-
公开(公告)号：CN109034162B
公开(公告)日：2022-07-26
申请号：CN201810769340.9
申请日：2018-07-13
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种图像语义分割方法，包含编码和解码两部分，其中编码端基于经典的FCN的模型包含了一系列的卷积操作和最大池化操作来提取特征，且卷积后特征图的通道数加倍，最大池化后特征图的长和宽减半；解码端先把编码端卷积层提取的特征图进行不同倍数的上采样，然后和解码端两倍上采样的特征图连接，再进行卷积提取综合特征。这样浅层的信息和深层的信息能较好的融合，最终网络输出一个21维且和原图大小相同的矩阵。本发明技术方案的提出并应用，重新定义了网络结构，通过结合解码端和解码端的特征图，充分地利用了网络的上下文信息，在一定程度上提高了最终的准确率；并且保留了分割图相对原始图像的分辨率大小。
-
公开(公告)号：CN108764049B
公开(公告)日：2021-11-16
申请号：CN201810398110.6
申请日：2018-04-27
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于稀疏表示的人脸识别方法，包括以下步骤：步骤一：先输入训练样本矩阵，将所有训练样本与所有的对象类别级联起来，再输入一个测试样本；步骤二：将训练样本矩阵中的每个训练样本分别与测试样本进行校准，得到校准训练样本矩阵；步骤三：将校准训练样本矩阵进行标准化；步骤四：计算标准化后的校准训练样本矩阵中的每个训练样本与对应的标准图之间的误差，得到误差最小值；步骤五：计算测试样本与对应的标准图之间的剩余误差；步骤六：为所有的对象类别设置身份；步骤七：输出误差最小值对应的训练样本所对应的对象类别作为测试样本的对象类别。本发明的优点是：能更好地适应面部图像的非刚性视觉变化，识别精度和计算效率高。
-
公开(公告)号：CN109086768B
公开(公告)日：2021-10-29
申请号：CN201810768753.5
申请日：2018-07-13
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种卷积神经网络的语义图像分割方法，通过结合网络架构中部分分层特征融合和全连接的条件随机场处理实现语义图像分割。具体包括步骤：构建由卷积层、池化层、上采样层、损失函数组成的网络架构模型，且模型中每一分层的步长大小，卷积核大小以及输出的特征图个数按规格定制；对网络架构中浅层与深层的信息进行融合，并将融合后的特征进行上采样至原图分辨率大小；对上采样输出的特征图像采用全连接的条件随机场进行后处理优化分割。本发明方案的应用，通过不同分层的特征融合，充分利用了各层信息，提高了最终的准确率；结合全连接的CRF对网络输出结果进行后处理，处理了各像素点之间的联系，使得图片分割的结果更加精确和平滑。
-
公开(公告)号：CN110472478A
公开(公告)日：2019-11-19
申请号：CN201910558959.X
申请日：2019-06-26
Applicant: 南京邮电大学
Abstract: 本发明涉及了一种基于光流统计特征的场景分析方法及系统，所述方法步骤为：对给定的监控视频，计算基本的光流场，并对其进行幅度和基于统计特征的去噪；提取光流场空间分布统计特征，空间位置量化；提取光流场方向分布统计特征，进行运动方向量化；基于量化结果构建视觉词典，将整个视频分成片段，将其中所包含的光流映射成视觉单词，每个片段由视觉单词累计表示成词袋；将词袋输入到HDP模型，提取每个视频片段对应的特征向量；采用谱聚类对所有的特征向量进行聚类，实现场景的分类。本发明可以有效地对光流去噪及量化，检测出同一场景中的不同运动模式，实现场景分类，对于视频监控中的场景分析具有重要的现实意义和实用价值。
-
公开(公告)号：CN110084274B
公开(公告)日：2022-09-06
申请号：CN201910247530.9
申请日：2019-03-29
Applicant: 南京邮电大学
Abstract: 一种实时图像语义分割方法及系统、可读存储介质和终端，所述方法包括：编码器对输入的原始特征图像利用基于特征通道的拆分和重排的卷积单元进行卷积操作以提取图像特征并输出至解码器；所述解码器采用注意力金字塔网络模型对所述编码器的输出特征图像进行密集的特征提取，并将所提取的特征向分割类别进行映射，最后将分割结果上采样到输入的原始特征图像分辨率。上述的方案，在使用有限的计算资源进行实时图像语义分割时，提高分割的准确性。
-
Patent Agency Ranking
公开(公告)号：CN111091130A
