-
公开(公告)号：CN114758293A
公开(公告)日：2022-07-15
申请号：CN202210309158.1
申请日：2022-03-28
Applicant: 暨南大学
Abstract: 本发明为一种基于辅助分支优化和局部密度块增强的深度学习人群计数方法，其特征在于，包括以下步骤：S1、获取人群图像和预处理训练图像；S2、生成真实密度图，并根据人头坐标标注生成合适的真实分割图；S3、构建人群计数网络模型；S4、训练人群计数网络模型；S5、将人群图像输入到训练好的人群计数网络模型中预测人数。本发明通过利用高斯卷积函数生成真实密度图，根据人头坐标标注生成合适的真实分割图，构建人群计数网络模型并进行训练，充分利用人群图像中的前后景差异，让计算网络更集中于前景人群预测，利用局部密度块信息，对预测差异较大的密度块进行局部增强，利用真实的人数信息，对网络进行强化监督，进一步提高主干网络计数精度。
-
公开(公告)号：CN111062872B
公开(公告)日：2021-02-05
申请号：CN201911302745.2
申请日：2019-12-17
Applicant: 暨南大学
Abstract: 本发明公开了一种基于边缘检测的图像超分辨率重建方法及系统，该方法的步骤为：将高分辨率图像作为原始图像样本，经图像预处理后得到低分辨率图像；构建超分辨率重建网络模型，将低分辨率图像输入到超分辨率重建网络模型中预训练超分辨率重建网络模型；超分辨率图像与高分辨率图像经过VGG19网络计算得到感知损失函数；超分辨率图像和高分辨率图像进行颜色空间的转换以及边缘提取，经L1损失函数计算得到边缘损失函数；感知损失函数和边缘损失函数按比例结合得到损失函数Ltotal并更新参数，低分辨率图像输入到训练好的超分辨率重建网络模型得到恢复的高分辨率图像。本发明弥补了生成伪造纹理的不足，提高了图像恢复的视觉效果和真实性。
-
Patent Agency Ranking
公开(公告)号：CN113240580B
公开(公告)日：2022-12-27
申请号：CN202110380519.7
申请日：2021-04-09
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法，该方法步骤包括：教师网络预处理；数据集预处理生成低分辨率图像；将低分辨率图像输入构建的学生网络中，输出学生网络重建的超分辨率图像；将低分辨率图像输入到多个教师网络中用于得到重建的超分辨率图像组；将学生网络重建的超分辨率图与教师网络重建的超分辨率图像组分别进行L1损失和感知损失计算，通过反向传播更新训练得到最终的学生网络模型；将低分辨率图片输入最终的网络模型，输出超分辨率图像。本发明的超分辨率训练方式减少了参数量，获得与成对数据训练出来的全监督教师网络可比的指标和视觉效果，同时模型大小得到了有效减少，与传统训练方式相比有明显提升。
-
公开(公告)号：CN111062872A
公开(公告)日：2020-04-24
申请号：CN201911302745.2
申请日：2019-12-17
Applicant: 暨南大学
Abstract: 本发明公开了一种基于边缘检测的图像超分辨率重建方法及系统，该方法的步骤为：将高分辨率图像作为原始图像样本，经图像预处理后得到低分辨率图像；构建超分辨率重建网络模型，将低分辨率图像输入到超分辨率重建网络模型中预训练超分辨率重建网络模型；超分辨率图像与高分辨率图像经过VGG19网络计算得到感知损失函数；超分辨率图像和高分辨率图像进行颜色空间的转换以及边缘提取，经L1损失函数计算得到边缘损失函数；感知损失函数和边缘损失函数按比例结合得到损失函数Ltotal并更新参数，低分辨率图像输入到训练好的超分辨率重建网络模型得到恢复的高分辨率图像。本发明弥补了生成伪造纹理的不足，提高了图像恢复的视觉效果和真实性。
-
公开(公告)号：CN114758293B
公开(公告)日：2024-08-06
申请号：CN202210309158.1
申请日：2022-03-28
Applicant: 暨南大学
IPC: G06V20/52 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明为一种基于辅助分支优化和局部密度块增强的深度学习人群计数方法，其特征在于，包括以下步骤：S1、获取人群图像和预处理训练图像；S2、生成真实密度图，并根据人头坐标标注生成合适的真实分割图；S3、构建人群计数网络模型；S4、训练人群计数网络模型；S5、将人群图像输入到训练好的人群计数网络模型中预测人数。本发明通过利用高斯卷积函数生成真实密度图，根据人头坐标标注生成合适的真实分割图，构建人群计数网络模型并进行训练，充分利用人群图像中的前后景差异，让计算网络更集中于前景人群预测，利用局部密度块信息，对预测差异较大的密度块进行局部增强，利用真实的人数信息，对网络进行强化监督，进一步提高主干网络计数精度。
-
公开(公告)号：CN113240580A
公开(公告)日：2021-08-10
申请号：CN202110380519.7
申请日：2021-04-09
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法，该方法步骤包括：教师网络预处理；数据集预处理生成低分辨率图像；将低分辨率图像输入构建的学生网络中，输出学生网络重建的超分辨率图像；将低分辨率图像输入到多个教师网络中用于得到重建的超分辨率图像组；将学生网络重建的超分辨率图与教师网络重建的超分辨率图像组分别进行L1损失和感知损失计算，通过反向传播更新训练得到最终的学生网络模型；将低分辨率图片输入最终的网络模型，输出超分辨率图像。本发明的超分辨率训练方式减少了参数量，获得与成对数据训练出来的全监督教师网络可比的指标和视觉效果，同时模型大小得到了有效减少，与传统训练方式相比有明显提升。
-
公开(公告)号：CN112861718A
公开(公告)日：2021-05-28
申请号：CN202110170991.8
申请日：2021-02-08
Applicant: 暨南大学
Abstract: 本发明公开了一种轻量级特征融合人群计数方法及系统，该方法步骤包括：根据数据集图片及对应每张图片标注，生成用于监督网络学习的真实密度图；将待计数的人群图片输入到LightCount网络中，LightCount网络包括多列并行卷积网络结构和单列深度卷积结构，多列并行卷积网络结构提取不同人头大小的特征，单列深度卷积结构提取图片信息，最终卷积操作得到预测密度图；将预测密度图与真实密度图进行欧氏距离比较，通过反向传播更新网络参数，训练得到最终的网络模型；将人群图片输入到最终的网络模型中，输出人群密度图，对人群密度图进行积分，得到最终预测的人群总数。本发明能减少网络参数量和计算时间，提高网络的计数准确性。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
