-
公开(公告)号：CN111199521A
公开(公告)日：2020-05-26
申请号：CN201911262011.6
申请日：2019-12-10
Applicant: 南京理工大学
Abstract: 本发明公开了一种嵌入傅立叶聚合的视频去模糊三维卷积深度网络方法，该方法通过三维卷积深度网络，学习窗口内视频帧的时空特征，并将编码器-解码器卷积网络学习出的初始去模糊图像进行傅立叶变换，采用傅立叶聚合模块，进一步学习图像的傅立叶特征，通过三维卷积神经网络与傅立叶聚合模块的合成网络，训练深度网络，最终根据训练好的深度网络，生成去模糊视频。本发明依据三维卷积深度网络学习视频中的时空特征，避免了视频去模糊中复杂的配准过程，且无需运动矢量估计，并在网络中嵌入傅立叶聚合模块显著提升了去模糊效果，大幅降低了视频去模糊的处理时间，可广泛应用于手机拍摄、无人机拍摄、车载导航等多种类型的视频去模糊。
-
公开(公告)号：CN107292258A
公开(公告)日：2017-10-24
申请号：CN201710448927.5
申请日：2017-06-14
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于双边加权调制与滤波的高光谱图像低秩表示聚类方法，包括以下步骤：计算高光谱图像的低秩表示系数；联合光谱与低秩表示系数的相似度，计算双边加权矩阵；采用双边加权矩阵调制低秩表示系数；对调制的低秩表示系数进行双边滤波；利用滤波后的低秩表示系数构建相似性图；将相似性图用于谱聚类得到最终的聚类结果。本发明充分利用了高光谱的光谱相似性和空间结构信息，与传统的子空间聚类方法相比，聚类精度高、对噪声的鲁棒性高；可广泛应用于国土资源、矿产调查和精准农业领域的无监督分类。
-
公开(公告)号：CN104299197B
公开(公告)日：2017-04-19
申请号：CN201410536573.6
申请日：2014-10-11
Applicant: 南京理工大学
Abstract: 本发明公开了一种利用2D CCA的单幅图像去雾方法，首先构造有雾图像训练集及对应的介质传播图训练集，利用2D CCA训练投影矩阵；其次将一幅待处理的雾天图像预处理分解为测试图像块，再用投影矩阵投影到一个子空间，求子空间测试图像块在有雾图像训练集中的K个最邻近块及块权重；然后利用K个最邻近块的标号和块权重，求介质传播图在子空间的投影；再将子空间介质传播图像块投影回原空间求出原空间介质传播图，精细化原空间介质传播图，获取待处理的雾天图像的整体大气光值，利用两色大气散射模型求取去雾后图像。本发明无需固定场景重复拍摄图像，训练集可重复使用，能准确估算出介质传播图，恢复出较清晰的图像。
-
公开(公告)号：CN103093436A
公开(公告)日：2013-05-08
申请号：CN201310033631.9
申请日：2013-01-29
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种利用图像局部结构方向导数的模糊核多尺度迭代估计方法，包括尺度间更新、尺度内迭代估计和尺度间迭代终止判断，由粗尺度到精细尺度迭代估计模糊核与复原图像，其中尺度内迭代估计包含如下步骤：当前尺度增强型方向梯度场的计算；当前尺度模糊核的快速估计；当前图像方向导数近似频谱的计算；当前尺度图像的快速复原。本发明利用了图像跳跃边缘的梯度信息，并且基于快速傅立叶变换技术，以较小的时间复杂度快速地估计模糊核，可用于对各种实际模糊图像进行盲去模糊。
-
公开(公告)号：CN119107562A
公开(公告)日：2024-12-10
申请号：CN202411213400.0
申请日：2024-08-30
Applicant: 南京理工大学
IPC: G06V20/13 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于DCT感知的遥感图像变化检测方法，该方法利用四层次双分支网络提取并融合双时相特征；自适应光谱特征提取模块生成DCT滤波器，提取并综合频域特征；置信度加权融合器通过softmax计算置信度，结合注意力权重，归一化后用于特征图，通过点卷积分类检测图像变化。本发明采用创新网络和注意力机制，增强了遥感图像细节特征的提取，提升了模型的可解释性；Siamese网络结构确保了双时相图像特征提取的一致性；自适应光谱模块根据需求选择关键频率，优化了DCT滤波器的参数；置信度加权融合器通过动态特征选择和加权，提高了对变化区域的识别能力。
-
Patent Agency Ranking
公开(公告)号：CN113094645B
公开(公告)日：2024-07-30
申请号：CN202110267926.7
申请日：2021-03-11
Applicant: 南京理工大学
IPC: G06F17/16 , G06F17/18 , G06F17/15 , G06F30/20 , G06F111/04
