-
公开(公告)号：CN113724308B
公开(公告)日：2022-03-15
申请号：CN202111286968.1
申请日：2021-11-02
Applicant: 南京理工大学
IPC: G06T7/33
Abstract: 本发明涉及基于光度与对比度互注意力的跨波段立体匹配算法，包括：1.采集数据集，2.搭建端到端的跨模态立体匹配网络，3.构建约束，4.构建注意力增强机制，5.模型训练，包括共有特征提取训练和共有特征的视差匹配训练。本发明完成了红外‑可见光立体匹配系统的搭建，提供可见光长波红外跨模态立体匹配算法；提出并设计基于自编码的特征相关性学习框架，在高层语义特征上挖掘不同波段共有信息；提出特征层约束与明度注意力约束机制，特征约束有效的提升了代价卷模块在跨模态立体匹配任务中的性能；明度注意力提高在低曝光条件下网络对有效信息获取的能力。
-
公开(公告)号：CN112364854B
公开(公告)日：2021-05-28
申请号：CN202110045470.X
申请日：2021-01-14
Applicant: 南京理工大学
Abstract: 本发明涉及一种基于检测跟踪融合的机载目标抵近引导系统及方法，属于目标检测和跟踪技术领域。该系统包括相互通信的图像采集模块、软件处理模块和无人飞行模块。该方法为：系统初始化，获取图像，检测算法选择目标，跟踪算法获取模板，目标检测，目标跟踪，计算最大IOU，输出目标框，获取定位信息，计算相对距离，系统进行飞行调控。本套系统将目标检测与目标跟踪相结合，共同使用，以此提高目标追踪定位的稳定性，在完成目标检测跟踪定位任务的同时，控制无人机接近目标并检出目标关键部位，便于用于针对关键部位添加所需业务功能。
-
公开(公告)号：CN112364854A
公开(公告)日：2021-02-12
申请号：CN202110045470.X
申请日：2021-01-14
Applicant: 南京理工大学
Abstract: 本发明涉及一种基于检测跟踪融合的机载目标抵近引导系统及方法，属于目标检测和跟踪技术领域。该系统包括相互通信的图像采集模块、软件处理模块和无人飞行模块。该方法为：系统初始化，获取图像，检测算法选择目标，跟踪算法获取模板，目标检测，目标跟踪，计算最大IOU，输出目标框，获取定位信息，计算相对距离，系统进行飞行调控。本套系统将目标检测与目标跟踪相结合，共同使用，以此提高目标追踪定位的稳定性，在完成目标检测跟踪定位任务的同时，控制无人机接近目标并检出目标关键部位，便于用于针对关键部位添加所需业务功能。
-
公开(公告)号：CN113724139B
公开(公告)日：2022-03-15
申请号：CN202111287047.7
申请日：2021-11-02
Applicant: 南京理工大学
Abstract: 本发明涉及基于二重判别器生成对抗网络的无监督的红外单图超分，包括1.构造学习框架，构造一个非配对的无监督学习框架，包括生成对抗网络和内容约束模块，生成对抗网络包括生成器和判别器，学习框架从图像中提取红外特征，生成逼真的超分红外图像；2.搭建二重判别器结构，3.模块联合，4.创建数据集。本发明使超分图像具有噪声小、边缘纹理清晰、对比度高的优点；通过超分图像的退化图像和预先插值放大的图像保留、维持低频信息；利用风格‑纹理双判别器在对图像的高频信息进行重构的同时，保持整体图像风格的和谐统一和避免异常像素的产生；改进判别器结构，利用像素级别的真假判别矩阵增强对纹理细节信息的重建。
-
公开(公告)号：CN113920171A
公开(公告)日：2022-01-11
申请号：CN202111499743.4
申请日：2021-12-09
Applicant: 南京理工大学
Abstract: 发明涉及一种基于特征级和决策级融合的双模态目标跟踪算法，包括构建SiamDL双级融合注意网络结构；获取模板图像；获取搜索区域图像；提取图像深度特征；对多域的深度特征进行交互；对交互后的特征进行分类约束；对分类结果进行调制；特征融合；调制融合特征；分类回归。本发明通过引入双层融合注意机制，提出了一种双级平衡模块，它可以利用决策级和特征级的信息更合理地平衡两种模式的权重比；引入跨域孪生注意机制，提出一个多域感知模块，能够自适应地更新模板特征，利用模式域和时域丰富的上下文信息，提高网络的特征表示能力，实现了高速运转和优异的跟踪结果，提升了跟踪器应对复杂场景的能力。
-
Patent Agency Ranking
公开(公告)号：CN113724139A
公开(公告)日：2021-11-30
申请号：CN202111287047.7
申请日：2021-11-02
Applicant: 南京理工大学
