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

Inventor： 朱虎 ,  何悦 ,  邓丽珍

IPC: G06V20/10 ,  G06N3/08 ,  G06V10/82 ,  G06V10/40 ,  G06V10/80 ,  G06N3/048 ,  G06N3/0464

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

Inventor： 马鑫宇 ,  朱虎 ,  邓丽珍

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。

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

Inventor： 吴聿铭 ,  朱虎 ,  邓丽珍

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

Inventor： 朱虎 ,  姜志超 ,  邓丽珍

IPC: G06T5/00 ,  G06T5/20 ,  G06N3/04 ,  G06N3/08 ,  G06N5/04 ,  G06N7/00

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

Inventor： 徐冬媛 ,  朱虎 ,  邓丽珍 ,  朱卫平

IPC: G06T7/00 ,  G06T7/155 ,  G06T5/30

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

Inventor： 朱虎 ,  彭浩 ,  邓丽珍

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

Inventor： 邓丽珍 ,  张萌 ,  朱虎

IPC: G06T5/00 ,  G06F17/15 ,  G06F17/18 ,  G06N3/04 ,  G06N3/08

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。

公开(公告)号：CN114926383A

公开(公告)日：2022-08-19

申请号：CN202210545079.0

申请日：2022-05-19

Applicant: 南京邮电大学

Inventor： 戴丽娜 ,  朱虎 ,  邓丽珍

IPC: G06T5/50 ,  G06T5/00 ,  G06N3/04

Abstract: 本发明是一种基于细节增强分解模型的医学图像融合方法，包括：步骤1、数据集获取；步骤2、将彩色图像转换为YUV信道；步骤3、设计细节增强分解模型，对医学图像进行分解，得到基本层B和细节层L，所述基本层B包含图像的基本内容信息，所述细节层L包含纹理细节与边缘轮廓信息；步骤4、使用不同的融合规则对步骤3中获得的基本层B和细节层L分别进行融合，步骤5、根据融合后的图像进行重构。本发明能在较短的处理时间内提供更清晰的边缘细节和优越的色彩，为现代医学图像融合提供了一定的应用价值。

公开(公告)号：CN114882231A

公开(公告)日：2022-08-09

申请号：CN202210572822.1

申请日：2022-05-25

Applicant: 南京邮电大学

Inventor： 花莹莹 ,  朱虎 ,  邓丽珍

IPC: G06V10/36 ,  G06V10/44 ,  G06V10/46 ,  G06V10/28 ,  G06V10/80

Abstract: 本发明公开了一种基于多角度先验分析的红外小目标检测方法，具体步骤为：步骤1，将原始图像进行预处理获得灰度图像，构建原始图像的分片张量模型；步骤2，将灰度图像通过其对应的方向导数模型进行滤波，并构建对应的分片张量；步骤3，对灰度图像增加局部结构权重；步骤4，目标和背景分离；步骤5，图片重建、目标检测。本发明提出了多方向先验分析，利用重新加权的方式对目标进行增强，实现了在缺乏纹理信息和空间结构信息的恶劣环境下，对红外图像中目标进行精确检测，从而降低误警率。该方法在小目标检测过程中着重处理抑制背景和增强目标之间的平衡关系，即在获取背景边缘并抑制的同时，保留目标边缘的信息。

公开(公告)号：CN114842324A

公开(公告)日：2022-08-02

申请号：CN202210257144.X

申请日：2022-03-16

Applicant: 南京邮电大学

Inventor： 邓丽珍 ,  何家为 ,  朱虎 ,  刘建辉 ,  程钊

IPC: G06V20/10 ,  G06V10/26 ,  G06V10/44 ,  G06V10/74 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了伪装目标检测领域的一种基于学习神经网络的伪装目标检测方法及系统，采集检测图像输入至预先训练好的目标搜索模型，获得低级到高级依次设置的多层伪装目标表征；由各层伪装目标表征中提取伪装表征分片，并输入至预先训练好的目标识别模型获得相应等级的多个伪装识别特征；将各伪装识别特征进行卷积获得伪装识别层级图像，将各伪装识别层级图像进行叠加获得伪装识别图像；本发明通过感受野网络对提取的伪装表征f进行感受野放大，通过多尺度提取伪装表征分片输入目标识别模型中，重新拼接出伪装表征，捕获全局局部的上下文细节信息，可以更好识别边缘纹理结构，从而获得更高的识别准确率。