-
公开(公告)号：CN110533084B
公开(公告)日：2022-09-30
申请号：CN201910738932.9
申请日：2019-08-12
Applicant: 长安大学
IPC: G06V10/774 , G06V10/82 , G06V10/80 , G06N3/04 , G06T7/00
Abstract: 本发明公开了一种基于自注意力机制的多尺度目标检测方法，采用基于自注意力特征选择模块的自下而上和自上而下两种多尺度特征融合方式能够结合目标的低层特征和高层特征，增强特征图的表示能力和捕捉上下文信息的能力，提高目标检测阶段的稳定性与鲁棒性；而且本发明利用自注意力模块进行特征的重标定，计算量更小，兼顾了检测精度和速度，对解决目标检测中密集物体、小目标和遮挡目标等的检测问题具有重要意义。
-
公开(公告)号：CN110533084A
公开(公告)日：2019-12-03
申请号：CN201910738932.9
申请日：2019-08-12
Applicant: 长安大学
Abstract: 本发明公开了一种基于自注意力机制的多尺度目标检测方法，采用基于自注意力特征选择模块的自下而上和自上而下两种多尺度特征融合方式能够结合目标的低层特征和高层特征，增强特征图的表示能力和捕捉上下文信息的能力，提高目标检测阶段的稳定性与鲁棒性；而且本发明利用自注意力模块进行特征的重标定，计算量更小，兼顾了检测精度和速度，对解决目标检测中密集物体、小目标和遮挡目标等的检测问题具有重要意义。
-
公开(公告)号：CN111524068B
公开(公告)日：2023-06-02
申请号：CN202010290657.1
申请日：2020-04-14
Applicant: 长安大学
IPC: G06T3/40 , G06T3/60 , G06T5/50 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了本发明提供一种基于深度学习的变长输入超分辨率视频重建方法；包括以下步骤：构建随机长度的训练样本，获取训练集；建立超分辨率视频重建网络模型：包含依次连接的特征提取器、渐对齐融合模块、深度残差模块和叠加模块；采用训练集对超分辨率视频重建网络模型进行训练，得到训练后的超分辨率视频重建网络；将待处理视频顺序输入训练后的超分辨率视频重建网络进行视频重建，得到对应的超分辨率重建视频。本发明采用渐对齐融合机制可以逐帧地对齐和融合，对齐操作只作用于相邻两帧图像，这使得模型能够处理更长的时序关系，使用更多相邻的视频帧，这意味着输入含有更多的场景信息，可以有效提高重建效果。
-
公开(公告)号：CN111524068A
公开(公告)日：2020-08-11
申请号：CN202010290657.1
申请日：2020-04-14
Applicant: 长安大学
Abstract: 本发明公开了本发明提供一种基于深度学习的变长输入超分辨率视频重建方法；包括以下步骤：构建随机长度的训练样本，获取训练集；建立超分辨率视频重建网络模型：包含依次连接的特征提取器、渐对齐融合模块、深度残差模块和叠加模块；采用训练集对超分辨率视频重建网络模型进行训练，得到训练后的超分辨率视频重建网络；将待处理视频顺序输入训练后的超分辨率视频重建网络进行视频重建，得到对应的超分辨率重建视频。本发明采用渐对齐融合机制可以逐帧地对齐和融合，对齐操作只作用于相邻两帧图像，这使得模型能够处理更长的时序关系，使用更多相邻的视频帧，这意味着输入含有更多的场景信息，可以有效提高重建效果。
-
-
-
Search Results
4
records
(took 0.049 seconds)
