-
公开(公告)号：CN117710899A
公开(公告)日：2024-03-15
申请号：CN202410035226.9
申请日：2024-01-10
Applicant: 南开大学
IPC: G06V20/52 , G06V20/54 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种应用于车联网的多光谱行人检测方法。针对智能交通系统全天候监测的需求，为了弥补传统可见光单模态图像对光照环境依赖性强的缺点，本发明提出采用可见光‑红外双模态图像实现行人目标检测，构建了稳定、快速、精准的多光谱行人检测模型。本发明基于VGG‑16双流特征提取网络，分别捕获两模态特征，构建了基于差分注意力增强和频域融合的跨模态特征融合模块，充分融合跨模态特征，将融合特征组送入基于SSD的检测头中，进而输出行人目标位置信息。本发明创新地提出了有效增强两模态对检测有益的互补信息，抑制冗余背景特征的特征融合方法，能够实现复杂环境下的行人目标检测，具有广阔的应用前景。
-
公开(公告)号：CN115578480A
公开(公告)日：2023-01-06
申请号：CN202211411200.7
申请日：2022-11-16
Applicant: 南开大学
Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种应用于车联网智能监测的道路场景红外图像生成方法。针对在深度学习模型搭建中，如何稳定、快速和高质量生成难获取的数据集图像问题，本发明提出了一种基于Pix2Pix和跨尺度注意力模块的红外图像生成方法。该方法通过构建跨尺度跨层级的深度特征提取注意力模块，实现横纵向注意力传递，一定程度上弥补了生成对抗网络模型复杂、数据量庞大、收敛难的问题，且实验结果表明，本发明提出的红外图像生成方法可降低模型参数量并提升生成图像质量，能够有效解决智慧交通领域中数据标签不足的问题，具有广阔的应用前景。
-
公开(公告)号：CN111798531A
公开(公告)日：2020-10-20
申请号：CN202010648858.4
申请日：2020-07-08
Applicant: 南开大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种应用于植株监测任务的完全可学习图像深度卷积压缩感知重构方法。本发明充分发掘植株监测任务中图像的高度结构相似性，提出了一种基于神经网络的图像压缩感知重构方法。该方法结合变分自动编码器和深度卷积生成对抗模型，将图像压缩感知过程通过采样器、求解器和重建器三个可学习的神经网络完成，每一部分均可独立训练。本发明与传统方法相比，可以更有效地构建出植株图像的低维表示。实验结果表明，本发明提出的完全可学习图像压缩感知重构方法与现有方法相比，在提升重构图像质量的同时，所需时间大大减少。
-
公开(公告)号：CN111798531B
公开(公告)日：2022-09-20
申请号：CN202010648858.4
申请日：2020-07-08
Applicant: 南开大学
Abstract: 本发明属于图像处理技术领域，具体涉及一种应用于植株监测任务的完全可学习图像深度卷积压缩感知重构方法。本发明充分发掘植株监测任务中图像的高度结构相似性，提出了一种基于神经网络的图像压缩感知重构方法。该方法结合变分自动编码器和深度卷积生成对抗模型，将图像压缩感知过程通过采样器、求解器和重建器三个可学习的神经网络完成，每一部分均可独立训练。本发明与传统方法相比，可以更有效地构建出植株图像的低维表示。实验结果表明，本发明提出的完全可学习图像压缩感知重构方法与现有方法相比，在提升重构图像质量的同时，所需时间大大减少。
-
-
-
Search Results
4
records
(took 0.018 seconds)