Abstract: 本发明涉及基于二重判别器生成对抗网络的无监督的红外单图超分，包括1.构造学习框架，构造一个非配对的无监督学习框架，包括生成对抗网络和内容约束模块，生成对抗网络包括生成器和判别器，学习框架从图像中提取红外特征，生成逼真的超分红外图像；2.搭建二重判别器结构，3.模块联合，4.创建数据集。本发明使超分图像具有噪声小、边缘纹理清晰、对比度高的优点；通过超分图像的退化图像和预先插值放大的图像保留、维持低频信息；利用风格‑纹理双判别器在对图像的高频信息进行重构的同时，保持整体图像风格的和谐统一和避免异常像素的产生；改进判别器结构，利用像素级别的真假判别矩阵增强对纹理细节信息的重建。
-
公开(公告)号：CN113052873B
公开(公告)日：2022-09-09
申请号：CN202110278727.6
申请日：2021-03-16
Applicant: 南京理工大学
Abstract: 本发明涉及一种在线自监督学习场景适应的单目标跟踪方法，对于输入待测视频序列Dtest的每一帧图像I：加载SiamFC离线训练得到的匹配模型；对输入图像I经过裁剪缩放得到模板图像z和搜索区域图像x；得到尺寸为22×22×128的模板特征图 和尺寸为22×22×128的搜索区域特征图 将模板特征 看作卷积核，在搜索区域特征 上进行卷积运算，可以得到正向响应得分图scorei；搭建在线自监督学习框架；输出优化后的响应得分图scorei，作为最终响应图response_map。本专利以SiamFC算法为基准，设计了在线自监督学习的场景适应的跟踪网络结构，利用模板自身数据生成标签，构建在线一致性约束，使得离线训练过程中得到的匹配模型更关注于目标区域，增强了模型的匹配性
-
公开(公告)号：CN113052873A
公开(公告)日：2021-06-29
申请号：CN202110278727.6
申请日：2021-03-16
Applicant: 南京理工大学
Abstract: 本发明涉及一种在线自监督学习场景适应的单目标跟踪方法，对于输入待测视频序列Dtest的每一帧图像I：加载SiamFC离线训练得到的匹配模型；对输入图像I经过裁剪缩放得到模板图像z和搜索区域图像x；得到尺寸为22×22×128的模板特征图和尺寸为22×22×128的搜索区域特征图将模板特征看作卷积核，在搜索区域特征上进行卷积运算，可以得到正向响应得分图scorei；搭建在线自监督学习框架；输出优化后的响应得分图scorei，作为最终响应图response_map。本专利以SiamFC算法为基准，设计了在线自监督学习的场景适应的跟踪网络结构，利用模板自身数据生成标签，构建在线一致性约束，使得离线训练过程中得到的匹配模型更关注于目标区域，增强了模型的匹配性能，提升了跟踪定位的精度，获得了良好的跟踪效果。
-
公开(公告)号：CN111156925A
公开(公告)日：2020-05-15
申请号：CN201911321081.4
申请日：2019-12-19
Applicant: 南京理工大学
IPC: G01B11/25
Abstract: 本发明公开了一种基于线结构光和工业机器人的大构件三维测量方法，三维测量由两部分组成，即单次测量的三维数据获取和多次测量之间的三维数据拼接；本发明结合线结构光三维测量技术和机器人手眼标定技术，线结构光三维测量系统用于获取单次测量的三维数据，机器人手眼标定则实现了多次测量之间的三维数据拼接。本发明利用双目相机辅助进行单目线结构光平面的标定方法，简化了线标定的过程，提高了线重建的精度；采用空间圆拟合的方法来拟合标准球的球心坐标，使光平面可以是任意平面方程，扩大了标准球手眼标定方法的适用范围，本发明的测量方法能够精准地重建目标三维点云模型。
-
公开(公告)号：CN113920171B
公开(公告)日：2022-10-25
申请号：CN202111499743.4
申请日：2021-12-09
Applicant: 南京理工大学
Abstract: 发明涉及一种基于特征级和决策级融合的双模态目标跟踪算法，包括构建SiamDL双级融合注意网络结构；获取模板图像；获取搜索区域图像；提取图像深度特征；对多域的深度特征进行交互；对交互后的特征进行分类约束；对分类结果进行调制；特征融合；调制融合特征；分类回归。本发明通过引入双层融合注意机制，提出了一种双级平衡模块，它可以利用决策级和特征级的信息更合理地平衡两种模式的权重比；引入跨域孪生注意机制，提出一个多域感知模块，能够自适应地更新模板特征，利用模式域和时域丰富的上下文信息，提高网络的特征表示能力，实现了高速运转和优异的跟踪结果，提升了跟踪器应对复杂场景的能力。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
