-
公开(公告)号：CN119516206A
公开(公告)日：2025-02-25
申请号：CN202411550745.5
申请日：2024-11-01
Applicant: 上海大学
IPC: G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/0455 , G06N3/0499 , G01W1/10
Abstract: 本申请提供一种基于MSPTS‑Net网络模型的短时降水预测方法，包括：获取由雷达回波图像构成的雷达回波数据集；基于MSPTS‑Net构建网络模型，在MSPTS‑Net的框架中嵌入时空特征提取与融合机制，生成最初短时降雨预测模型；利用雷达回波数据集，对最初短时降雨预测模型进行训练，并通过组合的损失函数进行反向调优优化网络参数，得到最终短时降雨预测模型；将待测雷达回波图像输入最终短时降雨预测模型，得到短时降水预测结果。本申请通过MSPTS‑Net模型能够更全面地捕捉雷达回波数据中的时空变化信息，利用多尺度特征提取和自注意力融合机制，处理不同时间尺度和空间尺度的数据变化，结合组合损失函数，模型训练过程更加高效，能够更快地收敛到最优解，提高短时降雨预测的精度。
-
公开(公告)号：CN110298341B
公开(公告)日：2023-09-19
申请号：CN201910503684.X
申请日：2019-06-12
Applicant: 上海大学
Abstract: 本发明公开了一种基于方向选择性的增强图像显著性预测方法。首先，将输入图像变换到感知均匀的LAB颜色空间，并将图像大小变为96*96。然后，通过提出的模型EOSS计算LAB三通道的子显著图。提出的模型分两部分。显著性预测部分，基于方向选择性提取局部特征“兴奋度”图搜索可能显著的像素，基于视觉敏感度提取全局特征“敏感度”图调制搜索过程，计算两种特征结合的局部熵得到候选的显著区域。显著性增强部分，模拟人眼凹点特性，设计一个基于视觉错误敏感度的算子局部和全局地促进显著图中有意义的信息。最后，加权相加高斯滤波并归一化的子显著图得到最终的显著图。本发明方法在Toronto，MIT和NUSEF三个通用图像数据库上进行试验，都具有较高的鲁棒性和准确性。
-
公开(公告)号：CN116452877A
公开(公告)日：2023-07-18
申请号：CN202310424273.8
申请日：2023-04-19
Applicant: 上海大学
IPC: G06V10/764 , G06V10/82 , G06V10/46 , G06V10/766 , G06N3/0464 , G06N3/047 , G06N3/0895
Abstract: 本发明提供了一种针对图像的弱监督目标检测方法及系统，包括：对输入图像进行特征提取；进行自细化增强特征；对输入图像提取建议；增强特征通过一个ROI Pooling层提取建议的区域特征；对区域特征使用全连接层，得到特征矩阵；分别在类别和建议2个不同的维度进行softmax和元素积得到所有建议得分；获得图片在类别c上的得分。其中，建议得分与显著性先验模块、多目标搜索方法、Refinement分支、边界框回归分支以及面积指导的加权策略关联。本发明直接使用原始图像进行训练，在主要基础网络上没有引入额外的高复杂度模型，就能有效地训练一个端到端的目标检测模型；本发明在非刚性目标的检测效果上明显优于已有的算法。
-
公开(公告)号：CN113038123A
公开(公告)日：2021-06-25
申请号：CN202110302516.1
申请日：2021-03-22
Applicant: 上海大学
IPC: H04N17/00
Abstract: 本发明提供了一种无参考全景视频质量评价方法及系统，包括：获得基于梯度域的局部二值模式的ERP平面结构特征；进行超像素分割处理，分别获得基于超像素的人眼感知的权重和基于超像素的投影关系的权重；根据所述局部二值模式的结构特征以及所述人眼感知的权重和所述投影关系的权重，提取全景视频单帧图像的结构特征；根据所述全景视频单帧图像的结构特征，估计全景视频质量分数。同时提供了一种相应的终端及介质。本发明不需要原始的参考序列，也不需要知道序列的失真类型，属于无参考视频质量评估技术，更适合实际应用中评估传输中产生的失真情况，在实时通信系统中实用性更强；失真的实验结果性能均为最高，具有更好的鲁棒性。
-
公开(公告)号：CN108259891B
公开(公告)日：2020-11-24
申请号：CN201810172989.2
申请日：2018-03-02
Applicant: 上海大学
Abstract: 本发明公开了一种基于双目时空内在推理机制的3D视频质量盲评估方法。首先，通过双目时空内在推理机制将3D视频的两个视点分别分解成多通道视频，包括能预测部分和不确定部分。结合左右视点和双目差值图的能预测部分和不确定部分得到6个通道的视频。然后，对每个视频建立多通道自然视频（Natural video statistics,NVS）统计模型，并提取NVS模型的统计参数作为视频质量的特征。最后，采用一个AdaBoosting径向基函数网络对数据进行训练得到一个将特征映射为视频质量的模型。本发明方法在IRCCYN和IMCL两个通用3D视频数据库上进行试验，都具有较高的鲁棒性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN111709900A
