-
公开(公告)号：CN113674334B
公开(公告)日：2023-04-18
申请号：CN202110760949.1
申请日：2021-07-06
Applicant: 复旦大学
IPC: G06T7/44 , G06T9/00 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度自注意力网络和局部特征编码的纹理识别方法，根据纹理图像的特点设计了具有四个阶段的深度自注意力模块，在前三个阶段对局部图像块进行合并增大感受野，将自注意力计算限制在固定大小的局部空间；在最后一个阶段取消局部图像块合并，并对在全局计算自注意力，获取局部区块间的联系；从而更好的提取局部区域的纹理特征并保持全局特征不丢失。本发明提出的PET网络充分结合图像内局部区域内的纹理信息，将骨干网络输出的二维特征重塑为三维特征图。通过移动窗口在特征图中密集采样多种尺度的分块描述符，获得一组多尺度的局部表示。最后，对多尺度的分块特征进行局部特征编码和融合，生成一个固定尺度的纹理表示用于最终的分类。
-
公开(公告)号：CN114627006A
公开(公告)日：2022-06-14
申请号：CN202210191314.9
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明公开了一种基于深度解耦网络的渐进式图像修复方法。该方法包括以下步骤：首先进行特征提取和边缘提取；接着用部分卷积模块渐进式更新缺陷区域和掩码；再将纹理和结构特征输入到编解码器计算，计算过程中进行双向感知计算，进行纹理生成和结构重建，然后在获得第一次重建特征图像后对图像缺失区域进行着色；再进行特征融合和图像再次重建；最后输出并计算损失函数，通过损失函数对网络进行训练，优化修复过程。本发明修复方法优于其它方法。
-
公开(公告)号：CN114595752A
公开(公告)日：2022-06-07
申请号：CN202210193445.0
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明公开了一种基于图像和近红外光谱信号的深度多模态纤维识别方法。该方法包括以下步骤：（1）获取纺织品的图像和近红外光谱信号；（2）将图像数据处理成局部切片后利用深度自注意力网络提取子图像的视觉序列；（3）对近红外光谱数据进行处理后，用多分支深度卷积网络获得分层的近红外特征；（4）基于图像和信号相关注意力模块，通过一个评分模块对图像和近红外信号的顺序特征进行匹配，通过参数分离的双向特征一致性模块，捕捉信号到图像和图像到信号特征之间两个方向的关联性，获得融合特征；（5）对融合特征编码；（6）进行分类和损失计算；本发明能识别具有类似纹理特征、具有类似近红外光谱曲线的纺织品，识别精度高。
-
公开(公告)号：CN113674334A
公开(公告)日：2021-11-19
申请号：CN202110760949.1
申请日：2021-07-06
Applicant: 复旦大学
Inventor： 彭博 , 其他发明人请求不公开姓名
Abstract: 本发明涉及一种基于深度自注意力网络和局部特征编码的纹理识别方法，根据纹理图像的特点设计了具有四个阶段的深度自注意力模块，在前三个阶段对局部图像块进行合并增大感受野，将自注意力计算限制在固定大小的局部空间；在最后一个阶段取消局部图像块合并，并对在全局计算自注意力，获取局部区块间的联系；从而更好的提取局部区域的纹理特征并保持全局特征不丢失。本发明提出的PET网络充分结合图像内局部区域内的纹理信息，将骨干网络输出的二维特征重塑为三维特征图。通过移动窗口在特征图中密集采样多种尺度的分块描述符，获得一组多尺度的局部表示。最后，对多尺度的分块特征进行局部特征编码和融合，生成一个固定尺度的纹理表示用于最终的分类。
-
公开(公告)号：CN114264626A
公开(公告)日：2022-04-01
申请号：CN202111557145.8
申请日：2021-12-18
Applicant: 复旦大学
IPC: G01N21/3563 , G01N21/359 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于时间序列残差网络的织物无损定量分析方法，针对相邻波段具有相关性的光谱数据，采用先抽取局部特征，再进行含量预测的建模思路。具体地，本发明使用一维卷积网络与残差结构进行局部特征的提取，同时消除无损检测条件下数据中存在的干扰，再将抽取过后的特征送入全连接网络，产生所关心的成分含量的百分比预测值。此方法能实现织物含量预测模型的端到端训练，利用卷积模块替代了传统预处理方法，并利用全连接网络建立了波形特征与所关心成分含量之间的非线性关系，误差小于常见的统计方法，且便于操作。
-
