-
公开(公告)号：CN120050425A
公开(公告)日：2025-05-27
申请号：CN202510531138.2
申请日：2025-04-25
Applicant: 湖南大学
IPC: H04N19/42 , G06N3/0464 , G06V10/774 , G06V10/82 , H04N19/91
Abstract: 本发明公开了一种水下网衣作业机器人图像的压缩、解压缩方法及装置，首先构建基于频域跨尺度融合的水下图像压缩模型，包括压缩模块和解压缩模块，具体包括编码器、量化模块、算术编码器、算术解码器和解码器各2个；其中第一编码器包括频域跨尺度融合模块，第一编码器和第一解码器均包括去冗余模块；然后使用水下网衣图像训练集对构建的水下图像压缩‑解压缩模型进行训练；再使用训练完的压缩模块，对水下网衣作业机器人采集的图像进行压缩得到对应的比特流数据；使用训练完的解压缩模块，对获取的水下图像压缩后的比特流数据重建水下图像。本发明通过捕获不同感受野的互补信息提高特征提取的能力，同时减少冗余信息的影响，提升图像压缩性能。
-
公开(公告)号：CN119380005A
公开(公告)日：2025-01-28
申请号：CN202411958306.8
申请日：2024-12-30
Applicant: 湖南大学
IPC: G06V10/25 , G06N3/0455 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于水下模糊图像的目标检测方法、装置及设备，方法为：收集水下模糊图像数据集，对目标物进行边界框和类别标注得到已标注数据集；使用未标注和已标注的数据集对搭建的神经网络模型进行训练，得到目标检测模型；其中，神经网络模型首先使用EfficientNet作为主干网络，对输入不带边界框的图像进行特征提取，得到若干中间层特征；然后使用合成融合金字塔网络，对中间层特征进行特征融合；最后使用Linformer进行自注意力机制处理，输出带边界框的图像以及边界框内的目标类别；最终使用训练得到的目标检测模型，对待检测的水下模糊图像进行目标检测。本发明实现对水下模糊图像中目标的高效率高精度检测。
-
Patent Agency Ranking
公开(公告)号：CN118429625B
公开(公告)日：2024-10-11
申请号：CN202410900338.6
申请日：2024-07-05
Applicant: 湖南大学
IPC: G06V10/25 , G06V10/774 , G06V10/778 , G06V10/82 , G06V10/762 , G06V10/764 , G06V20/60 , G06N3/0455 , G06N3/047 , G06N3/0475 , G06N3/0895 , G06N3/091 , G06N3/094
Abstract: 本发明公开了一种基于主动学习选择策略的厨余垃圾目标检测方法，获取真实场景下采集的厨余垃圾目标检测数据集#imgabs0#；通过对#imgabs1#中样本聚类，并根据样本代表性构建已标注数据集#imgabs2#；将#imgabs3#送入目标检测模型训练，同时使用#imgabs4#和#imgabs5#训练主动学习模型中的变分自编码器VAE和对抗网络GAN判别器；当未达到主动学习总体预算时，使用当前的目标检测模型对未标注图像及其增强图像推理，根据相似度构建初选样本集；使用当前VAE和判别器筛选样本获得最终样本集；对选择的最终样本标注后，重复上述步骤直到达到标注总体预算；将最终得到的目标检测模型对厨余垃圾图像进行目标检测。本发明以更少的标注成本达到更好的检测效果。
-
公开(公告)号：CN119048380B
公开(公告)日：2025-02-11
申请号：CN202411537722.0
申请日：2024-10-31
Applicant: 湖南大学
IPC: G06T5/60 , G06N3/0464
Abstract: 本发明公开了一种基于离散小波变换和深度网络的多尺度融合图像增强方法，包括：步骤1，采用DWT将待增强图像分解得到高频分量和低频分量；步骤2，使用特征提取模块对低频分量提取特征得到第一分量特征图，同时将中间层得到的特征信息进行DWT，保留所得高频信息作为第二分量特征图；步骤3，使用反卷积网络解码模块，将第一第二特征分量特征图进行上采样和多尺度融合、解码，得到增强的低频分量特征图；步骤4，对高频分量特征图与增强的低频分量特征图，进行IDWT得到重构图像；步骤5，将待增强图像和重构图像，使用细化模块处理，融合得到最终的增强图像。本发明能够在较低计算资源消耗的情况下，显著提高图像的视觉效果和信息质量。
-
公开(公告)号：CN119048380A
公开(公告)日：2024-11-29
申请号：CN202411537722.0
申请日：2024-10-31
Applicant: 湖南大学
IPC: G06T5/60 , G06N3/0464
Abstract: 本发明公开了一种基于离散小波变换和深度网络的多尺度融合图像增强方法，包括：步骤1，采用DWT将待增强图像分解得到高频分量和低频分量；步骤2，使用特征提取模块对低频分量提取特征得到第一分量特征图，同时将中间层得到的特征信息进行DWT，保留所得高频信息作为第二分量特征图；步骤3，使用反卷积网络解码模块，将第一第二特征分量特征图进行上采样和多尺度融合、解码，得到增强的低频分量特征图；步骤4，对高频分量特征图与增强的低频分量特征图，进行IDWT得到重构图像；步骤5，将待增强图像和重构图像，使用细化模块处理，融合得到最终的增强图像。本发明能够在较低计算资源消耗的情况下，显著提高图像的视觉效果和信息质量。
-
公开(公告)号：CN119380005B
公开(公告)日：2025-03-18
申请号：CN202411958306.8
申请日：2024-12-30
Applicant: 湖南大学
IPC: G06V10/25 , G06N3/0455 , G06V10/44 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于水下模糊图像的目标检测方法、装置及设备，方法为：收集水下模糊图像数据集，对目标物进行边界框和类别标注得到已标注数据集；使用未标注和已标注的数据集对搭建的神经网络模型进行训练，得到目标检测模型；其中，神经网络模型首先使用EfficientNet作为主干网络，对输入不带边界框的图像进行特征提取，得到若干中间层特征；然后使用合成融合金字塔网络，对中间层特征进行特征融合；最后使用Linformer进行自注意力机制处理，输出带边界框的图像以及边界框内的目标类别；最终使用训练得到的目标检测模型，对待检测的水下模糊图像进行目标检测。本发明实现对水下模糊图像中目标的高效率高精度检测。
-
公开(公告)号：CN118429625A
公开(公告)日：2024-08-02
申请号：CN202410900338.6
申请日：2024-07-05
Applicant: 湖南大学
IPC: G06V10/25 , G06V10/774 , G06V10/778 , G06V10/82 , G06V10/762 , G06V10/764 , G06V20/60 , G06N3/0455 , G06N3/047 , G06N3/0475 , G06N3/0895 , G06N3/091 , G06N3/094
Abstract: 本发明公开了一种基于主动学习选择策略的厨余垃圾目标检测方法，获取真实场景下采集的厨余垃圾目标检测数据集#imgabs0#；通过对#imgabs1#中样本聚类，并根据样本代表性构建已标注数据集#imgabs2#；将#imgabs3#送入目标检测模型训练，同时使用#imgabs4#和#imgabs5#训练主动学习模型中的变分自编码器VAE和对抗网络GAN判别器；当未达到主动学习总体预算时，使用当前的目标检测模型对未标注图像及其增强图像推理，根据相似度构建初选样本集；使用当前VAE和判别器筛选样本获得最终样本集；对选择的最终样本标注后，重复上述步骤直到达到标注总体预算；将最终得到的目标检测模型对厨余垃圾图像进行目标检测。本发明以更少的标注成本达到更好的检测效果。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
