-
公开(公告)号：CN112509036A
公开(公告)日：2021-03-16
申请号：CN202011387363.7
申请日：2020-12-01
Applicant: 北京航空航天大学
Abstract: 本发明提供一种位姿估计网络训练及定位方法、装置、设备、存储介质。方法包括：以真实样本图像为基准，对各真实样本图像中的样本对象的目标检测结果进行随机采样，获取各真实样本图像中的样本对象的至少一个随机采样样本图像；基于各真实样本图像中的样本对象的置信度图、在标准坐标系下的坐标图、在相机坐标系下的深度图，以及，样本对象的至少一个随机采样样本图像对位姿估计网络进行训练，得到训练好的位姿估计网络；在网络训练阶段，位姿估计网络用于基于输入的图像，估计所输入的对象的置信度图、所输入的对象在标准坐标系下的坐标图，以及，所输入的对象在相机坐标系下的深度图。本发明提出的方法提高了位姿估计网络的鲁棒性。
-
公开(公告)号：CN111860518A
公开(公告)日：2020-10-30
申请号：CN202010614266.0
申请日：2020-06-30
Applicant: 北京航空航天大学
Abstract: 本公开的实施例公开了用于分割图像的方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：将输入图像输入预先训练的通用子网络，得到通用特征；将输入图像输入预先训练的特定任务子网络，得到特定任务特征；基于注意力机制网络，将该通用特征添加到该特定任务特征上，得到目标任务特征；对该特定任务特征进行解码操作，得到融合特征；利用渐进网络对该目标任务特征和该融合特征进行集成，得到该输入图像的分割图。该实施方式实现了基于特定任务特征对图像进行分割。
-
公开(公告)号：CN111860494A
公开(公告)日：2020-10-30
申请号：CN202010548365.3
申请日：2020-06-16
Applicant: 北京航空航天大学
Abstract: 本申请提供了一种图像目标检测的优化方法、装置、电子设备和存储介质，通过获取待检测图像，然后利用域间损失函数与域内损失函数对目标检测模型进行训练，最后再用目标检测模型对待检测图像进行检测，得到检测结果。实现了利用特征分组的方式通过域间损失函数防止目标检测模型训练当中的过矫正，并同时利用域内损失函数确保两个分类器从不同角度对特征进行分类检测，提高目标检测模型的训练效果。达到了对目标检测模型的跨域知识迁移，降低了目标检测模型的重训练成本，提高了目标检测模型的泛化能力的技术效果。
-
公开(公告)号：CN106875406B
公开(公告)日：2020-04-14
申请号：CN201710060268.8
申请日：2017-01-24
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种图像引导的视频语义对象分割方法及装置，根据给定语义类别，在样本图像中定位目标对象，得到对象样例；对输入视频中每帧图像进行候选区域的提取；根据对象样例，将每帧中所提取的多个候选区域与对象样例进行匹配，得到每个候选区域的相似度分数；对每帧中各个候选区域的相似度分数进行排序，选出满足预设候选区域个数的、相似度分数由高到低的高分候选区域；对选出的高分候选区域进行前景与背景的初始分割处理；基于初始分割后前景与背景的一致性和无二义性约束条件，对初始分割处理后的候选区域构建优化函数，求解优化函数得到最优候选区域集合；将最优候选区域对应的初始前景分割传播到整个视频，得到输入视频的语义对象分割。
-
公开(公告)号：CN110991460A
公开(公告)日：2020-04-10
申请号：CN201910984822.0
申请日：2019-10-16
Applicant: 北京航空航天大学
Abstract: 本申请提供一种图像识别处理方法、装置、设备和存储介质，其中，该方法包括：获取待处理图像，其中，所述待处理图像包括至少一个类别的图像部件；对所述待处理图像进行多种尺度的特征提取处理，得到所述待处理图像的多种尺度的特征图；对所述多种尺度的特征图进行筛选处理，得到所述待处理图像的多种尺度的筛选特征图；对所述多种尺度的筛选特征图进行融合处理，得到所述待处理图像的融合特征图；对所述融合特征图进行识别处理，得到所述待处理图像的所述图像部件的识别结果。利用待处理图像的多种尺度的筛选特征图，得到待处理图像的图像部件的识别结果，识别精度高、准确性强。
