-
公开(公告)号：CN113901963B
公开(公告)日：2022-04-12
申请号：CN202111472000.8
申请日：2021-12-06
Applicant: 南京理工大学
IPC: G06V40/16 , G06V10/145 , G06V20/62 , G06V10/44 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种具有多场景适应性的透过散射介质模块化成像方法，包括构建散射介质成像卷积神经网络；改进基础结构；采用即插即用模块与基础结构结合组成新的网络结构；采集数据对卷积神经网络进行训练优化；利用优化后的卷积神经网络进行成像。本发明通过在UNet神经网络结构的基础上增加语义嵌入分支模块SEB，将更多的语义信息引入低级特征，更好地实现低级特征与高级特征之间的融合；结合感受野模块，扩大卷积神经网络的感受野，提升特征层的全局性，优化了成像质量；将特征融合模块、密集连接模块和感受野模块与基础结构结合作为即插即用的系列进行应用，提高了神经网络结构的灵活性。
-
公开(公告)号：CN113901963A
公开(公告)日：2022-01-07
申请号：CN202111472000.8
申请日：2021-12-06
Applicant: 南京理工大学
Abstract: 本发明涉及一种具有多场景适应性的透过散射介质模块化成像方法，包括构建散射介质成像卷积神经网络；改进基础结构；采用即插即用模块与基础结构结合组成新的网络结构；采集数据对卷积神经网络进行训练优化；利用优化后的卷积神经网络进行成像。本发明通过在UNet神经网络结构的基础上增加语义嵌入分支模块SEB，将更多的语义信息引入低级特征，更好地实现低级特征与高级特征之间的融合；结合感受野模块，扩大卷积神经网络的感受野，提升特征层的全局性，优化了成像质量；将特征融合模块、密集连接模块和感受野模块与基础结构结合作为即插即用的系列进行应用，提高了神经网络结构的灵活性。
-
公开(公告)号：CN113256800A
公开(公告)日：2021-08-13
申请号：CN202110646148.2
申请日：2021-06-10
Applicant: 南京理工大学
Abstract: 本发明涉及一种基于深度学习的精确快速大景深三维重建方法，属于计算机智能视觉技术领域。包括如下步骤：基于深度学习设计搭建景深拓展卷积神经网络，通过三维测量系统采集待测物体的原始条纹图片，再获取高精度包裹相位，并以此重建三维信息。本发明提出的方法利用设备在固定的焦距下所拍摄的三张不同相移的条纹图像，即可在较大的测量景深内获得高精度的包裹相位。在这一过程中，投影仪和相机所引起的测量误差可被明显降低，仅通过单次拍摄即可在大景深场景下实现高性能的三维重建。
-
公开(公告)号：CN113884027B
公开(公告)日：2022-03-18
申请号：CN202111458588.1
申请日：2021-12-02
Applicant: 南京理工大学
Abstract: 本发明涉及一种基于自监督深度学习的几何约束相位展开方法，属于图像处理技术领域。包括如下步骤：S1：通过三维测量系统采集原始的待测物体的条纹图片并计算得到包裹相位图以及背景光强图像，并通过标定得到系统中投影仪与相机的标定参数；S2：将S1中的包裹相位图和背景光强图通过卷积神经网络转换成展开相位所需的条纹级次的图像；S3：将S2中的条纹级次图像经过相位深度映射与相应的系统标定参数计算得到精确的三维信息。本发明可以解决基于监督学习进行相位展开存在的泛化能力低、强数据依赖的问题。
-
公开(公告)号：CN113920297A
公开(公告)日：2022-01-11
申请号：CN202111519123.2
申请日：2021-12-14
Applicant: 南京理工大学
Abstract: 本发明公开一种基于物理驱动的神经网络透过散射介质的彩色泛化成像方法，包括建立一个物理模型与神经网络模型互驱动的神经网络、建立一个用于采集实验图像数据的系统配置，将采集到的图像数据经过预处理后送进神经网络进行图像复原重建。本发明将基于散斑相关和散斑冗余性物理先验和多通道卷积神经网络强大的数据挖掘和映射能力的有效结合，仅利用一块介质的散斑数据即可实现透过未知散射介质的多光谱复杂目标等情况下，实现对目标的高质量恢复，有力地推动了物理感知学习方法在实际散射场景中的成像泛化成像。该方法更加充分的利用了散斑的原始信息，对实际散射场景复杂多变、目标信息特性复杂和数据难以充分获取任务。
-
Patent Agency Ranking