Patent Agency Ranking
公开(公告)号：CN113222888A
公开(公告)日：2021-08-06
申请号：CN202110298633.5
申请日：2021-03-19
Applicant: 复旦大学
Abstract: 本发明属于纺织品检测技术领域，具体为一种基于深度纹理特征的纺织品纱织尺寸检测方法。本发明包括：使用光学显微镜获取待检测纺织品的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围。本发明可以更有效的提取纹理图像中不同粒度的纹理特征；同时将有序池化层提取的特征与字典学习获取的无序特征进行融合，在描述无序特征的同时充分考虑了纹理图像空间上下文的有序信息，使检测准确性更高。
-
公开(公告)号：CN114627006B
公开(公告)日：2022-12-20
申请号：CN202210191314.9
申请日：2022-02-28
Applicant: 复旦大学
Abstract: 本发明公开了一种基于深度解耦网络的渐进式图像修复方法。该方法包括以下步骤：首先进行特征提取和边缘提取；接着用部分卷积模块渐进式更新缺陷区域和掩码；再将纹理和结构特征输入到编解码器计算，计算过程中进行双向感知计算，进行纹理生成和结构重建；然后在获得第一次重建特征图像后对图像缺失区域进行着色；再进行特征融合和图像再次重建；最后输出并计算损失函数，通过损失函数对网络进行训练，优化修复过程。本发明修复方法优于其它方法。
-
公开(公告)号：CN119693764A
公开(公告)日：2025-03-25
申请号：CN202510219101.6
申请日：2025-02-26
Applicant: 荣旗工业科技(苏州)股份有限公司 , 复旦大学 , 深存科技(无锡)有限公司
IPC: G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/084
Abstract: 本申请提供一种基于交叉注意力机制的多视角工业图像融合方法，涉及图像处理技术领域，方法包括：将两张不同视角的工业图像分别输入至第一编码器和第二编码器，对应得到第一特征图像和第二特征图像；将第一特征图像和第二特征图像输入解码器，得到第一融合特征和第二融合特征；将第一融合特征和第二融合特征进行融合，生成融合图像；将融合图像与第一特征图像和第二特征图像的像素重建损失值和结构损失值并进行加权求和，生成总损失函数；根据总损失函数对编码器及解码器中的参数进行调整；将两张不同视角的工业图像输入调整后的编码器和解码器，得到目标融合图像。本申请具有的技术效果是：满足复杂工业场景对图像高质量融合的需求。
-
公开(公告)号：CN113222888B
公开(公告)日：2022-07-22
申请号：CN202110298633.5
申请日：2021-03-19
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/41 , G06V10/772 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62
Abstract: 本发明属于纺织品检测技术领域，具体为一种基于深度纹理特征的纺织品纱织尺寸检测方法。本发明包括：使用光学显微镜获取待检测纺织品的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围。本发明可以更有效的提取纹理图像中不同粒度的纹理特征；同时将有序池化层提取的特征与字典学习获取的无序特征进行融合，在描述无序特征的同时充分考虑了纹理图像空间上下文的有序信息，使检测准确性更高。
-
公开(公告)号：CN111862092A
公开(公告)日：2020-10-30
申请号：CN202010780139.8
申请日：2020-08-05
Applicant: 复旦大学
Inventor： 彭博
Abstract: 本发明提出了一种基于深度学习的快递外包装缺陷检测方法及装置，用来对快递外包装存在的缺陷进行判别和定位，例如破洞、划伤、裂痕、形变等。涉及机器视觉技术领域。该方法包括：获取深度摄像头近距离拍摄的快递外包装图像。根据预先训练好的缺陷图像分类模型对待检测图像进行缺陷图像分类，判断是否有缺陷区域存在。若存在，则利用预先训练好的图像语义分割模型对待检测图像中的缺陷区域进行定位。深度摄像头拍摄的待检测图像除了反映快递包裹表面纹理特征和色彩信息，还可以反映出该包裹的几何形状三维构造信息等，因此根据预先训练好的缺陷图像分类模型以及预先训练好的图像语义分割模型能够对该快递包裹图像进行精准的缺陷检测和位置识别。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.019 seconds)
