-
公开(公告)号：CN111832569B
公开(公告)日：2023-10-27
申请号：CN202010564567.7
申请日：2020-06-19
Applicant: 西北大学 , 陕西历史博物馆(陕西省文物交流中心)
IPC: G06V10/26 , G06V10/25 , G06V10/56 , G06V10/44 , G06V10/764 , G06V10/762 , G06V20/70
Abstract: 本发明属于图像处理技术领域，公开了一种基于高光谱图像分类与分割的壁画颜料层脱落病害自动标注的方法。将高光谱图像分类和不同特征提取波段上的图像分割结合有效结合了文物的光谱信息和空间信息，不仅可以标注出可见光下清晰的病害，还可以标注出可见光下隐藏的病害。能自动标注出古代壁画颜料层脱落病害的位置和边缘，在无损情况下呈现病害的分布，实现壁画病害的空间可视化分析和壁画病害位置的虚拟展示，减少大量的人力和时间。
-
公开(公告)号：CN110706154B
公开(公告)日：2021-08-31
申请号：CN201910802779.1
申请日：2019-08-28
Applicant: 西北大学
Abstract: 本发明公开了一种基于层次化残差神经网络的图像超分辨率方法，采用层次化残差学习策略和双域增强模块，构建层次化残差神经网络模型，将其用于学习低分辨率和高分辨率图像之间的复杂映射关系，然后利用训练好的网络模型从输入的低分辨率图像重建出高分辨率图像；所述的层次化残差神经网络模型由特征提取层、特征映射层和特征融合层组成，其中，特征提取层由卷积模块构成，特征映射层由多个双域增强模块级联构成，特征融合层由上采样模块和卷积模块构成。该方法能够重建出更好的高分辨率图像，并且具备网络模型参数量较小和计算效率高的优点。
-
公开(公告)号：CN110852168A
公开(公告)日：2020-02-28
申请号：CN201910964255.2
申请日：2019-10-11
Applicant: 西北大学
Abstract: 本发明公开了一种基于神经架构搜索的行人重识别模型构建方法及装置，首先对输入的图像数据集进行随机采样和分组，并设置以三元组损失函数为辅助的目标函数来指导网络架构的搜索；然后，利用搜索到的最佳网络架构单元重复堆叠一个大型网络，并对该网络进行重训练，得到行人重识别模型，本发明提供的方法不仅仅考虑了分类精度，还利用了不同样本之间的距离，以最大化不同行人之间的特征识别能力，因此以此损失函数指导架构搜索的方向能够学习得到更适用于行人重识别并且性能表现更好网络架构，从而提高了行人重识别的准确率。
-
公开(公告)号：CN111833248A
公开(公告)日：2020-10-27
申请号：CN202010566560.9
申请日：2020-06-19
Applicant: 西北大学
Abstract: 本发明公开了一种基于部分哈达玛矩阵的超分辨率鬼成像方法及系统，针对原有鬼成像系统数据采集量大的弊端，利用部分哈达玛矩阵代替原有计算鬼成像系统的随机光斑，并在该系统中加入超分辨率处理环节。该系统由于在采集时做了测量方法优化，所以对于一般物体而言所需数据采集量与储存量较小，在初步成像时计算量较小且成像时间短。在采用合适的超分辨率处理方法处理后，对于初步结果可以快速处理得到清晰图像。该方法可用于水下，遥感等多个传统成像方式成像效果差的复杂场景。
-
公开(公告)号：CN111222519A
公开(公告)日：2020-06-02
申请号：CN202010049526.4
申请日：2020-01-16
Applicant: 西北大学 , 陕西历史博物馆(陕西省文物交流中心)
Abstract: 本发明公开了一种层次化彩绘文物线稿提取模型构建、方法及装置，首先通过提出新的加权损失函数，在BDCN边缘检测神经网络中引入传统FDoG方法，从而得到更加完整的线稿粗提取结果；再通过提出新的多尺度U-Net网络，在粗提取的基础上抑制病害，得到更为细致、干净的线稿图像。该方法有效结合了BDCN神经网络和传统FDoG方法的优点，在学习明显边缘的同时能够同时学习细节，使得提取的线稿更加完整，甚至补充部分受病害影响断裂的线稿，进一步的，通过多尺度U-Net网络细化线稿，抑制病害。与现有方法相比，该方法在干净以及复杂背景下均能更有效提取文物线稿图像。
-
Patent Agency Ranking
公开(公告)号：CN109886870A
公开(公告)日：2019-06-14
申请号：CN201811635472.9
申请日：2018-12-29
