公开(公告)号：CN114494110B

公开(公告)日：2024-08-02

申请号：CN202111465959.9

申请日：2021-12-03

Applicant: 河南大学

Inventor： 王俊 ,  杨尚钦 ,  赵琪 ,  黄竹 ,  张苗辉 ,  卢志强

IPC: G06T7/00 ,  G06T7/60 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/082

Abstract: 本发明公开了一种基于注意力引导图像增强网络的地下排污管道内部缺陷检测方法，与现有的弱监督学习方法相比，本发明增设了一个图像增强模块，通过对图像中目标物体的位置信息和物体各部分的辨别情况进行适当调整来获取对原始图像进行补充增强的物体增强图，获取的增强图像和排污管道内部图像的原始图像作为输入数据再次输入网络进行训练，得到增强后的特征图和其注意力图进行像素点乘，最终得到对象目标细节更加丰富且完整的结果图。

公开(公告)号：CN113076957A

公开(公告)日：2021-07-06

申请号：CN202110427296.5

申请日：2021-04-21

Applicant: 河南大学

Inventor： 王俊 ,  赵正云 ,  杨尚钦 ,  张苗辉 ,  柴秀丽 ,  张婉君

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T3/40

Abstract: 本发明公开了一种基于跨模态特征融合的RGB‑D图像显著性目标检测方法，包括：步骤1、基于跨层连接方式的U‑Net网络，将RGB和Depth分别输入到ResNet‑50主干网络中提取图像特征，其中RGB图像提取出五个阶段的特征；Depth图像提取出五个阶段的特征；步骤2、将两种模态下顶层特征R5和D5输入到跨模态通道细化模块中获取跨模态特征RD；将Depth模态下的D1～D5和RD通过跨模态引导模块引导RGB进行特征提取；步骤3、将RGB模态下的R1～R5和RD通过残差自适应选择模块进一步保留图像的前景显著信息，丢弃有干扰的背景信息；多层损失函数引导网络最终生成显著性结果图。本发明能够充分利用Depth信息提供的深度线索，增强RGB和Depth两种模态下的特征融合，增强模型对各个通道特征的辨别能力。

公开(公告)号：CN112950477B

公开(公告)日：2023-08-22

申请号：CN202110277184.6

申请日：2021-03-15

Applicant: 河南大学

Inventor： 王俊 ,  杨青朋 ,  杨尚钦 ,  柴秀丽 ,  张苗辉

IPC: G06T3/40 ,  G06V10/44 ,  G06V10/82 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于双路径处理的高分辨率显著性目标检测方法，包括：图像处理，输入的高分辨率图像首先经过包含深度可分离卷积的HeadBottleneck模块，对原始高分辨率图像预处理降低其参数量；较大感受野特征提取，全局上下文路径首先经过基于ResNet‑50改进的骨干网络R‑ResNet来提取具有较大的感受野的特征；多尺度特征提取，R‑ResNet骨干网络得到的特征被送入多尺度特征提取和增强模块；显著图生成，空间细节保持分支通过边缘信息引导模块提取详细的边缘信息，然后与全局上下文分支得到的特征互补融合得到最终的显著图结果。本发明能够实现对高分辨率图像中的显著性目标进行精确检测并快速分割，最终输出目标显著图，可以为高分辨率显著性目标检测提供一种解决方法。

公开(公告)号：CN114494110A

公开(公告)日：2022-05-13

申请号：CN202111465959.9

申请日：2021-12-03

Applicant: 河南大学

Inventor： 王俊 ,  杨尚钦 ,  赵琪 ,  黄竹 ,  张苗辉 ,  卢志强

IPC: G06T7/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于注意力引导图像增强网络的地下排污管道内部缺陷检测方法，与现有的弱监督学习方法相比，本发明增设了一个图像增强模块，通过对图像中目标物体的位置信息和物体各部分的辨别情况进行适当调整来获取对原始图像进行补充增强的物体增强图，获取的增强图像和排污管道内部图像的原始图像作为输入数据再次输入网络进行训练，得到增强后的特征图和其注意力图进行像素点乘，最终得到对象目标细节更加丰富且完整的结果图。

公开(公告)号：CN114332490A

公开(公告)日：2022-04-12

申请号：CN202111414795.7

申请日：2021-11-25

Applicant: 河南大学

Inventor： 王俊 ,  黄竹 ,  贾迪 ,  张永华 ,  杨尚钦 ,  杨清朋

IPC: G06V10/46 ,  G06V10/82 ,  G06V10/44 ,  G06V10/80 ,  G06N3/04

Abstract: 本发明公开了一种基于涂鸦监督的高分辨显著性目标检测方法，图像处理，将原始分辨率图像送入边缘结构保存分支来在较高分辨率下提取丰富的边缘细节特征；特征提取，将缩放的图像经过轻量级的MobileNet骨干网络来提取具有较大感受野的特征图，然后将不同尺度特征通过短连接的方式送到多尺度上下文融合模块得到多尺度特征；边缘提取，原始分辨率图像被送入边缘结构保持分支，使其在较高分辨率下提取显著目标的边缘特征；特征融合，两个分支的特征图分别通过1×1卷积和双线性插值扩张到相同的尺寸和维度来进行特征融合。解决了高分辨率图像处理问题，提高了分割结果的质量和减小了高分辨率图像引起的计算机内存消耗。

公开(公告)号：CN112950477A

公开(公告)日：2021-06-11

申请号：CN202110277184.6

申请日：2021-03-15

Applicant: 河南大学

Inventor： 王俊 ,  杨青朋 ,  杨尚钦 ,  柴秀丽 ,  张苗辉

IPC: G06T3/40 ,  G06K9/46 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于双路径处理的高分辨率显著性目标检测方法，包括：图像处理，输入的高分辨率图像首先经过包含深度可分离卷积的HeadBottleneck模块，对原始高分辨率图像预处理降低其参数量；较大感受野特征提取，全局上下文路径首先经过基于ResNet‑50改进的骨干网络R‑ResNet来提取具有较大的感受野的特征；多尺度特征提取，R‑ResNet骨干网络得到的特征被送入多尺度特征提取和增强模块；显著图生成，空间细节保持分支通过边缘信息引导模块提取详细的边缘信息，然后与全局上下文分支得到的特征互补融合得到最终的显著图结果。本发明能够实现对高分辨率图像中的显著性目标进行精确检测并快速分割，最终输出目标显著图，可以为高分辨率显著性目标检测提供一种解决方法。