-
公开(公告)号：CN116091545A
公开(公告)日：2023-05-09
申请号：CN202310060920.1
申请日：2023-01-13
Applicant: 无锡学院
Abstract: 本发明公开了基于深度光谱级联纹理特征的高光谱视频目标跟踪方法，获得第t帧高光谱图像局部区域的光谱曲线，将未知区域像素的光谱曲线与局部区域的光谱曲线做差，将图像分割为目标区域与背景区域，导入第t+1帧，获得搜索区域每个像素点的光谱曲线，对其进行降维处理得到降维后一波段图像，提取该图像的深度特征与纹理特征，根据图像信噪比曲线获得每个光谱通道的权重，与对应纹理特征相乘进而获得光谱级联特征，将其覆盖上设置好的掩膜，获得光谱级联纹理预测特征，将其与深度特征进行逐像素卷积获得深度平均光谱级联纹理特征Uk，将第一帧图像的Uk送入DCF滤波器训练好模板，将t+1帧图像的Uk送入滤波器模板获得响应图，根据分布策略估计目标尺度，确定预测框位置，获得跟踪的目标。
-
公开(公告)号：CN117058606A
公开(公告)日：2023-11-14
申请号：CN202310981239.0
申请日：2023-08-04
Applicant: 无锡学院
IPC: G06V20/50 , G06V10/774 , G06V10/776 , G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种X射线图像违禁品检测方法，属于深度学习以及图像目标检测的技术领域；本发明通过改进特征金字塔网络，利用反向加权特征融合架构改善现有的全局双向融合路径以及等权重的传统拼接方式，弥合了不同层级特征之间的差距，更加高效地融合多尺度特征，有效避免了混叠效应；本发明还添加了多尺度场景感知模块，通过一个可学习的全局上下文权重向量来调制多尺度上下文特征，感知复杂场景下丰富的上下文信息，以有效应对显著的类内变化；并且本发明构建新的损失函数，该损失函数使用边长和角度作为惩罚项，并使用聚焦平衡函数改善高质量预测框在边界框优化过程中贡献较低问题，从而有利于目标边界框回归。
-
公开(公告)号：CN117058606B
公开(公告)日：2024-12-03
申请号：CN202310981239.0
申请日：2023-08-04
Applicant: 无锡学院
IPC: G06V20/50 , G06V10/774 , G06V10/776 , G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种X射线图像违禁品检测方法，属于深度学习以及图像目标检测的技术领域；本发明通过改进特征金字塔网络，利用反向加权特征融合架构改善现有的全局双向融合路径以及等权重的传统拼接方式，弥合了不同层级特征之间的差距，更加高效地融合多尺度特征，有效避免了混叠效应；本发明还添加了多尺度场景感知模块，通过一个可学习的全局上下文权重向量来调制多尺度上下文特征，感知复杂场景下丰富的上下文信息，以有效应对显著的类内变化；并且本发明构建新的损失函数，该损失函数使用边长和角度作为惩罚项，并使用聚焦平衡函数改善高质量预测框在边界框优化过程中贡献较低问题，从而有利于目标边界框回归。
-
公开(公告)号：CN116167956A
公开(公告)日：2023-05-26
申请号：CN202310313924.6
申请日：2023-03-28
Applicant: 无锡学院
Abstract: 本发明公开了一种基于非对称多层分解的ISAR与VIS图像融合方法，载入空间分辨率相同的逆合成孔径雷达图像与可见光图像，比较逆合成孔径雷达图像与可见光图像的加权空间频率方差的大小，将两幅图像分为细节图像Ia和粗糙图像Ib；使用多层高斯边窗滤波器分解框架对Ia和Ib分别进行分解，获得Ia的细节保留层Sda、边缘保留层Sea、基本能量层Sga、Ib的细节保留层Sdb、边缘保留层Seb和基本能量层Sgb；通过获得的Sda对Sdb进行引导融合策略获得Ib最终的非对称细节保留融合层Sfb；使用局部方差与空间频率构造判别标准对Sda和Sfb进行融合，获得最终的细节保留融合层Sfd；利用ω对Sea和Seb进行融合，获得最终的边缘保留融合层Sfe；将Sga与Sgb融合，获得最终的基本能量层Sfg；将Sfd，Sfe和Sfg相加获得最终的融合图像If。
-
公开(公告)号：CN119516436A
公开(公告)日：2025-02-25
申请号：CN202411568394.0
申请日：2024-11-05
Applicant: 无锡学院