-
Patent Agency Ranking
公开(公告)号：CN110570490A
公开(公告)日：2019-12-13
申请号：CN201910840719.9
申请日：2019-09-06
Applicant: 北京航空航天大学
IPC: G06T11/00
Abstract: 本发明实施例提供的显著性图像生成方法及设备，选取孪生网络中目标域单个样本图像作为第一图像和孪生网络中源域图像数据集中的任一图像作为第二图像，并通过第一图像和第二图像训练第一特征提取模块、第二特征提取模块、第一显著性图生成模块、第二显著性图生成模块和判别模块，使得生成的第一显著性图和所述第二显著性图符合显著性预测标准，并将第一特征提取模块和第一显著性图生成模块组成显著性图像生成模型，通过将目标图像输入到所述显著性图像生成模型后，生成所述目标图像的显著性图像，提高了生成目标图像显著性图的效率。
-
公开(公告)号：CN110276744A
公开(公告)日：2019-09-24
申请号：CN201910402871.9
申请日：2019-05-15
Applicant: 北京航空航天大学
Abstract: 本发明实施例提供一种图像拼接质量的测评方法及装置，所述方法包括：获取待评测图像的第一属性信息和参考图像的第二属性信息，第一属性信息包括待评测图像的盲区信息、像素点信息和频率信息，第二属性信息包括参考图像的像素点信息和频率信息，待评测图像为拼接至少两个第一图像得到的，参考图像为拼接至少两个第二图像得到的，根据第一属性信息和所述第二属性信息，确定待评测图像的拼接质量。用于提高对待评测图像的拼接质量进行测评的准确性。
-
公开(公告)号：CN110245659A
公开(公告)日：2019-09-17
申请号：CN201910423491.3
申请日：2019-05-21
Applicant: 北京航空航天大学
Abstract: 本发明实施例提供一种基于前背景相互关系的图像显著对象分割方法及装置，该方法包括：基于卷积神经骨干网络，获取训练图像对应的特征图，根据训练图像对应的特征图，得到前背景初始特征响应；根据前背景初始特征响应得到相互关注权重矩阵，根据相互关注权重矩阵更新前背景初始特征响应，得到前景特征图和背景特征图；基于交叉熵损失函数和合作损失函数，根据前景特征图和背景特征图对卷积神经骨干网络进行训练，得到前背景分割卷积神经网络模型；将待分割图像输入前背景分割卷积神经网络模型，得到前景预测结果和背景预测结果。本发明实施例从前景背景相互合作的角度来进行显著对象的分割，提高显著对象的分割效果。
-
公开(公告)号：CN106156781B
公开(公告)日：2019-09-10
申请号：CN201610545516.3
申请日：2016-07-12
Applicant: 北京航空航天大学
Abstract: 本发明提供一种排序卷积神经网络构建方法及其图像处理方法与装置，该排序卷积神经网络中包括了排序层，排序层用于对所述排序层的前一层的输出结果进行排序处理，按照排序结果生成所述排序层的输出结果，并将所述排序层的输出结果输出到所述排序层的后一层，使用该排序卷积神经网络能够通过自动学习来获取输入特征图对应的输出特征，相比于现有技术通过手工计算获取特征的方法，本发明的方法能够更好的反映真实场景素材蕴含的客观规律，将该方法应用于图像处理领域时，就能够使得图像处理的效果得到大幅提升。
-
公开(公告)号：CN110176006A
公开(公告)日：2019-08-27
申请号：CN201910407975.9
申请日：2019-05-15
Applicant: 北京航空航天大学
Abstract: 本发明实施例提供一种图像前景物体分割方法及装置，该方法包括：基于残差学习方法，构建错误纠正的图像前景物体分割卷积神经网络；获取损失函数，所述损失函数包括监督前景物体分割错误图的损失函数、提升的交叉熵损失函数和区域成对关系的结构相似性损失函数；基于所述损失函数，对所述错误纠正的图像前景物体分割卷积神经网络进行训练，得到已训练的图像前景物体分割卷积神经网络模型；将待分割图像输入所述已训练的图像前景物体分割卷积神经网络模型，得到图像前景物体分割结果。本发明实施例提供的方法及装置，从预测错误的角度出发，能够提升前景物体分割的精确度。
-
-
-
-
-
-
-
-
-
Search Results
122
records
(took 0.152 seconds)
