-
公开(公告)号：CN118570597A
公开(公告)日：2024-08-30
申请号：CN202410692906.8
申请日：2024-05-31
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于数据级和特征级深度融合的三维目标检测方法，主要解决现有技术模型鲁棒性低且存在严重误检、漏检及检测精度低的问题。其实现方案是：选择带标注的数据集，将其预处理为尺寸统一的训练集和测试集；构建包括数据级融合模块、体素特征提取模块、图像特征提取模块、全局交叉注意力特征融合模块、局部自注意力特征增强模块和检测头的三维目标检测网络；将训练集及标注信息分为多个配对点云图像组，并依次循环输入至三维目标检测网络完成训练；将测试集输入至训练完成后的三维目标检测网络输出检测结果。本发明具有很高的鲁棒性，能在点云稀疏或目标被遮挡的情况下有效降低误检和漏检，提高检测精确度，可用于复杂环境下的3D场景感知。
-
公开(公告)号：CN118521511A
公开(公告)日：2024-08-20
申请号：CN202410610319.X
申请日：2024-05-16
Applicant: 西安电子科技大学
IPC: G06T5/77 , G06V10/764 , G06N3/096 , G06N3/045 , G06V10/774 , G06N3/0464 , G06V10/82 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种两阶段蒸馏学习的恶劣天气退化图像的通用复原方法，主要解决现有通用恶劣天气图像复原方法模型参数量大、网络结构复杂的问题。其方案是：获取多种恶劣天气的数据并划分训练集和测试集；构建包括天气退化感知器、感知复原网络和天气分类器的一阶段网络；构建包括天气退化感知器和感知复原网络的二阶段蒸馏网络；利用训练集对一阶段网络进行训练，再利用训练集和一阶段网络训练后的结果训练二阶段网络；将测试集输入到二阶段网络训练后的模型中输出复原结果。本发明能高效地提取恶劣天气图像的不同特征，在极低参数量下能获得恶劣天气的高质量复原图像，且图像处理时间接近实时性标准，可应用于户外影像监控、雨雪天气下智能驾驶系统识别。
-
公开(公告)号：CN117834923A
公开(公告)日：2024-04-05
申请号：CN202311845130.0
申请日：2023-12-29
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于小波扩散模型的图像压缩系统及方法，主要解决现有扩散步骤过长，难以应用在实时性较高场景下的技术问题。方案包括：1)利用图像采集模块获取原图信息，并上传至图像压缩模块处理；2)压缩模块对原图进行小波变换得到低频图和高频图，并对低频图编解码后进行域变换和小波扩散生成，然后与高频图求残差；3)通过数据存储和传输模块将残差和低频图传输至图像解压模块；4)解压模块对低频图解码后得到重构低频图，并对其进行域变换和扩散生成，之后加上解码后残差图得到重构高频图；5)解压模块对重构高频图和重构低频图进行小波反变换，获得重构图。本发明能够在加快图像解压缩速度的同时，有效改善图像压缩性能。
-
公开(公告)号：CN112465846B
公开(公告)日：2023-04-07
申请号：CN202011350894.9
申请日：2020-11-26
Applicant: 西安电子科技大学 , 西安空间无线电技术研究所
Abstract: 本发明公开了一种基于填充策略的含云遥感图像压缩方法，主要解决现有技术在填充后云区域边缘仍存在较多高频信息，编码消耗较大的问题。其方案是：对输入的含云图像和云掩模图像进行边界扩展；计算含云图像中感兴趣区域的近似中位数；获取标记云区域的灰度掩模和标记云区域边缘的灰度图像；计算各云区域边缘内的像素均值并填充对应的云区域；对填充后的图像进行边缘均值滤波；用感兴趣区域的近似中位数对滤波后图像进行电平移位，得到预处理后图像；对预处理后图像进行编码，得到压缩码流发至接收端；接收端对收到的码流进行解码，得到恢复后图像。本发明能有效减少云区域编码码率，提高感兴趣区域恢复质量，可用于各种含云图像的传输。
-
公开(公告)号：CN111126359B
公开(公告)日：2023-03-28
申请号：CN202010143805.7
申请日：2020-03-04
Applicant: 西安电子科技大学 , 南京亿芯亿意信息科技有限公司
IPC: G06V10/82 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/08
Abstract: 本发明公开了一种基于自编码器与YOLO算法的高清图像小目标检测方法，主要解决现有技术对高清图像小目标检测其准确率和速度不可兼顾的问题。实现步骤为：1)采集高清图像并标注，获得训练集和测试集；2)对标注好的训练集进行数据扩充；3)根据标注信息生成对应的Mask数据；4)搭建自编码器模型；5)使用训练集对其训练；6)将训练好的自编码器的编码网络与YOLO‑V3检测网络拼接，得到混合网络并使用训练集对其训练；7)使用训练好的混合网络在测试集上进行目标检测。本发明减少了目标检测的计算量，提高了检测速度，并在保证检测速度的情况下提高了高清图像中小目标的检测精度，可用于无人机航拍图像的目标识别。
-