IPC: G06V20/40 , G06V10/25 , G06V10/766 , G06V10/82 , G06N3/0464
Abstract: 本发明提供一种基于光谱映射增强的高光谱视频跟踪方法，获得第t帧高光谱图像局部区域的光谱曲线，将光谱曲线与搜索区域各像素位置光谱曲线进行光谱角距离操作，将图像分割为目标区域与背景区域，获得目标区域各像素的平坦系数以及平坦系数平均值，判断像素点是否处于目标与背景交界处，将不处于目标与背景交界处平坦系数替换为目标像素内部的平坦系数平均值，计算各像素对应的增强系数完成最终的降维，提取目标区域、搜索区域、模板图像的深度特征进行互相关操作，分别得到多维响应图并且进行加权融合得到最终的响应图，对其进行卷积，得到分类特征与回归特征，确定目标位置。
-
Patent Agency Ranking
公开(公告)号：CN116167956B
公开(公告)日：2023-11-17
申请号：CN202310313924.6
申请日：2023-03-28
Applicant: 无锡学院
Abstract: 本发明公开了一种基于非对称多层分解的ISAR与VIS图像融合方法，载入空间分辨率相同的逆合成孔径雷达图像与可见光图像，比较逆合成孔径雷达图像与可见光图像的加权空间频率方差的大小，将两幅图像分为细节图像Ia和粗糙图像Ib；使用多层高斯边窗滤波器分解框架对Ia和Ib分别进行分解，获得Ia的细节保留层Sda、边缘保留层Sea、基本能量层Sga、Ib的细节保留层Sdb、边缘保留层Seb和基本能量层Sgb；通过获得的Sda对Sdb进行引导融合策略获得Ib最终的非对称细节保留融合层Sfb；使用局部方差与空间频率构造判别标准对Sda和Sfb进行融合，获得最终的细节保留融合层Sfd；利用ω对Sea和Seb进行融合，获得最终的边缘保留融合层Sfe；将Sga与Sgb融合，获得最终的基本能量层Sfg；将Sfd，Sfe和Sfg相加获得最终的融合图像If。
-
公开(公告)号：CN116863364A
公开(公告)日：2023-10-10
申请号：CN202310633976.1
申请日：2023-05-31
Applicant: 无锡学院
IPC: G06V20/40 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于动态光谱感知模块的高光谱视频目标跟踪方法，首先读入高光谱图像序列中的第t帧高光谱图像，通过矩阵减法确定第t帧高光谱图像的高光谱梯度图Gt，根据Gt确定Gt中第j个像素的光谱梯度向量#imgabs0#以及第k个聚类中心的光谱梯度向量Gt(k)，计算#imgabs1#与Gt(k)之间的光谱角距离dj,k，根据dj,k判断第j个像素所属的聚类中心，设定迭代次数q并计算损失函数ε，重复上述步骤直至ε与q达到条件，根据最终结果得到降维后的单通道灰度图，将灰度图送入孪生网络进行特征提取，通过1×1卷积将提取的特征调整为适应特定任务的特征，利用互相关生成分类特征Pcls与回归特征Preg，通过两种动态光谱感知模块SPMcls以及SPMreg将Pcls与Preg分别增强为Pcls‑en和Preg‑en，Pcls‑en与Preg‑en经过预测头网络确定目标位置。
-
公开(公告)号：CN119399621A
公开(公告)日：2025-02-07
申请号：CN202411384831.3
申请日：2024-09-30
Applicant: 无锡学院
IPC: G06V20/10 , G06V10/764 , G06T7/11 , G06T7/136 , G06T7/90 , G06V10/80 , G06V10/82 , G06N3/0455
Abstract: 本发明公开一种基于自适应波段加权聚合的高光谱目标跟踪方法，在第t、t‑1帧高光谱灰度图像上确定目标区域的形心为中心的3×3像素区域Lt，确定Lt内的局部光谱曲线Cl，遍历St中每个像素，确定其对应的光谱曲线Cj，根据Cl和Cj生成光谱先验掩膜Mj，确定每个波段之间的相似性系数Sm,n，得到光谱相似系数矩阵图，通过Sm,n确定自适应波段阈值ThB，通过ThB对光谱相似系数矩阵图进行二值化处理和分类，得到分类波段图像，再通过光谱权重进行加权聚合，获得最后的降维单通道灰度图R，将R送入ResNet50进行特征提取，将提取到的目标特征向量和搜索特征向量通过融合光谱先验掩膜得到融合特征向量XD，根据XD得到分类向量和回归向量，由此确定预测框位置，获得跟踪的目标。
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.026 seconds)
