公开(公告)号：CN118071799B

公开(公告)日：2025-01-28

申请号：CN202410262069.5

申请日：2024-03-07

Applicant: 北京理工大学

Inventor： 付莹 ,  王欣哲 ,  刘乾坤 ,  李和松

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：CN119152250A

公开(公告)日：2024-12-17

申请号：CN202411058129.8

申请日：2024-08-02

Applicant: 北京理工大学

Inventor： 付莹 ,  王欣哲 ,  邵瑞文 ,  武楠 ,  王晓庸

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明涉及一种基于全量化VGG风格卷积神经网络的图像分类方法，属于人工智能与图像处理技术领域。首先预训练全精度图像分类网络，为低比特量化提供具有高精度、量化友好的良好初始化权值。然后进行低比特量化感知训练，获取性能优异的低比特量化VGG风格卷积神经网络权值。将量化后网络中的低精度‑高精度数转换映射、批正则化层和激活层进行融合合并为查找表参数，并将剩余的卷积层网络参数从浮点数表示低伪低精度整数转换为真正的低精度整数网络参数，用于部署。利用转换后的图像分类网络，进行图像分类。本发明极大改善了低比特量化的VGG风格卷积神经网络的性能，提升了图像分类的精确度和推理速度，具有较高的实际应用价值。

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

Inventor： 付莹 ,  王欣哲 ,  刘乾坤 ,  李和松

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：CN117252757A

公开(公告)日：2023-12-19

申请号：CN202310972495.3

申请日：2023-08-03

Applicant: 北京理工大学

Inventor： 付莹 ,  王欣哲 ,  高智杰 ,  吕跃祖

IPC: G06T3/40 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明提出了基于自然图像先验的高光谱图像超分辨率方法及系统，属于高光谱图像处理技术领域。首先使用大规模自然图像数据集预训练空间纹理先验模型。然后联合优化光谱响应函数和空间引导融合网络，在优化时冻结空间纹理先验模型的参数，专注于学习光谱相关性。解冻空间纹理先验模型的参数，联合优化网络并学习空间‑光谱相关性知识，获得最终的空间引导超分辨率网络参数。利用所学习到的网络参数对输入图像进行处理，获得超分辨率后的高分辨率高光谱图像。系统包括光谱响应函数模块、空间纹理先验模块和空间引导融合模块。本发明有效解决了现有方法存在的恢复效果不佳、空间纹理知识无法复用等问题，能够提供更高质量的高光谱图像数据。