Patent Agency Ranking
公开(公告)号：CN111553856B
公开(公告)日：2023-03-24
申请号：CN202010331563.4
申请日：2020-04-24
Applicant: 西安电子科技大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度估计辅助的图像去雾方法，主要解决现有技术对雾气分布估计差和恢复图像纹理细节丢失的问题。其方案是：在Pytorch框架下分别构建深度估计网络和去雾网络；获取一组无雾图像集J，对J进行深度估计和人工加雾得到深度图像集D和有雾图像集I；利用深度图像集和有雾图像集分别训练深度估计网络和去雾网络，得到训练好的深度估计网络和去雾网络；将需要去雾的图像Ic输入至训练好的深度估计网络，输出估计的深度值Dc；将需要去雾的图像Ic和深度值Dc输入至训练好的去雾网络，输出清晰图像。本发明能很好的恢复图像的细节和色调，且峰值信噪比和结构相似性均高于或接近现有技术，可用于有雾图像的清晰化处理。
-
公开(公告)号：CN110223251B
公开(公告)日：2023-03-24
申请号：CN201910473964.0
申请日：2019-06-02
Applicant: 西安电子科技大学
IPC: G06T5/00 , G06N3/0464
Abstract: 适用于人工与自然光源的卷积神经网络水下图像复原方法。本发明公开了一种单幅水下图像复原方法，其方案是：构建环境光估计网络A‑net、人工光源强度估计网络L‑net和透射率估计网络T‑net；获取一组深度图像集；随机生成透射率T、环境光A与人工光源强度L，合成水下图像集I；将I、T、A批量依次循环输入至A‑net进行训练；将I、T、L批量依次循环输入至L‑net进行训练；将I、T批量依次循环输入至T‑net进行训练；将待处理的图像Ic输入到训练好的T‑net，输出透射率Tc；将Ic、Tc分别输入到训练好的A‑net及L‑net，分别输出人工光源强度L和环境光Ac；根据Ic、Ac、L和Tc计算清晰图像Jc。本发明提高了图像清晰度、改善了图像色偏，减小了人工光源对图像复原的影响，可用于自然光或人工光源环境下的水下图像清晰化处理。
-
公开(公告)号：CN114842334A
公开(公告)日：2022-08-02
申请号：CN202210394874.4
申请日：2022-04-14
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/22 , G06V10/26 , G06V10/762 , G06K9/62
Abstract: 本发明公开了一种高光谱数据标注方法，主要解决现有技术不能对目标视觉不可见高光谱数据进行标注的问题。其实现方案是：借助Google地图，锁定目标视觉不可见的高光谱数据集目标可能存在的位置；利用ENVI对原始高光谱数据依次进行粗裁剪和细裁剪；对细裁剪后的图像数据进行视觉分析，选取目标特征相对明显的波段作为特征谱段并拼接成一个数据立方体；利用K‑means聚类法方法对数据立方体进行无监督聚类，得到像素数目基本不变的类；用目视分析从像素数目基本不变的类中确定目标置信点集合，并进行最终标注。本发明能对视觉不可见目标进行标注，无需去实地测量，节省了大量的物力和人力，可用于高光谱目标检测识别。
-
公开(公告)号：CN111104943B
公开(公告)日：2022-05-17
申请号：CN201911297934.5
申请日：2019-12-17
Applicant: 西安电子科技大学 , 南京亿芯亿意信息科技有限公司
Abstract: 本发明提出了一种基于决策级融合的彩色图像感兴趣区域提取方法，主要解决现有技术中感兴趣区域提取方法的适用范围有限，感兴趣区域提取的精度不足的问题。其实现步骤为：获取训练数据集；获取RGB图像I的目标分割图I1；获取RGB图像I的景深分割图I2；获取RGB图像I的热度分割图I3；获取RGB图像I的显著性分割图I4；对I1、I2、I3和I4进行决策级融合。本发明从像素级分类角度、摄像机与感兴趣区域的距离角度、视觉关注角度、频率角度综合分析，融合四个方面的优势，拓宽感兴趣区域提取方法的适用范围，提高感兴趣区域提取的准确性，可用于目标检测、障碍物识别、图像视觉监控、行人检测等领域。
-
公开(公告)号：CN111192193B
公开(公告)日：2022-02-01
申请号：CN201911176083.9
申请日：2019-11-26
Applicant: 西安电子科技大学
Abstract: 本发明属于高光谱图像超分辨率处理技术领域，公开了一种基于1维‑2维卷积神经网络高光谱单图超分辨方法，搭建1维卷积神经网络模型获取光谱信息；搭建基于注意力机制的2维卷积神经网络模型获取空间信息；将空间和光谱信息以渐进的方式进行融合；使用训练数据集对并行结构的神经网络模型进行训练，调整其内部参数；使用测试数据集对神经网络模型进行检核，根据模型输出求平均峰值信噪比MPSNR、平均结构相似性指数MSSIM、平均均方根误差MRMSE和光谱角制图SAM，评价神经网络模型的超分辨率处理性能。本发明神经网络模型参数设置简单，易于实现，计算量小，能较快获得超分辨率处理结果；能够更有效地实现光谱保真。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.028 seconds)
