-
公开(公告)号：CN109978762B
公开(公告)日：2023-06-16
申请号：CN201910144539.7
申请日：2019-02-27
Applicant: 南京信息工程大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于条件生成对抗网络的超分辨率重建方法，具体为：利用公开的超分辨率图像数据集，制作低分辨率图像和对应高分辨率图像训练集；构建条件生成对抗网络模型，在生成器网络中使用密集残差块，在生成网络模型的末端，用亚像素上采样方法实现超分辨率图像重建；把训练图像集输入到条件生成对抗网络中进行模型训练，通过感知损失函数让训练模型收敛；对图像测试集进行下采样处理，获得低分辨率测试图像；把低分辨率测试图像输入到条件对抗网络模型中，获得高质量的高分辨率图像。本发明可以很好的解决传统生成对抗网络生成的超分辨图像看似清晰、评估指标极低的问题，同时通过密集残差网络缓解梯度消失和高频信息丢失的问题。
-
公开(公告)号：CN110120064A
公开(公告)日：2019-08-13
申请号：CN201910392629.8
申请日：2019-05-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其步骤为：输入上一帧目标区域及下一帧的搜索区域；初始化特征提取器参数，经过均方误差损失通过梯度下降进行学习特征提取器的参数，将搜索区域通过特征提取器进行提取特征；计算特征的自相关性，通过岭回归封闭解学习到滤波器模板；下一帧通过上一帧推测出的目标位置确定搜索区域，通过设计好的特征提取器进行特征提取，计算目标区域和搜索区域特征的互相关；将其特征与滤波器模板进行相关操作，输出值中最大值就是目标跟踪的最新位置；每一帧都对目标滤波器模板进行学习更新。
-
公开(公告)号：CN109086775A
公开(公告)日：2018-12-25
申请号：CN201810796361.X
申请日：2018-07-19
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种快速流形排序和低秩约束的协同显著性检测方法。首先，通过两阶段的快速流形排序算法为每张图片生成多张协同显著图；然后，基于协同显著图从每张图片分割出一组不同尺度的显著性区域，并通过显著图构建的特征矩阵得到自适应权重，与协同显著图相乘得到融合后的结果；最后，再利用图割法对检测结果作进一步优化。本发明能够有效增强协同显著性物体，并抑制背景和非协同显著区域。
-
公开(公告)号：CN105787448A
公开(公告)日：2016-07-20
申请号：CN201610108437.6
申请日：2016-02-28
Applicant: 南京信息工程大学
CPC classification number: G06K9/00288 , G06K9/00228 , G06K9/6214 , G06K9/6215
Abstract: 本发明公开了基于时空级联形状回归的人脸形状跟踪方法，该方法首先通过结合检测和配准的人脸检测器对视频第一帧进行检测初始化整个系统，得到五个人脸特征点；随后评估这五个特征点得到相似变换参数(旋转、偏移和尺度)以及人脸姿态(左侧脸、右侧脸和正脸)；最后采用多视角级联形状回归预测当前帧的人脸形状，当配准结果置信度大于设定的阈值时，时间序列回归就会着手人脸形状的跟踪；当配准结果置信度小于设定的阈值时，重初始化机制就会启动使人脸形状跟踪稳定进行下去。通过多视角(左侧脸、右侧脸和正脸)级联回归，收敛速度更快精度更高。通过时间序列回归以及重初始化的机制使人脸形状跟踪更加快速和准确。
-
公开(公告)号：CN113936145B
公开(公告)日：2024-06-11
申请号：CN202111173394.7
申请日：2021-10-08
Applicant: 南京信息工程大学
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/092
Abstract: 本发明公开了一种基于注意力图排序的细粒度识别方法，属于计算机视觉和模式识别技术领域；首先，获取原图像特征；使用3*3卷积Conv、全局最大池化GAP和全局平均池化GMP对第三个卷积层的输出结果进行处理，将处理结果进行全连接来得到多尺度的原图像特征；然后，进行弱监督注意力学习；然后，进行定位与细化，通过边界框定位出细粒度识别区域并提取该区域的特征；然后，将注意力图按重要性排序算法进行排序，通过边界框选取出最有鉴别性的区域并提取该区域的特征；通过注意力图重要性排序算法，强化对最有鉴别性区域的学习；最后，将原图像、定位出的细粒度识别区域、选取的最有鉴别性的区域三个层面的特征进行级联。
-
Patent Agency Ranking
公开(公告)号：CN110473144B
公开(公告)日：2023-04-25
申请号：CN201910725326.3
