk分解为背景区域Dk和对象区域Ok,最后在无向加权图的基础上，计算得到最后的显著图。本发明的空间颜色特征，增强或锐化突出对象的微小细节来表示高显著度。本发明的低层次显著性融合策略，保证互补地使用平滑的颜色显著性、空间边缘和时间运动边界线索产生高精度低水平显著性。
-
公开(公告)号：CN115482238A
公开(公告)日：2022-12-16
申请号：CN202211283763.2
申请日：2022-10-20
Applicant: 重庆邮电大学
Abstract: 本发明属于计算机视觉领域，具体涉及一种多模态医学融合图像的质量评价方法，包括获取待评价的多模态医学图像数据集；将多模态医学图像在像素级别上减去第一单模医学图像得到第一医学图像；根据第一医学图像和第二单模医学图像利用NSCT色彩空间变化公式计算得到第一医学图像和第二单模医学图像在NSCT色彩空间下的过滤色彩通道；根据第一医学图像和第二单模医学图像在NSCT色彩空间下的过滤色彩通道计算第一医学图像和第二单模医学图像的色彩相似度和信息相似度；根据第一医学图像和第二单模医学图像的色彩相似度和信息相似度利用权重和公式计算得到多模态医学图像的图像质量分数，对不同的多模态医学图像融合算法进行有效性评估。
-
Patent Agency Ranking
公开(公告)号：CN112418074B
公开(公告)日：2022-08-23
申请号：CN202011308968.2
申请日：2020-11-20
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/762 , G06V10/82 , G06V10/80 , G06V10/774
Abstract: 本发明请求保护一种基于自注意力的耦合姿态人脸识别方法，属于模式识别技术领域。所述方法主要包括以下步骤：步骤1.利用MTCNN对训练图像进行预处理操作(人脸检测、特征点标定)；提出基于K‑means算法的姿态导向策略PGS，确定姿态模板。步骤2.输入网络的图像利用姿态模板生成多个不同姿态人脸，生成网络编码器对其进行特征编码，加权平均得到融合特征，解码器还原成正面人脸图像。步骤3.构建姿态导向的双判别器生成对抗网络PGDD‑GAN，对合成图像进行对抗式训练。步骤4.为了增强合成图像的局部纹理信息，本发明在编码器和判别器网络中植入自注意力模型。本发明降低了模型对源数据集的需求，提高了无监督环境下的人脸识别的鲁棒性。
-
公开(公告)号：CN111754404B
公开(公告)日：2022-07-01
申请号：CN202010560118.5
申请日：2020-06-18
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于多尺度机制和注意力机制的遥感图像时空融合方法，包括步骤：S1将高时间、低空间分辨率的图像和低时间、高空间分辨的图像分别输入两个不同的并行卷积神经网络，分别提取它们的在不同尺度上的特征图；S2选择三个尺度上的特征图，分别对它们进行融合，再将三个尺度上的融合特征图上采样到统一尺度，接着把它们融合为一个特征图；S3将融合后的特征图输入注意力机制，对特征图的特征和通道赋予不同的权值；S4结合特征图的权值，使用全连接层对图像进行重建，得到一张高空间、高时间分辨率的图像。本发明提高了遥感图像时空算法的准确率，并且在时间效率上具有优势。
-
公开(公告)号：CN111681252B
公开(公告)日：2022-05-03
申请号：CN202010479507.5
申请日：2020-05-30
Applicant: 重庆邮电大学
Abstract: 本发明属于医学图像处理与计算机视觉技术领域，特别涉及一种基于多路径注意力融合的医学图像自动分割方法，包括获取医学图片数据集，将数据集分为训练集和验证集，对训练集中的图片进行增广，并对验证集和增广之后的训练集中图片进行归一化处理；将训练集中的图片输入多路径注意力融合网络模型，在交叉熵损失函数的指导下输出得到分割结果图；选择验证集准确率最高的模型，将测试集输入加载此模型的多路径注意力融合网络，输出得到图像的分割结果图；本发明解决医学图像分割过程中现有网络无法在编码器无法效地提高不同尺度下的特征质量，并且难以控制网络低级结构特征和高级语义特征之间的层间依赖性从而导致分割结果不佳等问题。
-
公开(公告)号：CN114399530A
公开(公告)日：2022-04-26
申请号：CN202111514363.3
申请日：2021-12-13
Applicant: 重庆邮电大学
IPC: G06T7/246 , G06T5/20 , G06T5/40 , G06K9/62 , G06V10/774
Abstract: 本发明请求保护一种基于样本差异化学习的相关滤波目标跟踪方法及系统及系统，属于计算机视觉技术领域。所述方法主要包括以下步骤：在视频初始帧获取目标的位置和大小，并训练一个尺度滤波器和定位滤波器；获得每一帧输入图像的候选区域与滤波器模型的响应图；根据响应图计算多个样本可靠度指标的值；标签标注器以指标值作依据为训练样本标注可靠度标签；最后选择与可靠度标签匹配的样本学习率来更新滤波器模型。本发明针对复杂跟踪场景中存在不可靠的训练样本问题，提出通过感知样本的可靠度来引导跟踪器差异化地学习不同样本。该方法能减轻不可靠样本对模型的污染，并缓解模型漂移，提升基于相关滤波跟踪器在复杂场景下的跟踪性能。
-
公开(公告)号：CN113380262A
公开(公告)日：2021-09-10
申请号：CN202110519845.1
申请日：2021-05-13
Applicant: 重庆邮电大学
Abstract: 本发明属于声音信号分离技术领域，特别涉及一种基于注意力机制与扰动感知的声音分离方法，包括获取声音信号数据集，对该数据集的声音信号进行预处理得到混合声音信号，随后将混合声音信号划分为训练集、验证集；将训练集中的混合声音信号输入单通道语音分离网络模型，在交叉熵损失函数的指导下输出得到分离后的独立源信号；利用验证集数据验证每次单通道语音分离网络模型的正确率，并且保存正确率最高时的网络参数；将待分离的混合声音信号数据输入单通道语音分离网络模型，即可得到分割后的独立源声音信号；本发明能够进一步学习区分混合信号中的噪声信号，解决了单通道语音分离网络对噪声鲁棒性不足的问题。
-
-
-
-
-
-
-
-
-
Search Results
178
records
(took 0.048 seconds)