公开(公告)号：CN113884027A
公开(公告)日：2022-01-04
申请号：CN202111458588.1
申请日：2021-12-02
Applicant: 南京理工大学
Abstract: 本发明涉及一种基于自监督深度学习的几何约束相位展开方法，属于图像处理技术领域。包括如下步骤：S1：通过三维测量系统采集原始的待测物体的条纹图片并计算得到包裹相位图以及背景光强图像，并通过标定得到系统中投影仪与相机的标定参数；S2：将S1中的包裹相位图和背景光强图通过卷积神经网络转换成展开相位所需的条纹级次的图像；S3：将S2中的条纹级次图像经过相位深度映射与相应的系统标定参数计算得到精确的三维信息。本发明可以解决基于监督学习进行相位展开存在的泛化能力低、强数据依赖的问题。
-
公开(公告)号：CN113256800B
公开(公告)日：2021-11-26
申请号：CN202110646148.2
申请日：2021-06-10
Applicant: 南京理工大学
Abstract: 本发明涉及一种基于深度学习的精确快速大景深三维重建方法，属于计算机智能视觉技术领域。包括如下步骤：基于深度学习设计搭建景深拓展卷积神经网络，通过三维测量系统采集待测物体的原始条纹图片，再获取高精度包裹相位，并以此重建三维信息。本发明提出的方法利用设备在固定的焦距下所拍摄的三张不同相移的条纹图像，即可在较大的测量景深内获得高精度的包裹相位。在这一过程中，投影仪和相机所引起的测量误差可被明显降低，仅通过单次拍摄即可在大景深场景下实现高性能的三维重建。
-
公开(公告)号：CN113962866B
公开(公告)日：2023-04-07
申请号：CN202111575701.4
申请日：2021-12-22
Applicant: 南京理工大学
IPC: G06T3/40 , G06T7/49 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于物理感知学习的散射成像目标重建方法，包括：基于散斑相关的物理先验信息，利用已知目标透过相同散射介质在固定目标和相机位置下的散斑数据进行数据增广和模型训练，而后通过训练好的学习网络对未知散射场景下未知目标位置和相机位置的散斑数据进行目标重建。本发明利用散斑相关在大景深范围下的比例关系进行数据增广，仅通过利用透过一块散射介质下固定目标位置和相机位置的散斑数据进行模型的训练，便可实现对未知散射场景下未知目标位置和相机位置下的复杂目标进行高保真准确重建，同时具有良好的鲁棒性。
-
公开(公告)号：CN113920297B
公开(公告)日：2022-03-18
申请号：CN202111519123.2
申请日：2021-12-14
Applicant: 南京理工大学
Abstract: 本发明公开一种基于物理驱动的神经网络透过散射介质的彩色泛化成像方法，包括建立一个物理模型与神经网络模型互驱动的神经网络、建立一个用于采集实验图像数据的系统配置，将采集到的图像数据经过预处理后送进神经网络进行图像复原重建。本发明将基于散斑相关和散斑冗余性物理先验和多通道卷积神经网络强大的数据挖掘和映射能力的有效结合，仅利用一块介质的散斑数据即可实现透过未知散射介质的多光谱复杂目标等情况下，实现对目标的高质量恢复，有力地推动了物理感知学习方法在实际散射场景中的成像泛化成像。该方法更加充分的利用了散斑的原始信息，对实际散射场景复杂多变、目标信息特性复杂和数据难以充分获取任务。
-
公开(公告)号：CN113962866A
公开(公告)日：2022-01-21
申请号：CN202111575701.4
申请日：2021-12-22
Applicant: 南京理工大学
IPC: G06T3/40 , G06T7/49 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于物理感知学习的散射成像目标重建方法，包括：基于散斑相关的物理先验信息，利用已知目标透过相同散射介质在固定目标和相机位置下的散斑数据进行数据增广和模型训练，而后通过训练好的学习网络对未知散射场景下未知目标位置和相机位置的散斑数据进行目标重建。本发明利用散斑相关在大景深范围下的比例关系进行数据增广，仅通过利用透过一块散射介质下固定目标位置和相机位置的散斑数据进行模型的训练，便可实现对未知散射场景下未知目标位置和相机位置下的复杂目标进行高保真准确重建，同时具有良好的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
