公开(公告)号：CN119810537A

公开(公告)日：2025-04-11

申请号：CN202411882363.2

申请日：2024-12-19

Applicant: 西安电子科技大学杭州研究院

Inventor： 高飞 ,  张德瑞 ,  周颖 ,  杨曦 ,  何立火 ,  王楠楠

IPC: G06V10/764 ,  G06V10/40 ,  G06V10/80 ,  G06V10/774 ,  G06N3/0464

Abstract: 本发明公开了一种质量自适应的图像跨域映射方法，包括以下步骤；步骤1：获取目标域图像s和源域图像c的数据，并进行预处理；步骤2：设计生成对抗网络模型，对抗网络模型以无监督图像翻译模型的网络结构为基础，将质量自适应卷积模块插入GLD生成器网络中；步骤3：利用步骤1预处理过的目标域图像s与源域图像c输入到步骤2中的生成对抗网络模型中训练；步骤4：利用步骤3训练好的生成对抗网络模型进行源域图像到目标域图像的映射。本发明对无监督图像翻译模型修改后实现了优于原模型更好的图像翻译结果。

公开(公告)号：CN119251484A

公开(公告)日：2025-01-03

申请号：CN202410734349.1

申请日：2024-06-07

Applicant: 西安电子科技大学杭州研究院 ,  西安电子科技大学

Inventor： 高飞 ,  韩文旺 ,  张德瑞 ,  何立火 ,  王楠楠

IPC: G06V10/26 ,  G06T7/11 ,  G06V40/16 ,  G06V10/764 ,  G06V10/74 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0895 ,  G06N3/0464 ,  G06N3/0455

Abstract: 基于表象一致对比学习的图像精细化分割方法，包括以下步骤；步骤1：构建基础分割模块，将图片经过基础分割模块后得到特征图；步骤2：构建超像素引导的表象一致对比学习模块，将所述特征图作为超像素引导的表象一致对比学习模块的输入；步骤3：构建局部风格引导的表象一致对比学习模块；将所述特征图作为局部风格引导的表象一致对比学习模块的输入；在两个模块中进行块间相似度损失计算和像素级对比损失计算；步骤4：将像素级对比学习损失和块间相似度损失联合起来进行联合训练，最小化损失。本发明有效降低错误标签对分割模型的影响，实现了精细化的分割结果，能够对图像进行更加精细的分割。