Applicant: 西北大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于双通道神经网络的遥感图像融合方法，利用ARSIS思想，首先通过一个双通道网络联合学习，去提取全色图像高通滤波后的高频分量中的空间细节信息；然后使用细节注入模型将空间细节信息注入到多光谱图像的各个波段图像，得到所需的高分辨率多光谱图像；本发明有效利用深度学习的优点，通过双通道网络联合训练，学习得到全色图像不同于多光谱图像各波段图像的空间细节信息，充分利用图像内部和图像间的相关性，使得细节重构更为准确；同时，使用细节注入模型有效地控制注入细节的数量，显著提高融合算法的空间信息保存性能，并很好地保持原始多光谱图像的光谱特性。
-
公开(公告)号：CN112819737B
公开(公告)日：2023-04-07
申请号：CN202110042742.0
申请日：2021-01-13
Applicant: 西北大学
IPC: G06T5/50 , G06T5/00 , G06T3/40 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于3D卷积的多尺度注意力深度卷积网络的遥感图像融合方法，将多光谱图像中拥有的高光谱分辨率与全色图像中拥有的高空间分辨率相融合，以获得高空间分辨率高光谱分辨率的多光谱图像。利用深度学习中U‑Net网络结构框架，设计了3D多尺度注意力深度卷积网络模型(MSAC‑Net)。为了保留多光谱中的光谱分辨率，模型整体使用3D卷积，对光谱维度上的信息进行特征提取；为了捕捉更多的空间细节，在模型的跳跃连接处引入了注意力机制，来学习区域细节。在模型的解码阶段，引入多个包含多尺度空间信息的重建层来计算重建结果，鼓励了模型学习不同层次的多尺度表示，为最终的融合结果提供多层次的参考。有效的提高了最终图像的融合结果。
-
公开(公告)号：CN110390350B
公开(公告)日：2021-06-15
申请号：CN201910548377.3
申请日：2019-06-24
Applicant: 西北大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于双线性结构的层级分类方法，该方法中提出了一种双线性结构的层级分类网络，种网络结构能够利用层级类别关系来优化最终的分类结构，利用了深度卷积网络的特性，将其与类别层级结构的先验知识相结合，使得在网络的不同层学习人类可理解的概念；与此同时，本发明也将这种层级网络结构与双线性模型结合在一起来进一步提高分类效果；本发明将层级的网络结构与双线性模型相结合能有效区分同一“属”但不同“种”的目标，从而进一步提高了目标识别效果。
-
公开(公告)号：CN111127374A
公开(公告)日：2020-05-08
申请号：CN201911155272.8
申请日：2019-11-22
Applicant: 西北大学
Abstract: 本发明公开了一种基于多尺度密集网络的pan-sharpening方法，首先将原始多光谱图像上采样后与原始全色图像堆叠，形成网络的输入；然后通过一卷积层提取输入图像中的浅层低级特征；将取到的浅层低级特征作为输入，通过密集连接的多尺度密集块来充分提取原始全色图像中的空间信息和原始多光谱图像中的光谱信息，并将所有输出传递到全局特征融合层，进行特征的学习与融合；最后通过图像重建，利用全局残差学习重建高分辨率多光谱图像。本发明有效利用多尺度特征提取以及密集连接的优点，通过一个端到端的深层卷积神经网络实现pan-sharpening，最终可获得兼具高空间和高光谱分辨率的融合图像。
-
公开(公告)号：CN111985543B
公开(公告)日：2024-05-10
申请号：CN202010781786.0
申请日：2020-08-06
Applicant: 西北大学 , 咸阳鑫禾普光电有限公司
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/10
Abstract: 本发明提供了一种高光谱图像分类模型的构建方法，图像分类方法及系统，构建方法为：获得高光谱图像，并对所述高光谱图像进行标准化，使高光谱图像符合0均值单位方差的高斯分布；进行类别标定，获得标定样本集和标签集；构造邻域数据立方体，按照设定比例进行分类，得到训练样本集、验证样本集和测试样本集；将邻域数据立方体作为网络的输入，对网络进行训练，本发明提供的高光谱图像分类方法采用先提取光谱注意力特征后提取空间注意力特征的级联网络结构，使得网络更加关注感兴趣空间区域和有意义光谱波段，将光谱特征和空间特征结合起来，充分利用了丰富的光谱信息和空间信息，因此可获得更高的分类精度，且得到的分类图像视觉上更加连续。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.014 seconds)