公开(公告)日：2020-09-25
申请号：CN202010748229.9
申请日：2020-07-30
Applicant: 上海大学
Abstract: 本发明公开了一种基于全局特征指导的高动态范围图像重建方法。首先，根据卷积神经网络自编码器结构设计高动态范围图像重建模型，包括局部特征提取分支、全局特征提取分支和重构分支。然后，原始高动态范围图像通过Reinhard色调映射算法，得到与现实中拍摄相近的低动态范围图像，使用这些低动态范围图像和高动态范围图像对建立训练集。最后，通过提出的混合损失函数进行约束重建的高动态范围图像，使用随机梯度下降算法对提出的模型进行训练，得到一个将低动态范围图像重建到高动态范围图像的模型。本发明方法在公开的数据集上进行实验，具有较高的鲁棒性和准确性。
-
公开(公告)号：CN110689599A
公开(公告)日：2020-01-14
申请号：CN201910849986.2
申请日：2019-09-10
Applicant: 上海大学
Abstract: 本发明公开了一种基于非局部增强的生成对抗网络的3D视觉显著性预测方法。具体步骤为：（1）非局部密集增强的编解码器网络生成器：输入是RGB图和深度图，经过网络提取图像的多尺度特征，非局部增强网络可结合局部信息与全局信息和实现特征重用。（2）判别网络：将RGB图、深度图和显著性图作为鉴别器的输入，输出表示输入的图片为人眼显著性的概率。（3）基于非局部增强的生成对抗网络模型训练：在训练过程中，使用双路编码器分别对RGB图像和深度图像分别训练，且深度图像采用迁移训练；采用了多尺度生成损失函数和对抗损失函数联合作为最终损失函数来指导训练。（4）、最后，利用步骤（3）训练好的网络模型进行测试，可得到显著性图。
-
公开(公告)号：CN109740592A
公开(公告)日：2019-05-10
申请号：CN201811471755.4
申请日：2018-12-04
Applicant: 上海大学
Abstract: 本发明公开了一种基于记忆的图像质量无参考评估方法。首先，通过视觉驱动的图像记忆特征预测模型提取图像记忆特征。利用基于局部协方差的显著性估计法获得失真图像的人眼感兴趣区域，对感兴趣区域使用不同尺度和方向的Gabor滤波器滤波得到感兴趣区域的GIST特征，最后进行独立成分分析得到记忆特征。然后，利用梯度域的局部二值模式（Local binary pattern on gradient domain,GLBP）描述图像的结构特征，计算图像的一阶导数熵（Entropy of first derivative,EFD）描述亮度特征。最后，采用以径向基函数为核函数的支持向量回归模型将图像特征映射到图像质量分数。本发明方法在MDID2013和LIVEMD两个通用混合失真图像数据库上进行试验，都具有较高的鲁棒性和准确性。
-
公开(公告)号：CN105704497B
公开(公告)日：2018-08-17
申请号：CN201610068485.7
申请日：2016-01-30
Applicant: 上海大学
IPC: H04N19/597 , H04N19/154
Abstract: 本发明涉及一种面向3D‑HEVC的编码单元尺寸快速选择算法，包括划分复杂度的计算、时域与视点间相关程度的量化、预测当前编码块划分复杂度、相关划分复杂度的计算、根据相关划分复杂度和预测的划分复杂度来估计当前编码块的深度范围以及提前终止CU划分步骤。本发明针对3D‑HEVC的编码结构，充分利用了视点间、时空域相关性，并挖掘它们之间的联系，并利用提前终止条件来跳过和提前终止不必要的CU划分，加速CU深度选择的过程，在不影响质量的情况下，大大降低了3D视频编码的复杂度。
-
公开(公告)号：CN110689509B
公开(公告)日：2024-04-19
申请号：CN201910849968.4
申请日：2019-09-10
Applicant: 上海大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于循环多列3D卷积神经网络的视频超分辨率重建方法。首先，使用光流算法估计出当前LR帧#imgabs0#和前一时刻LR帧#imgabs1#的光流图#imgabs2#然后，对网络重建的前一时刻的HR帧#imgabs3#做子像素反卷积(Sub‑Pixel Deconvolution)后得到前一时刻HR帧的子图#imgabs4#使用光流图#imgabs5#对前一时刻HR帧的子图#imgabs6#进行运动补偿，得到运动补偿后的HR帧的子图#imgabs7#最后，将当前LR帧#imgabs8#和运动补偿后的HR帧的子图#imgabs9#输入到多列3D卷积网络中重建得到当前的HR帧#imgabs10#重建得到当前的HR帧#imgabs11#和当前LR帧#imgabs12#也被用来重建下一时刻的HR帧#imgabs13#循环该算法，可以重建得到整个视频序列的HR帧。本发明方法在Vid4视频数据集上进行试验，都具有较高的鲁棒性和准确性。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.067 seconds)
