-
公开(公告)号：CN119359591A
公开(公告)日：2025-01-24
申请号：CN202411447919.5
申请日：2024-10-16
Applicant: 南京邮电大学通达学院
IPC: G06T5/73 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种基于多尺度损失监督的Transformer模型的图像去模糊方法，本发明方法包括以下步骤：首先，设计了一个全新的AttBlock模块用于提取图像的关键特征和实现图像的特征恢复，该模块在高分辨率图像仍可适用；然后，基于大气散射模型，由解码器的多尺度输出图像计算多尺度损失；最后，设计了多尺度损失监督的结构，监督模型的反向传播和参数更新的训练过程，显著提高了去模糊图像的峰值信噪比。本发明结合双监督网络和Transformer模型的特点，改进了模型的注意力模块和监督网络结构，设计了一个高性能的图像去模糊网络。经过大量实验的验证，本发明所提出的方法相较于其他的图像去模糊网络具有更好的性能指标，同时计算效率与同规模的网络相比更为高效。
-
公开(公告)号：CN118918309A
公开(公告)日：2024-11-08
申请号：CN202410909853.0
申请日：2024-07-08
Applicant: 南京邮电大学
Abstract: 本文提出了一种新颖的基于相似性转移的小样本目标检测方法，该方法可有效利用不同类别间的相关性。具体而言，首先利用自适应融合数据增强策略，增强新类样本多样性，进一步缓解假阳性问题。然后利用类别间浅层视觉知识和深层特征知识的相似性转移，缓解假阳性新类样本问题；实验结果表明，该方法在小样本目标检测任务中表现良好，与现有方法相比具有较强的竞争力。
-
公开(公告)号：CN109727272B
公开(公告)日：2022-08-12
申请号：CN201811383638.2
申请日：2018-11-20
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双分支时空正则化相关滤波器的目标跟踪方法，用于基于视频中的图像帧进行追踪目标的追踪操作，所述方法包括步骤：S1、在包含外观分支网络和语义分支网络的孪生全卷积网络上添加由相关滤波器构成的相关滤波器层，实现相关滤波器与孪生全卷积网络相互之间的端对端训练学习；S2、结合所述外观分支网络和语义分支网络结合，以提升所述孪生全卷积网络在目标追踪过程中对包含追踪目标的图像帧的判别力；S3、采用时空正则化所述相关滤波器，并使用通过时空正则化的所述相关滤波器处理所述图像帧，实现对追踪目标的追踪；本发明能够有效提升跟踪精度和跟踪速度。
-
公开(公告)号：CN110705376A
公开(公告)日：2020-01-17
申请号：CN201910860850.1
申请日：2019-09-11
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于生成式对抗网络(GAN)的异常行为检测方法。本发明方法包括以下步骤：首先，搭建U-Net网络并将其作为GAN中的生成器模块，其中，不仅使用了外观(空间)约束，还引入了运动(时间)约束。其次，采用patch鉴别器(补丁鉴别器)作为GAN中的鉴别器模块。然后，交替地对生成器和鉴别器进行对抗式训练，直至鉴别器无法分辨生成的帧和真实帧。最后，通过训练好的GAN模型进行异常行为检测实验。在三个公开可用的异常检测数据集上的实验结果表明，本发明所提方法有效提高了异常行为检测的准确率。
-
公开(公告)号：CN109727272A
公开(公告)日：2019-05-07
申请号：CN201811383638.2
申请日：2018-11-20
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双分支时空正则化相关滤波器的目标跟踪方法，用于基于视频中的图像帧进行追踪目标的追踪操作，所述方法包括步骤：S1、在包含外观分支网络和语义分支网络的孪生全卷积网络上添加由相关滤波器构成的相关滤波器层，实现相关滤波器与孪生全卷积网络相互之间的端对端训练学习；S2、结合所述外观分支网络和语义分支网络结合，以提升所述孪生全卷积网络在目标追踪过程中对包含追踪目标的图像帧的判别力；S3、采用时空正则化所述相关滤波器，并使用通过时空正则化的所述相关滤波器处理所述图像帧，实现对追踪目标的追踪；本发明能够有效提升跟踪精度和跟踪速度。
-
Patent Agency Ranking
公开(公告)号：CN109034062A
公开(公告)日：2018-12-18
