-
公开(公告)号：CN117793538B
公开(公告)日：2024-06-25
申请号：CN202410200816.2
申请日：2024-02-23
Applicant: 北京理工大学 , 杭州电子科技大学丽水研究院 , 杭州电子科技大学
Abstract: 本申请提出了一种图像自动曝光矫正与增强方法及装置，该方法包括：根据正常曝光Raw图像数据中的线性关系，构造有监督的异常曝光图像数据集；构建全局亮度调整网络与频率增强重建网络，将异常曝光图像数据集输入全局亮度调整网络，得到亮度矫正图像，将亮度矫正图像输入频率增强重建网络，得到矫正增强图像；基于矫正增强图像与正常曝光Raw图像数据，计算损失值，并基于损失值对其网络模型参数进行优化，得到优化模型；将其他图像输入优化模型得到优化图像，根据图像质量评价指标评价优化图像，得到客观评估指标。基于本申请提出的方案，能够对原始Raw图像数据达到自动曝光矫正与增强的效果，从而应对复杂环境下成像质量低的问题。
-
公开(公告)号：CN117726542B
公开(公告)日：2024-06-21
申请号：CN202410180240.8
申请日：2024-02-18
Applicant: 北京理工大学
IPC: G06T5/70 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06T5/60
Abstract: 本申请提出了一种基于扩散模型的可控噪声去除方法及系统，该方法包括：构建基于潜在扩散模型的拟真噪声建模网络，包括噪声生成网络和相机适配网络；通过包括相机参数以及成对的真实带噪图像和干净图像的训练数据，预训练拟真噪声建模网络；基于扩散模型对预训练完成的相机适配网络进行微调；通过微调后的相机适配网络和预训练后的噪声生成网络生成大量的拟真成对数据，并通过拟真成对数据训练深度学习去噪网络，通过训练完成的深度学习去噪网络对待处理图像进行去噪。该方法能够针对各类相机的特定参数，可控地生成逼近真实噪声分布的成对训练数据集，实现高效的图像噪声去除效果。
-
公开(公告)号：CN118195941A
公开(公告)日：2024-06-14
申请号：CN202410280738.1
申请日：2024-03-12
Applicant: 北京理工大学
Abstract: 本发明涉及计算机图像处理技术领域，尤其是指一种图像联合去噪和去马赛克的方法、装置、设备及计算机存储介质。本发明的一种均值约束的图像联合去噪与去马赛克的方法，通过将去噪的中间结果显式地建模为输入图像的像素均值，在去马赛克前基本完成去噪任务，避免噪声对后续去马赛克阶段重构空间信息的干扰，同时可以将去噪、去马赛克网络联合训练，从而进一步提高网络性能，达到更好的图像联合去噪与去马赛克效果。
-
公开(公告)号：CN118097414A
公开(公告)日：2024-05-28
申请号：CN202410216420.7
申请日：2024-02-27
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/09 , G06N3/094
Abstract: 本发明涉及摇感图像处理技术领域，尤其涉及一种高光谱图像分类方法、装置、电子设备及存储介质，包括：利用变分推理的损失函数对基于扩散模型的域数据扩展模型进行训练，得到训练完成的域数据扩展模型；利用训练完成的域数据扩展模型对源域场景数据进行扩充，生成扩展域场景数据；基于扩展域场景数据及所述源域场景数据，利用监督对比学习和对比对抗学习损失函数对判别器网络模型进行训练，得到训练完成的判别器网络模型；利用训练完成的判别器网络模型对目标域场景数据进行特征提取和分类预测，得到目标域场景数据的土地覆盖类别。通过基于扩散模型的跨场景高光谱图像分类方法，从而实现精准、可靠的跨场景高光谱图像分类。
-
公开(公告)号：CN118960962B
公开(公告)日：2025-02-21
申请号：CN202411430376.6
申请日：2024-10-14
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于退化仿真的干涉光谱成像复原方法及系统，属于遥感图像处理技术领域。在退化建模标定中将干涉成像中的退化元素分为趋势项和噪声，并将退化过程建模为仪器退化、感光退化和信号无关退化三大阶段，采用干涉成像退化模型及相应的模型标定方法，针对特定的仪器提取各个阶段的退化特性和模型参数，生成相应的标定结果，并用于生成高度拟真的干涉数据。在复原过程中，构建一个多阶段的复原算法框架，将退化过程中的趋势项、变换计算等元素和噪声分开处理，同时设计了多阶段仿真数据集生成方法，能够根据标定结果，从光谱数据集生成专用于训练整个算法的、高拟真度的仿真干涉图数据集。本发明实现了效率更高、效果更好的干涉成像复原。
-
Patent Agency Ranking
公开(公告)号：CN119169281A
公开(公告)日：2024-12-20
申请号：CN202411057855.8
申请日：2024-08-02
Applicant: 北京理工大学