申请日：2019-08-07
Applicant: 南京信息工程大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于拉普拉斯金字塔网络的图像超分辨率重建方法，包括通过多张低分辨率图像依次对生成器网络和判别器网络进行优化，得到训练后的生成器网络；通过训练后的生成器网络，将待重建的低分辨率图像重建为高分辨率图像。其中，本发明的生成器网络采用拉普拉斯金字塔网络，以逐步上采样重建HR图像，从而可以更好地重建大尺度的图像；同时，本发明通过沿着通道轴连接高级和低级特征以学习残差图像，以提高泛化能力，使重建的图像在视觉上边缘更清晰，纹理更丰富。
-
公开(公告)号：CN109242885B
公开(公告)日：2022-04-26
申请号：CN201811019303.2
申请日：2018-09-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于时空非局部正则的相关滤波视频跟踪方法，受到视频中的时空非局部性目标表观重现技术的启发，我们利用非局部信息来精确地表述和分割目标，得到一个目标概率图去正则化目标跟踪里的相关滤波器。特别地，给出一个目标边界框，我们首先生成一系列超像素去描述前景和背景，然后利用长期的时空非局部相似物来更新每个像素的表观。接着，利用更新过的表观，我们利用超像素标签的一致性概率建模出了一个时空图模型。之后，我们通过优化图模型更新表观模型和预测标签。最终，利用分割掩模，我们获得了一个目标概率图，它被用来自适应地约束相关滤波学习，通过挤压混乱背景下的噪声，以此来充分利用长期的稳定的目标表观信息。本发明的视频跟踪算法在光照剧烈变化和目标场景复杂的情况下显著地提高了跟踪器的稳健性和准确性。
-
公开(公告)号：CN109064497B
公开(公告)日：2021-11-23
申请号：CN201810778141.4
申请日：2018-07-16
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于颜色聚类补充学习的视频跟踪方法，属于图像处理技术领域。包括输入上一帧状态及分类参数、对目标区域颜色聚类、根据聚类中心统计出直方图、计算颜色响应、计算相关滤波响应、颜色响应和相关滤波响应融合、更新分类器参数、输出当前帧状态及分类器参数八个步骤。通过对传统的颜色直方图补充学习跟踪方法进行分析和改进，有效地利用颜色分布的信息，采用聚类和统计颜色直方图手段，学到更有效的颜色聚类补充学习器并与传统的相关滤波学习器相融合，能够有效区分目标和背景，在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下依然可以准确地跟踪目标。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN109102521B
公开(公告)日：2021-08-27
申请号：CN201810647331.2
申请日：2018-06-22
Applicant: 南京信息工程大学
Abstract: 本发明公开一种基于并行注意力相关滤波的视频目标跟踪方法，属于图像处理技术领域。将跟踪问题设计为估计一个目标位置的概率，整合空间选择注意力SSA和表观选择注意力ASA，利用Log函数得到目标函数，实现视频目标的持续有效跟踪。首先进行SSA建模，产生一系列的二值图，经滤波获取位置响应图，然后在跟踪目标周围的半局部域采样一系列干扰区域，在相关视频滤波中学习抗干扰距离度量并进行抗干扰度量正则相关滤波，将干扰项推入负域，获取ASA目标图，再通过Log函数得到的目标函数，将在局部域和半局部域中处理的图像相融合对目标进行跟踪。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN110163875A
公开(公告)日：2019-08-23
申请号：CN201910432719.5
申请日：2019-05-23
Applicant: 南京信息工程大学
IPC: G06T7/11
Abstract: 本发明公开了一种基于调制网络和特征注意金字塔的半监督视频目标分割方法，包括步骤一：将当前视频帧图像输入至分割网络中，得到当前视频帧图像中分割目标对应的特征图；步骤二：将当前视频帧图像中分割目标对应的特征图输入到特征注意金字塔模块中，得到最终的特征表示；所述特征注意金字塔模块对输入的特征图构造像素级注意；步骤三：在所述分割网络的倒数第二和倒数第三阶段的最后一层卷积的输出端和特征注意金字塔模块的输出端分别引入一个侧输出层，所述侧输出层分别对输入的特征图进行上采样得到与当前视频帧图像相同分辨率大小的特征图，将所有的侧输出层输出的特征图融合得到最终的分割结果。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.03 seconds)