Abstract: 本发明公开了一种形态成分约束优化的高光谱数据解混方法，该方法主要是利用一批高光谱数据和纯物质光谱库，构造光谱样本扩展矩阵；通过估计波段噪声标准差和稀疏性结构噪声分解，使用l1范数来约束稀疏噪声，l2,0范数约束不同纯物质丰度系数的全局行稀疏性；建立形态成分约束优化的高光谱数据解混模型，交替迭代实现混合光谱的线性解混。本发明综合考虑了高斯随机噪声和稀疏性结构噪声对线性解混精度影响，对混合噪声鲁棒，可以有效克服同批光谱数据之间的波形形态结构差异性，通过优化迭代实现快速、高精度解混，解混的均方根误差小于0.0025；本发明方法对于岩石矿物识别和高光谱遥感地物精细识别等具有广泛应用前景。
-
公开(公告)号：CN117197663A
公开(公告)日：2023-12-08
申请号：CN202311120442.5
申请日：2023-08-31
Applicant: 南京理工大学
IPC: G06V20/10 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/096
Abstract: 本发明公开了一种基于长距离依赖机制的多层融合图片分类方法及系统，方法包括：采用多核分组卷积构造多尺度金字塔特征提取模型，进行多尺度特征提取；采取长距离注意力机制，利用视觉转换器中按步长选择的多头注意力机制、动态学习位置信息以及多层感知器，提取长依赖上下文信息；采用卷积和池化，将中间不同层级特征尺度统一化；利用视觉转换器注意力机制，融合中间不同层级的特征；将中间融合后特征作为指导，利用蒸馏损失指导学习全局特征；根据学习后的全局特征，进行最终图片分类。本发明能够有效处理类间相似性高、类内差异性大、目标尺度各异的分类问题，提高了小样本图片的分类精度和分类速度。
-
公开(公告)号：CN116912191A
公开(公告)日：2023-10-20
申请号：CN202310843688.9
申请日：2023-07-11
Applicant: 南京理工大学
IPC: G06T7/00 , G06V10/40 , G06V10/82 , G06V10/80 , G06V10/77 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/766 , G06N3/0464
Abstract: 本发明公开了一种芯片X光侧视图的自适应旋转缺陷检测方法，该方法包括：构造基于ResNet‑50的骨干网络用于提取图像特征；加入FPN模块来融合增强不同层级的特征图；构造一个候选框生成模块，该网络用于降低特征图的通道数，并得到一组高质量的旋转预选框；构建一个检测头模块用于修正预选框并判断框内存在何种异常；引入KLD来衡量旋转框的预测损失；根据获得修正信息和分类分数确定异常位置和异常类型。本发明设计了一个候选框生成模块和一个基于KLD的损失函数，候选框生成模块旨在使用更少的参数来生成高质量的候选框，基于KLD的损失函数能够针对不同长宽比和倾斜角度的目标动态的计算损失权重，从而指导模型生成一个更贴合目标的旋转框。
-
公开(公告)号：CN115346071A
公开(公告)日：2022-11-15
申请号：CN202211002091.3
申请日：2022-08-20
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/52 , G06V10/44 , G06V10/42 , G06V10/25 , G06V10/20 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种高置信局部特征与全局特征学习的图片分类方法及系统，方法包括：采用深度分离卷积层的堆叠形式，嵌套下采样层，进行特征提取；提取多尺度特征，构成特征张量；采用不同步长的滑动窗口和非最大抑制方法去除冗余区域，生成候选局部感兴趣区域；计算局部感兴趣候选区域属于类属标签的概率作为置信值，依据置信值构造排序一致性损失函数训练网络，并进行候选局部感兴趣区域排序，判别高置信感兴趣区域；将高置信局部感兴趣区域特征与全局特征聚合，得到特征拼接张量；根据聚合的特征，进行最终图片分类。本发明能够有效处理类间相似性高、类内差异性大的分类问题，提高了小样本图片的分类精度和分类速度。
-
公开(公告)号：CN115170960A
公开(公告)日：2022-10-11
申请号：CN202210769948.8
申请日：2022-07-01
Applicant: 南京理工大学
Abstract: 本发明公开了一种可学习隐式变量迭代展开网络的高光谱稀疏解混方法，包括：稀疏约束优化构造解混模型；变量分裂和增广拉格朗日法构建交替方向迭代；交替方向迭代步建模为隐式展开网络模块，包括丰度变量和乘子变量可学习层；构造可学习平滑卷积层，提升丰度分片光滑性；编解码结构实现光谱解混与重构；采取无监督损失函数实现模型训练。本发明利用经典稀疏解混模型的优化机制设计可学习网络，网络层基于算法迭代步设计，充分满足高光谱丰度的稀疏性与分片光滑性，增强了可解释性和透明性；引入无监督训练机制，增强了网络可用性；通过模型驱动和网络参数共享降低模型参数规模和过拟合现象，实现模型轻量化。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.027 seconds)
