-
公开(公告)号：CN102222320B
公开(公告)日：2013-01-02
申请号：CN201110134444.0
申请日：2011-05-24
Applicant: 西安电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于全变分迭代反向投影的单帧图像空间分辨率增强方法，其方法是：(1)利用双线性插值获取低分辨率图像Il的初始高分辨率估计图像(2)利用成像退化模型对降质，将Il与降质后图像作差获取反向投影误差e；(3)利用双线性插值对e上采样，得投影误差ez；(4)利用全变分方法对ez正则化，得修正后的上采样投影误差eTV；(5)利用eTV对进行修正，得反向投影后的高分辨率图像IBP；(6)利用全变分方法对IBP进行正则化，得全变分反向投影处理后的高分辨率图像ITV；(7)将本轮得到的ITV反馈到第(2)步取代进行下一轮反向投影和正则化处理。本发明有效提高了对图像边缘特征的保持，降低图像高分辨率估计值与实际值之间的偏差，可用于单帧灰度或彩色图像的超分辨率复原。
-
公开(公告)号：CN119992125A
公开(公告)日：2025-05-13
申请号：CN202411862089.2
申请日：2024-12-17
Applicant: 西安电子科技大学
IPC: G06V10/62 , G06V10/80 , G06V10/52 , G06V10/44 , G06V10/46 , G06V10/50 , G06V10/56 , G06V10/762 , G06V10/764 , G06V10/766 , G06V10/25 , G06V20/40 , G06V40/20
Abstract: 本发明公开了一种基于多尺度联合特征自适应融合的目标跟踪方法，输入第1帧图像，对模型进行初始化；输入第t帧图像，得到最终的候选边框，从所述最终的候选边框中提取候选目标区域；对每个候选目标区域提取特征，确定每个候选目标区域的HOG特征、颜色直方图特征、Haar局部特征和LBP特征响应；计算自适应融合参数，进行自适应响应融合，求得最终响应结果；根据所述最终响应结果的最大值，确定最终目标预测候选区域，返回最大响应对应的候选目标区域，将该目标区域尺度确定为当前帧的目标尺度；使用第t帧图像的最终目标预测候选区域构造基础训练样本，对模型进行训练更新，获得下一帧图像的滤波器模型、颜色直方图模型。
-
公开(公告)号：CN119941507A
公开(公告)日：2025-05-06
申请号：CN202411872359.8
申请日：2024-12-18
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于全局上下文通道注意力的红外图像超分辨方法，步骤一：获取训练数据集；步骤二：扩充训练数据集；步骤三：构建全局上下文通道注意力网络，以RCAN网络架构为基础，在深层特征提取阶段的残差组构造上进行改进，在残差组结构中，融入m个相互串联的全局上下文通道注意力模块；步骤四：构建结构损失函数；步骤五：将扩充训练数据集输入到全局上下文通道注意力网络中，并以结构损失函数作为优化目标进行训练，使用ADAM优化器更新模型参数，直到损失不再下降，得到训练好的红外图像超分辨率重建模型；步骤六：通过训练好的红外图像超分辨率重建模型对测试集中的低分辨率图像进行超分辨率重建，得到红外超分辨率图像。
-
公开(公告)号：CN119578480A
公开(公告)日：2025-03-07
申请号：CN202411494068.X
申请日：2024-10-24
Applicant: 西安电子科技大学
Abstract: 一种实时处理目标的衍射光神经网络系统及方法，涉及光神经网络领域。该系统包括：光源模块发射单色线偏振光至衍射调制模块；控制处理模块获取待识别的目标图像及多组调制参数；衍射调制模块基于目标图像对单色线偏振光重复进行衍射调制，包括：第一调制层根据目标图像的灰度分布图对接收到的单色偏振光进行振幅调制，输出光强分布与灰度分布图一致的第一调制光信号；第二调制层根据当前的调制参数对第一调制光信号进行相位调制，输出调制后的第二调制光信号；第一采集模块采集第二调制光信号，得到光强分布图，并将光强分布图传输至控制处理模块，以将目标图像更新为第二调制光信号的光强分布图，将调制参数更新至下一组，进行下次衍射调制。
-
公开(公告)号：CN119418131A
公开(公告)日：2025-02-11
申请号：CN202411742333.1
申请日：2024-11-29
Applicant: 西安电子科技大学
IPC: G06V10/764
Abstract: 本发明实施例公开了一种基于复杂背景的目标图像分类方法，包括：获取连续稳定的单色p偏光；采集目标图像，并将目标图像加载至振幅调制阵列，利用加载目标图像后的振幅调制阵列对单色p偏光进行调制，获取包含复杂背景的目标图像的空间时域光信号；将包含复杂背景的目标图像的空间时域光信号转换成空间频率域信号，空间频率域信号为包含目标图像空间信息的空间频率分布图；去除所述空间频率域信号的背景信息，获取去除背景后的空间频率域信号；将所述去除背景后的空间频率域信号转换为去除背景后的空间时域光信号，所述去除背景后的空间时域光信号为包含目标图形空间信息的空间强度分布图；对去除背景后的空间时域光信号对应的目标图像进行分类。
