-
公开(公告)号：CN114283078B
公开(公告)日：2024-06-18
申请号：CN202111494688.X
申请日：2021-12-09
Applicant: 北京理工大学
IPC: G06T5/73 , G06N3/0464 , G06N3/08 , G06T5/50
Abstract: 本发明公开了一种基于双路卷积神经网络的自适应融合图像去雾方法。首先，利用双路的卷积神经网络分别对输入的有雾图像进行特征提取，其中，图像复原子网络中的注意力残差模块负责图像的初步复原，细节增强子网络中的细节增强模块负责构建图像的细节信息；其次，利用自适应融合模块，将两个子网络中所提取到的特征进行自适应融合，得到更加精细的特征结果；最后，引入多内容损失函数对模型进行优化，其中，像素级损失函数缩小了图像内容差异，特征级损失函数提升了复原图像的视觉效果。本发明可用于在恶劣雾霾天气下进行的目标识别、及自动驾驶等任务。
-
公开(公告)号：CN114283078A
公开(公告)日：2022-04-05
申请号：CN202111494688.X
申请日：2021-12-09
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于双路卷积神经网络的自适应融合图像去雾方法。首先，利用双路的卷积神经网络分别对输入的有雾图像进行特征提取，其中，图像复原子网络中的注意力残差模块负责图像的初步复原，细节增强子网络中的细节增强模块负责构建图像的细节信息；其次，利用自适应融合模块，将两个子网络中所提取到的特征进行自适应融合，得到更加精细的特征结果；最后，引入多内容损失函数对模型进行优化，其中，像素级损失函数缩小了图像内容差异，特征级损失函数提升了复原图像的视觉效果。本发明可用于在恶劣雾霾天气下进行的目标识别、及自动驾驶等任务。
-
公开(公告)号：CN116934819A
公开(公告)日：2023-10-24
申请号：CN202310876018.7
申请日：2023-07-17
Applicant: 北京理工大学
IPC: G06T7/33 , G06T5/20 , G06N3/0475 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于低秩特征图的多源影像高精度配准数据增广方法。得益于红外与可见光遥感图像共有的低秩特征信息，本发明通过低秩特征提取算法获取红外遥感图像与可见光遥感图像的低秩特征图，并设计构建了基于条件引导的生成对抗网络，其中，红外遥感图像与其对应的低秩特征图用于训练，可见光遥感图像用于推理生成对应的红外遥感图像。此外，将生成的红外遥感图像进行视角变换以模拟低空飞行器在实际飞行过程中的图像采集视角，最后将视角变换后的红外遥感图像进行裁剪与逆映射生成图像多源图像配准数据集。综上所述，本发明能够有效地生成高精度的多源图像配准数据集，为低空飞行器的多源导航算法提供了充足的数据支持。
-
Patent Agency Ranking
公开(公告)号：CN115601656A
公开(公告)日：2023-01-13
申请号：CN202211264578.9
申请日：2022-10-17
Applicant: 北京理工大学(CN)
IPC: G06V20/13 , G06V10/20 , G06V10/764 , G06V10/774 , G06V10/80
Abstract: 本发明提出了一种用于分析云雾对舰船目标检测影响的方法。首先，对获取得到的清晰遥感舰船图像进行添加云雾处理，即通过基于物理模型的云雾模拟技术，生成随机大小、形状和透明度的云雾模板，以逐像素叠加融合的方式获得带有云雾遮挡的遥感舰船图像。其次，构建舰船目标检测模型，提取不同云雾遮挡遥感舰船图像的风格特征，生成其对应的特征嵌入表示，作为后续误差分类网络的输入。最后，设计搭建误检分类网络模型，输入为不同的风格特征嵌入表示，输出舰船图像的误检率。利用网络可解释性方法，对影响检测网络输出的图像特征影响因素进行分析，根据分析结果评估在图像中加入的云雾遮挡因素对目标检测造成的影响。本发明所提出的方法对目标检测中的云雾遮挡异常影响因素进行探究分析，有效的提升了目标检测网络的适应性。