申请号：CN201810835198.3
申请日：2018-07-26
Applicant: 南京邮电大学
IPC: G06K9/00
CPC classification number: G06K9/00718 , G06K9/00758 , G06K9/00765 , G06K2009/00738
Abstract: 本发明公开了一种基于时序一致性的弱监督异常行为检测方法，包括步骤：构建一个行为检测系统，导入一行为视频对到所述行为检测系统，处理后形成一个由所述行为视频对构建的时序矩阵；基于人类行为的时态一致性和平滑特征性处理行为视频对，形成一个行为单元对，获得相关行为片段，并定位行为片段中相关异常动作类的开始帧和结束帧；基于弱监督对获取得到的行为片段进行学习，得到可判断各种行为特征的操作分类器；基于字典学习和求解稀疏编码重建操作分类器中判断行为特征的检测标准，形成新的检测各种异常行为类的行为判断逻辑。本发明提供的弱监督异常行为检测方法很容易学习相关行为分类的特征，而不用手动标注帧的边界建立相关的行为模型。
-
公开(公告)号：CN105809716A
公开(公告)日：2016-07-27
申请号：CN201610128869.3
申请日：2016-03-07
Applicant: 南京邮电大学
IPC: G06T7/20
Abstract: 本发明公开了融合超像素与三维自组织背景减除法的前景提取方法，该方法包括以下步骤：首先，使用超像素分割方法，将所有区域进行分割迭代；然后，使用三维自组织背景减除算法，图像背景建模；最后，通过最佳权重策略，实现前景运动目标提取。本发明提出的融合超像素分割的三维自组织背景减除算法，能有效检测缓慢运动的目标与进入场景后暂时静止的目标，在一定程度上提高了检测精度和处理速度。本发明结合超像素算法与三维自组织背景减除算法结合的框架，实现运动目标检测，加快了处理速度和处理效果。
-
公开(公告)号：CN105427292A
公开(公告)日：2016-03-23
申请号：CN201510766560.2
申请日：2015-11-11
Applicant: 南京邮电大学
CPC classification number: G06K9/4671 , G06K9/4647 , G06T2207/10004
Abstract: 本发明公开了一种基于视频的显著目标检测方法，该方法包括以下步骤：对图片进行超像素分割，并利用光流信息和颜色信息，得到初步的显著目标检测区域；利用梯度信息，获取图片背景信息；融合初步目标检测区域和背景剪除，得到最终的显著目标区域。本发明在像素级别结合了统计运动信息即光流信息以及静态信息即颜色和梯度信息来检测像素之间的相似性，结果融合了前景线索以及背景线索，最终达到视频中检测显著目标的目的。
-
公开(公告)号：CN105389831A
公开(公告)日：2016-03-09
申请号：CN201510766679.X
申请日：2015-11-11
Applicant: 南京邮电大学
IPC: G06T7/20
CPC classification number: G06T7/20 , G06T2207/30196
Abstract: 本发明公开了一种基于YUV色空间的多目标检测方法，该方法包括以下步骤：在RGB颜色格式转换为YUV格式的基础上，对视频帧中的每个像素点建立码本模型；在码本训练的基础上，实现背景建模；进行当前像素与已有码本间的匹配，实现前景目标的检测。本发明利用了亮度信息和色度信息相独立的特性，可提高目标检测精度，并且有很好的阴影去除效果。
-
公开(公告)号：CN104915970A
公开(公告)日：2015-09-16
申请号：CN201510326021.7
申请日：2015-06-12
Applicant: 南京邮电大学
IPC: G06T7/20
CPC classification number: G06T7/251 , G06T2207/10016
Abstract: 本发明公开了一种基于轨迹关联的多目标跟踪方法，该方法包括以下步骤：首先，基于场景自适应方法生成局部轨迹，实现检测响应与原有轨迹关联；然后，基于增量线性判决的表观模型，实现全局轨迹关联；最后，基于非线性运动模型，实现轨迹片段间空缺填补，以获取完整且平滑的跟踪轨迹。本发明的方法能在目标遮挡、不同目标具有相似外貌特征、运动目标方向突变等复杂情况下，实现多目标的正确关联，最终得到稳定、连续的跟踪轨迹。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.031 seconds)