-
Patent Agency Ranking
公开(公告)号：CN114743014B
公开(公告)日：2024-10-18
申请号：CN202210311581.5
申请日：2022-03-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于多头自注意力的激光点云特征提取方法及装置，该方法包括：获取激光雷达的原始点云信息；对原始点云信息进行体素分割，得到深度图；对深度图进行低级特征提取，得到低级特征图；基于级联的自注意力感知网络对低级特征图依次进行多次特征感知，得到高级特征图；将低级特征图和高级特征图进行融合，得到最终的点云特征图。该方法同时兼顾了原始图像的高级特征与低级特征，充分利用了原始点云的三维信息，有效防止了在多层特征提取下丢失低级特征的问题，提高了特征对原始数据的表达能力，进而提升了后续检测精度和效率。
-
公开(公告)号：CN117974461A
公开(公告)日：2024-05-03
申请号：CN202410084906.X
申请日：2024-01-19
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种流场重建的预处理方法、装置、电子设备及存储介质，属于流场重建领域，该方法包括：获取待处理图像；利用改进算子对待处理图像进行滤波，得到第一梯度增幅矩阵；利用改进算子对第一梯度增幅矩阵对应的子区再次进行滤波，得到第二梯度增幅矩阵；根据第二梯度增幅矩阵进行流场重建。通过上述技术方案，利用改进算子对待处理图像进行两次滤波，去除了待处理图像中的冗余数据，对待处理图像进行预处理，减少了流场重建时所需的数据量，从而提高重建速度。
-
公开(公告)号：CN113239744B
公开(公告)日：2024-04-19
申请号：CN202110447914.2
申请日：2021-04-25
Applicant: 西安电子科技大学
IPC: G06F18/241 , G06F18/213 , G06F18/10 , G06F18/25 , G06N3/0464 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种基于深度学习的脑电‑肌电信号融合识别方法，通过基于深度自注意力机制的循环神经网络对预处理后的脑电信号进行高维编码及序列解码，获得脑电分类特征矩阵；对预处理后的肌电信号进行强度特征提取，获得肌电特征向量；通过无监督稀疏自编码器对脑电分类特征矩阵和肌电特征向量进行特征融合，生成最终指令。本发明将多头自注意力机制和编码‑解码模型结合应用到脑电特征提取领域，提高脑电分类识别精度；利用自适应方法，解决肌电信号存在个体差异和位置差异的问题，通过提取肌电信号的强度特征来实现动作强度的估计；利用无监督稀疏自编码器对不同生物电特征进行编码和解码，以高效、鲁棒性的方法实现对脑电和肌电特征的融合。
-
公开(公告)号：CN112991173B
公开(公告)日：2024-04-16
申请号：CN202110268450.9
申请日：2021-03-12
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06F17/15 , G06V10/80 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于双通道特征迁移网络的单帧图像超分辨率重建方法，针对深度超分辨率图像重建网络网络深度增加带来的细节信息丢失、局部感受野对于全局‑局部纹理相似性利用不充分的问题进行网络模型设计，整体网络基于残差机制，使用后置上采样模块对图像进行空间尺度的上采样输出超分辨率重建结果y。本发明能够保持空间重复纹理特征的有效分布，并对出事特征使用残差结构进行复用，有效防止了细节特征在网络前向传递的过程中的消失现象，可显著提升单帧图像超分辨率重建质量。
-
公开(公告)号：CN117541472A
公开(公告)日：2024-02-09
申请号：CN202311486600.9
申请日：2023-11-08
Applicant: 西安电子科技大学
IPC: G06T3/4053 , G06N3/0475 , G06N3/094
Abstract: 一种基于生成对抗网络的自适应图像超分辨重建方法，在生成模块中去掉残差块的批处理规范化层，以更全面地保留单张图像的细节信息；在前两层用于特征提取的卷积层后分别加入细节自适应模块，自适应地捕获图像的重点细节特征信息，然后重新分配该细节特征信息的权重，整合每层卷积捕获的重点细节特征信息，生成超分辨率图像；将超分辨率图像和高分辨率图像输入判别模块，在判别模块的每个卷积层后引入损失自适应模块，通过损失自适应模块获取分层损失，然后将分层损失进行加权求和，动态地优化损失函数，并联合Sigmoid函数的输出值共同判别超分辨图像的真假。本发明在对复杂图像进行超分时，能获得更清晰的高分辨率图像。
-
-
-
-
-
-
-
-
-
Search Results
262
records
(took 0.059 seconds)