-
公开(公告)号：CN116958000A
公开(公告)日：2023-10-27
申请号：CN202310788388.5
申请日：2023-06-29
Applicant: 北京理工大学
IPC: G06T5/50 , G06V20/13 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于UE5的遥感舰船目标图像生成方法及其应用。首先基于UE5遥感仿真场景搭建，生成遥感海面仿真图。然后设计图像图像融合算法将舰船模型与遥感海面仿真图融合，得到遥感舰船图像。其次利用大气散射模型与光照矩阵给遥感舰船图像增加干扰，扩充数据集。接着基于对比学习设计图像转换算法将数据集增广到多余。最后构建目标检测算法评估数据集的各种噪声因素对算法性能的影响程度。
-
公开(公告)号：CN115086516A
公开(公告)日：2022-09-20
申请号：CN202210568408.3
申请日：2022-05-24
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于深度学习模型的摄像系统自动对焦方法。通过构建离焦量回归模型，华为开发板对摄像机捕捉的离焦图像进行离焦量估计，串口信号转换器将估计得到的离焦量大小进行编码处理，传输到舵机驱动模块，进而控制齿轮带动可调焦镜头，完成摄像系统自动对焦的目的。本发明解决了当前传统自动对焦算法存在的响应时间长、离焦估计精度低等问题，为人员在线跟踪、动作捕捉等需要连续变焦的摄像系统提供清晰的对焦图像输入，提升系统的整体性能。
-
公开(公告)号：CN115601657A
公开(公告)日：2023-01-13
申请号：CN202211270809.7
申请日：2022-10-17
Applicant: 北京理工大学(CN)
IPC: G06V20/13 , G06V10/30 , G06V10/42 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及图像去雾、目标检测等领域，针对恶劣天气下舰船检测难、精度低等问题，提出了一种应用于恶劣天气下舰船目标检测与识别的方法。其中包括两个阶段：首先，通过一个去雾模型将雾化图像转化为清晰无雾图像；其次，利用一个改进型的检测网络对处理后的清晰输入进行目标检测任务，识别定位感兴趣的舰船目标。去雾模型由CNN分支、transformer分支与融合分支组成。其中，CNN分支负责局部特征提取，transformer分支用于长距离的全局特征依赖，融合分支实现特征自适应方式融。检测模型基于原始的YOLOV5架构，利用多分支卷积结构替换原始的特征提取模块，提升检测性能。本发明能够缓解恶劣天气下舰船目标检测精度低等问题，具有较高的实用价值。
-
公开(公告)号：CN115601261A
公开(公告)日：2023-01-13
申请号：CN202211264570.2
申请日：2022-10-17
Applicant: 北京理工大学(CN)
Abstract: 本发明公开了一种基于对比学习的半监督图像去雾方法。分别利用仿真数据集和真实未匹配的数据集对所提出的去雾模型进行训练，缩小了仿真数据与真实雾霾数据之间的域差异，有效的提升了去雾模型的泛化能力。该去雾模型包含有两个分支，即有监督去雾分支和无监督去雾分支。具体来说，有监督去雾分支采用匹配的雾化‑清晰数据集用于训练，通过MSE损失函数和结构化损失函数对模型进行优化约束。无监督去雾分支利用未匹配的数据集，即真实雾霾图像和清晰无雾图像，通过暗通道先验损失函数和梯度损失函数对模型进行无监督的优化约束。此外，在无监督去雾分支中，引入对比学习范式，构建一个共享的特征潜在空间。其中，将有雾图像看作为负样本，无雾图像看作为正样本，使得生成的去雾图像拉近正样本而推离负样本，提升模型的去雾能力。综上所述，本发明能够有效实现图像去雾目的，适用于目标检测、跟踪等任务，具有较为广泛的应用前景。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.012 seconds)
