公开(公告)号：CN117808683B

公开(公告)日：2025-01-21

申请号：CN202311861793.1

申请日：2023-12-29

Applicant: 南京信息工程大学

Inventor： 姜胜芹 ,  邹星欣 ,  李林飞 ,  揭谦 ,  刘青山

IPC: G06T5/00 ,  G06V10/774 ,  G06V10/776 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了一种鲁棒的增量低光图像增强方法及装置，本发明采集一系列低光图像数据集以及相应的正常光图像，以构建增量样本库；构建域增量低光图像增强模型；按照训练顺序获取当前需要训练的样本域，实时对样本域进行预处理；利用经过预处理的训练数据集，对域增量低光图像增强模型进行训练；训练完后采用当前样本域验证集筛选出在测评指标上最高的域增量低光图像增强模型并保存；然后，采用所有旧域和当前域测试集对模型进行全面测试，评估增强效果和遗忘率，并使用当前模型参数更新下一增量阶段模型参数；完成针对所有域的训练，获得最终的域增量低光图像增强模型。本发明对动态变化的低光图像域进行自适应增强，增强后的图像效果相比现有技术更好。

公开(公告)号：CN117809186B

公开(公告)日：2024-11-29

申请号：CN202311863533.8

申请日：2023-12-29

Applicant: 南京信息工程大学

Inventor： 姜胜芹 ,  揭谦 ,  张道龙

IPC: G06V20/10 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/084 ,  G06V10/82 ,  G06V10/44 ,  G06V10/776

Abstract: 本发明公开了一种基于异质框架搜索的蚜虫计数方法及装置，本发明首先构建蚜虫训练数据集，包括蚜虫图像收集和标签制作，所述标签制作用于对每张图片的蚜虫目标进行点标注，利用高斯核对点标注进行卷积运算生成高斯密度图。然后，对蚜虫图像进行数据预处理。之后构建蚜虫计数网络模型，包括基础网络、异质框架搜索模块和特征稳定器模块。再将预处理后的蚜虫图像和对应的密度图作为训练样本，对所述蚜虫计数网络模型进行网络结构搜索及训练；最后将待计数的蚜虫图像输入训练好的蚜虫计数模型，输出得到密度图，对密度图中的数值进行求和，得到蚜虫的计数值。本发明可以对包含蚜虫的图像进行蚜虫计数，能完成不同尺度下精确的蚜虫计数。

公开(公告)号：CN117809186A

公开(公告)日：2024-04-02

申请号：CN202311863533.8

申请日：2023-12-29

Applicant: 南京信息工程大学

Inventor： 姜胜芹 ,  揭谦 ,  张道龙

IPC: G06V20/10 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/084 ,  G06V10/82 ,  G06V10/44 ,  G06V10/776

Abstract: 本发明公开了一种基于异质框架搜索的蚜虫计数方法及装置，本发明首先构建蚜虫训练数据集，包括蚜虫图像收集和标签制作，所述标签制作用于对每张图片的蚜虫目标进行点标注，利用高斯核对点标注进行卷积运算生成高斯密度图。然后，对蚜虫图像进行数据预处理。之后构建蚜虫计数网络模型，包括基础网络、异质框架搜索模块和特征稳定器模块。再将预处理后的蚜虫图像和对应的密度图作为训练样本，对所述蚜虫计数网络模型进行网络结构搜索及训练；最后将待计数的蚜虫图像输入训练好的蚜虫计数模型，输出得到密度图，对密度图中的数值进行求和，得到蚜虫的计数值。本发明可以对包含蚜虫的图像进行蚜虫计数，能完成不同尺度下精确的蚜虫计数。

公开(公告)号：CN117808683A

公开(公告)日：2024-04-02

申请号：CN202311861793.1

申请日：2023-12-29

Applicant: 南京信息工程大学

Inventor： 姜胜芹 ,  邹星欣 ,  李林飞 ,  揭谦 ,  刘青山

IPC: G06T5/00 ,  G06V10/774 ,  G06V10/776 ,  G06V10/40 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了一种鲁棒的增量低光图像增强方法及装置，本发明采集一系列低光图像数据集以及相应的正常光图像，以构建增量样本库；构建域增量低光图像增强模型；按照训练顺序获取当前需要训练的样本域，实时对样本域进行预处理；利用经过预处理的训练数据集，对域增量低光图像增强模型进行训练；训练完后采用当前样本域验证集筛选出在测评指标上最高的域增量低光图像增强模型并保存；然后，采用所有旧域和当前域测试集对模型进行全面测试，评估增强效果和遗忘率，并使用当前模型参数更新下一增量阶段模型参数；完成针对所有域的训练，获得最终的域增量低光图像增强模型。本发明对动态变化的低光图像域进行自适应增强，增强后的图像效果相比现有技术更好。