-
公开(公告)号：CN111127374B
公开(公告)日：2022-02-11
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：CN109166093A
公开(公告)日：2019-01-08
申请号：CN201810743521.4
申请日：2018-07-09
Applicant: 西北大学
Abstract: 本发明公开了一种图像显著区域检测方法，对所述的待检测图像采用特征提取的方法进行显著区域检测，获得第一显著图；对所述的待检测图像进行超像素分割，获得由多个第二超像素块组成的第二超像素块集，采用像素点激活的方法对第二超像素块集中所有的第二超像素块进行处理，获得第二显著图；通过像素点显著值融合的方式将第一显著图与第二显著图融合，获得显著图；本发明提供的图像显著区域检测方法，将待检测图像中显著区域的局部信息与全局信息进行融合，提高了显著区域检测的准确性。
-
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：CN109285167A
公开(公告)日：2019-01-29
申请号：CN201811098643.9
申请日：2018-09-20
Applicant: 西北大学
Abstract: 一种基于深度学习的提取彩绘陶器图案方法，包括：步骤1：获取彩绘陶器的原始高光谱数据，对其进行预处理；步骤2：根据步骤1得到的图像，合成真彩色图像；步骤3：对步骤1得到的图像进行最小噪声分离处理，得到包含图案信息的主成分图像；步骤4：对步骤3得到的图像做二值化处理，获得训练样本和训练样本标签，输入深度学习网络，得到输出的图案信息图像；步骤5：通过基于稀疏表示的图像分解提取细节信息，并通过细节注入模型将细节信息注入到步骤2的真彩色图像中，恢复彩绘陶器的图案信息。本发明从主成分图像中进行图案提取，在提取清晰图案的同时，对少量丢失信息进行了恢复，为彩绘文物的研究和保护打下了坚实的基础。
-
公开(公告)号：CN115731450A
公开(公告)日：2023-03-03
申请号：CN202211486116.1
申请日：2022-11-24
Applicant: 西北大学
IPC: G06V10/82 , G06V10/764 , G06V10/80 , G06V10/44 , G06V20/60 , G06N3/045 , G06N3/0475 , G06N3/0464 , G06N3/048 , G06N3/088 , G06N3/094
Abstract: 本发明属于图像处理技术领域，具体公开了一种彩绘文物线稿提取方法，首先通过分类网络对采集到的彩绘文物数据集按照病害侵蚀程度进行分类，然后求取输入图像对应的梯度图，两者一起作为网络输入，通过尺度增强模块来充分提取原始彩绘文物图像和梯度图像中的不同尺度的特征，为网络提供更多细节信息，然后在网络中引入注意力机制，使网络更加关注物体轮廓部分，同时加入自适应权重，使网络根据文物的类型特点自动调节。本发明有效利用多尺度特征提取以及梯度注意力机制的优点，通过一个端到端的无监督循环生成对抗网络实现彩绘文物的线稿提取，最终获得语义完整、细节丰富、噪声极少的高质量线稿。
-
Patent Agency Ranking
公开(公告)号：CN110598741B
公开(公告)日：2022-11-18
申请号：CN201910729399.X
申请日：2019-08-08
Applicant: 西北大学
IPC: G06V10/74 , G06V10/774 , G06V10/84 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种像素级标签自动生成模型构建、自动生成方法及装置，首先利用像素级标签从源域学习分割知识，然后将知识转移到目标域生成图像的粗标签，再利用引导滤波器对粗标签进行推理，生成精细标签。在细化标签的基础上，对分割网络进行优化，生成具有详细像素级结构/边界的细粒度目标标签，提高了语义分割效果。
-
公开(公告)号：CN111256630B
公开(公告)日：2021-05-11
申请号：CN202010125399.1
申请日：2020-02-27
Applicant: 西北大学
Abstract: 本发明公开了一种利用电磁超声导波频散特性快速测量金属板材厚度方法；该方法利用周期性永磁体电磁换能器发射水平剪切导波，沿传播方向多次(至少需要移动一次)平移接收传感器位置后并记录导波信号。然后，利用信号处理方法分别对不同位置的导波信号进行分析计算。在此基础上，通过对超声导波在金属板材中传播的体波波速以及不同模态的相速度的计算，结合电磁超声导波的频散特性实现对金属板材厚度的快速准确测量，本发明有效解决了超声导波在金属板材中传播速度无法准确获得的问题，消除了金属板材几何形状以及外部测量条件对波速测量的影响，具有检测速度快、准确度高等显著特点。
-
公开(公告)号：CN109166093B
公开(公告)日：2020-09-01
申请号：CN201810743521.4
申请日：2018-07-09
Applicant: 西北大学
Abstract: 本发明公开了一种图像显著区域检测方法，对所述的待检测图像采用特征提取的方法进行显著区域检测，获得第一显著图；对所述的待检测图像进行超像素分割，获得由多个第二超像素块组成的第二超像素块集，采用像素点激活的方法对第二超像素块集中所有的第二超像素块进行处理，获得第二显著图；通过像素点显著值融合的方式将第一显著图与第二显著图融合，获得显著图；本发明提供的图像显著区域检测方法，将待检测图像中显著区域的局部信息与全局信息进行融合，提高了显著区域检测的准确性。
-
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：CN110598741A
公开(公告)日：2019-12-20
申请号：CN201910729399.X
申请日：2019-08-08
Applicant: 西北大学
Abstract: 本发明公开了一种像素级标签自动生成模型构建、自动生成方法及装置，首先利用像素级标签从源域学习分割知识，然后将知识转移到目标域生成图像的粗标签，再利用引导滤波器对粗标签进行推理，生成精细标签。在细化标签的基础上，对分割网络进行优化，生成具有详细像素级结构/边界的细粒度目标标签，提高了语义分割效果。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.017 seconds)