IPC: G06V10/26 , G06V20/70 , G06V10/82 , G06V10/44 , G06N3/08 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于频率感知抗混叠的图像分割方法和系统，属于计算机视觉技术领域。本发明根据采样定理，在语义分割模型中的特征提取、下采样中对导致混叠现象高频细节信息进行调整、移除。在神经网络中，采用频率混合模块，在特征提取过程中细节丰富的高频成分进行自适应的调整，并提出抗混叠滤波在下采样过程对高频成分进行移除。通过这种方式，在极小的额外计算量下，缓解了神经网络中的混叠现象，显著提高了语义分割模型在特征处理过程中对物体边缘的识别精度，实现了高精度低复杂度的语义分割。本发明的额外计算量开销极低，实现简单、性能高、鲁棒性强，有利于实现低延迟、高速度的语义分割。
-
公开(公告)号：CN119152178A
公开(公告)日：2024-12-17
申请号：CN202411058242.6
申请日：2024-08-02
Applicant: 北京理工大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N20/00 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本发明涉及一种基于数据和特征的红外小目标检测优化方法及系统，属于计算机视觉技术领域。首先预处理红外小目标数据集中的训练数据，并对训练数据进行分类，随机裁剪扩充数据量。将分类好的数据和其对应的标签输入扩散模型进行训练。然后，加载训练好的扩散模型参数，输入随机噪声、随机类别和随机标签生成红外数据，融入原始训练数据，得到新的合成训练数据集。在神经网络中，应用基于记忆的检测头，使用合成数据集进行训练。最后加载训练好的网络参数，输入需要检测的红外图像，得到检测结果。本发明引入了扩散模型来生成红外数据，增加了训练数据的多样性，提高了检测精度和稳定性。
-
公开(公告)号：CN118071799A
公开(公告)日：2024-05-24
申请号：CN202410262069.5
申请日：2024-03-07
Applicant: 北京理工大学
IPC: G06T7/246 , G06N3/0464 , G06N3/082 , G06V10/14 , G06V10/774 , G06V10/778 , G06V10/80
Abstract: 本发明公开了一种低光照条件下的多目标追踪方法及系统，该方法包括，利用双相机系统收集成对的低光照视频数据样本；对低光照视频数据样本进行多目标追踪标注得到低光多目标追踪数据集；将低光多目标追踪数据集输入至低光多目标追踪网络模型进行网络训练，以训练得到网络参数；基于网络参数得到训练好的低光多目标追踪网络模型，并利用训练好的低光多目标追踪网络模型对输入的实时低光照视频数据进行低光多目标追踪以得到低光多目标追踪结果。本发明可以在不依赖额外成像设备的条件下，有效提升低光环境下多目标追踪的性能。
-
公开(公告)号：CN117765264A
公开(公告)日：2024-03-26
申请号：CN202410195602.0
申请日：2024-02-22
Applicant: 北京理工大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于频率自适应膨胀卷积的图像语义分割方法及系统，该方法包括，构建基于频率自适应膨胀卷积的语义分割网络模型；将输入特征图样本输入至语义分割网络模型中进行模型训练，以利用特征频率选择卷积对输入特征图样本的频率进行空间自适应加权得到特征加权结果，并利用自适应膨胀率卷积和自适应核模块分别根据特征加权结果预测膨胀率控制卷积核采样位置以及调制卷积核参数中高低频的比例以得到模型输出结果，得到训练好的语义分割网络模型；将实时输入特征图输入至训练好的语义分割网络模型进行图像语义分割以输出得到图像语义分割结果。本发明可以大幅度提高语义分割模型在特征过程中保留高频细节信息的能力。
-
公开(公告)号：CN118097414B
公开(公告)日：2025-01-28
申请号：CN202410216420.7
申请日：2024-02-27
Applicant: 北京理工大学
IPC: G06V20/10 , G06V10/58 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/09 , G06N3/094
Abstract: 本发明涉及摇感图像处理技术领域，尤其涉及一种高光谱图像分类方法、装置、电子设备及存储介质，包括：利用变分推理的损失函数对基于扩散模型的域数据扩展模型进行训练，得到训练完成的域数据扩展模型；利用训练完成的域数据扩展模型对源域场景数据进行扩充，生成扩展域场景数据；基于扩展域场景数据及所述源域场景数据，利用监督对比学习和对比对抗学习损失函数对判别器网络模型进行训练，得到训练完成的判别器网络模型；利用训练完成的判别器网络模型对目标域场景数据进行特征提取和分类预测，得到目标域场景数据的土地覆盖类别。通过基于扩散模型的跨场景高光谱图像分类方法，从而实现精准、可靠的跨场景高光谱图像分类。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.02 seconds)