公开(公告)日：2020-05-01
申请号：CN201911280783.2
申请日：2019-12-13
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于轻量级卷积神经网络的实时图像语义分割方法及系统，所述系统包括下采样单元、上采样单元和极致高效残差模块；下采样单元降低分辨率和改变通道数；上采样单元提升分辨率，并且改变通道数；极致高效残差模块由1D分解卷积、高效的深度可分离卷积和具有不同扩张率的扩张卷积构成，用于提取特征。本发明的整体网络架构是一种高效非对称多分支的编解码结构，没有使用额外的后处理策略和预训练模型，与目前最先进的轻量级网络模型相比，本发明提出的网络架构及分割方法实现了分割精度和实施效率之间的最佳平衡，成为解决实时图像语义分割任务的一种有效方法。
-
公开(公告)号：CN107194322B
公开(公告)日：2019-08-06
申请号：CN201710291009.6
申请日：2017-04-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种视频监控场景中的行为分析方法，尤其适合于复杂视频监控中的行为分析。包括步骤为：第一检测出视频的底层运动特征，并进行去噪；第二对去噪后的运动特征进行量化，将视频序列表示成词袋模式；第三利用动态因果主题模型对视频序列进行建模，检测出场景中包含的行为；第四最后通过计算行为的因果影响力，对行为进行排序。本发明不仅可以检测出场景中包含的行为，而且能够识别出高影响力行为。
-
公开(公告)号：CN109086768A
公开(公告)日：2018-12-25
申请号：CN201810768753.5
申请日：2018-07-13
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种卷积神经网络的语义图像分割方法，通过结合网络架构中部分分层特征融合和全连接的条件随机场处理实现语义图像分割。具体包括步骤：构建由卷积层、池化层、上采样层、损失函数组成的网络架构模型，且模型中每一分层的步长大小，卷积核大小以及输出的特征图个数按规格定制；对网络架构中浅层与深层的信息进行融合，并将融合后的特征进行上采样至原图分辨率大小；对上采样输出的特征图像采用全连接的条件随机场进行后处理优化分割。本发明方案的应用，通过不同分层的特征融合，充分利用了各层信息，提高了最终的准确率；结合全连接的CRF对网络输出结果进行后处理，处理了各像素点之间的联系，使得图片分割的结果更加精确和平滑。
-
公开(公告)号：CN104994170B
公开(公告)日：2018-06-05
申请号：CN201510414218.6
申请日：2015-07-15
Applicant: 南京邮电大学
Abstract: 本发明公开了传感器网络中基于混合因子分析模型的分布式聚类方法，该方法用混合因子分析模型来建模传感器网络中各节点处待聚类的数据，各节点基于自身数据计算局部充分统计量，而后将该量扩散广播给其邻居节点，当节点收到所有来自邻居节点的局部充分统计量之后，其可以获得联合充分统计量，并基于该统计量估计出混合因子分析模型中的各个参数，最终基于估计出的模型完成聚类。本发明建立混合因子分析模型可以在聚类的同时完成数据的降维，采用分布式聚类方式，避免传统的集中式处理方式中由中心节点带来的网络崩溃。在本发明分布式聚类方法中，各节点间传输的是充分统计量而不是数据，既大大节省了通信开销，又可以较好地保护数据中的隐私信息。
-
公开(公告)号：CN117522674A
公开(公告)日：2024-02-06
申请号：CN202311585339.8
申请日：2023-11-24
Applicant: 南京邮电大学
IPC: G06T3/04 , G06T7/13 , G06T7/50 , G06N3/0455 , G06N3/0475 , G06N3/084 , G06N3/0985
Abstract: 本发明属于图像处理领域，涉及一种联合局部和全局信息的图像重建系统及方法，所述系统包括生成器网络、边缘检测网络和深度检测网络；生成器网络将输入的部分信息损失的图像Y通过映射得到重建图像Z；采用端到端的边缘检测网络，输入图像后直接产生边缘图像作为输出；采用一个提取单幅图像的深度检测网络，输入整个图像后直接预测像素级的深度；构建本发明的联合局部和全局信息的图像重建系统并应用，与现有技术基于图像重建的掩码自编码模型相比，本发明提出的网络架构实现了图像重建准确率与计算效率之间的最佳平衡，能够提高图像重建的准确性和计算效率。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.032 seconds)
