-
公开(公告)号：CN107292259A
公开(公告)日：2017-10-24
申请号：CN201710450306.0
申请日：2017-06-15
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于AdaRank的深度特征和传统特征的集成方法，其主要技术特点是：将图像数据进行分割，针对不同部分分别构造并训练深度卷及神经网络，用以获得深度特征；从行人再识别数据中提取传统特征，包括LOMO特征、ELF6特征、Hog3D特征；选取如下三种度量学习方法：KISSME、kLFDA和LMNN；将所有特征与三种度量学习方法进行组合张成笛卡尔乘积，得到一系列弱排序器；利用AdaRank算法，对弱排序器进行集成学习，最终得到强排序器。本发明设计合理，结合了深度学习、多特征、度量学习、集成学习，通过构造“弱排序器”并进行集成学习，使得系统的整体性能远远高于单一特征和单一度量算法，使得系统整体匹配率大大提升，获得了很好的性能。
-
公开(公告)号：CN106595633A
公开(公告)日：2017-04-26
申请号：CN201611070529.6
申请日：2016-11-25
Applicant: 北京邮电大学
CPC classification number: G01C21/005 , G01C21/206
Abstract: 本发明提供一种室内定位方法及装置，属于室内定位技术领域。方法包括：根据多重传感器采集到的数据，预测行人的位置信息；基于室内运动模型，获取行人的室内运动状态；基于室内环境地图模型，根据室内运动状态及室内预设节点的位置信息，对预测得到的行人位置信息进行校准，得到行人的最终位置信息。本发明通过预测行人的位置信息。基于室内运动模型，获取行人的室内运动状态。基于室内环境地图模型，根据室内运动状态及室内预设节点的位置信息，对预测得到的行人位置信息进行校准，得到行人的最终位置信息。由于不用安装外部设备，从而在避免设计复杂度较高的系统的同时，还可减少硬件成本消耗，进而使得室内定位时耗费的成本较低。
-
公开(公告)号：CN102595140A
公开(公告)日：2012-07-18
申请号：CN201210060588.0
申请日：2012-03-09
Applicant: 北京邮电大学
Abstract: 本发明涉及一种基于图像修复和矢量预测算子的帧内预测视频编码方法，其技术特点是：(1)计算当前块基于HEVC中传统帧内预测模式的率失真代价值RD1；(2)计算当前块基于拉普拉斯方程图像修复方法的帧内预测模式的率失真代价值RD2，若RD2小于RD1，则计算当前块基于全变分模型图像修复方法的帧内预测模式的率失真代价值RD2；(3)计算当前块基于矢量预测算子的帧内预测模式的率失真代价值RD3；(4)编码端根据RD1、RD2和RD3的比较结果，计算得到当前块的预测像素值并对当前块进行预测、压缩和编码。本发明设计合理，提高了已有的基于图像修复的帧内预测模式的预测准确性，能够在编解码后视频质量基本不变的情况下，降低编码码率，从而提高视频编码的压缩效率。
-
公开(公告)号：CN114004752B
公开(公告)日：2025-04-29
申请号：CN202111008281.1
申请日：2021-08-30
Applicant: 北京邮电大学
IPC: G06T5/90 , G06T9/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明设计了一种基于非配对训练的错误曝光图像的亮度调节方法，属于计算机视觉图像技术领域。本发明首先将任意亮度等级的图像和目标亮度的图像通过编码器分别解耦为内容分量和一个满足高斯分布的亮度分量，或直接输入一个高斯分布作为目标亮度分量，然后通过解码器将待处理的某亮度图像的内容分量和目标的亮度分量重新耦合生成目标亮度的图像。其中对亮度分量的处理是指将不同亮度等级的亮度分量拟合为唯一对应的高斯分布，将其转化为可调节的变量，本发明通过控制高斯分布的均值来实现目标亮度的转化。实验表明，本发明实现了图像不同亮度间的转化，能够有效恢复不同程度的欠曝和过曝图像，并在各个数据集较强的泛化能力。
-
公开(公告)号：CN116579947A
公开(公告)日：2023-08-11
申请号：CN202310604365.4
申请日：2023-05-26
Applicant: 北京邮电大学
IPC: G06T5/00 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/80
Abstract: 本发明涉及一种基于纯噪声训练的亮度可调的低照度图像增强方法，其技术特点是：训练阶段采样随机高斯噪声作为低照度输入图像；将低照度输入图像和亮度变化因子分别送入到图像处理模块和亮度处理模块中，得到特征图和特征向量；对特征图和特征向量通过卷积和非线性变换的操作，实现特征的融合和重构，输出通道数为6的曲线参数；将低照度输入图像增强为由亮度变化因子的幅值指导的具有特定亮度的输出图像；作均值和对比度变换，得到伪参考图像；计算总损失，进行迭代优化网络。本发明采用纯噪声的训练策略，帮助模型绕过常用的色彩恒常和光照平滑损失，使难以设计的非线性曲线形式简化为线性曲线形式，实现了低照度增强领域降本增效的功能。
-
Patent Agency Ranking
公开(公告)号：CN109886871B
公开(公告)日：2023-04-07
申请号：CN201910014480.X
申请日：2019-01-07
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于通道注意力机制和多层特征融合的图像超分辨率方法，在残差支路开头，使用基于深度学习的单层卷积层直接提取低分辨率图像的原始特征；使用六个级联的基于通道注意力机制和多层特征融合的卷积循环单元来提取精确的深度特征；通过反卷积层对深度特征进行上采样，并且使用单层卷积层对上采样的特征进行降维，得到高分辨率图像的残差；在映射支路，使用双三次插值方法对低分辨图像进行上采样，得到高分辨率图像的映射；将高分辨率图像的映射和残差逐像素相加得到最终的高分辨率图像。本发明设计合理，充分考虑了特征通道间的差异性，高效地利用了层次化的特征，在取得较高准确率的同时，保持了较快的运行速度。
-
公开(公告)号：CN113159173A
公开(公告)日：2021-07-23
申请号：CN202110427314.X
申请日：2021-04-20
Applicant: 北京邮电大学
Abstract: 本发明涉及一种结合剪枝与知识蒸馏的卷积神经网络模型压缩方法。该方法包括：获取图像训练集A；获取目标网络模型，对其包含的每个通道引入缩放因子γ；对目标网络模型进行训练，将训练后的模型作为教师网络；按照缩放因子γ的绝对值大小对教师网络的通道数剪枝，将剪枝后的模型视为学生网络；获取图像训练集A中少量图像，同时输入教师、学生网络，分别计算教师、学生网络各卷积层通道输出的特征图之间的分布差异；将分布差异作为损失函数，对学生网络进行训练，使其模型精度快速恢复至教师网络的水平；输出训练后的学生网络。本发明具有压缩率高、快速恢复压缩模型精度的优势，从而便于网络模型在终端设备上的部署。
-
公开(公告)号：CN113158584A
公开(公告)日：2021-07-23
申请号：CN202110566230.4
申请日：2021-05-24
Applicant: 北京邮电大学
Abstract: 本发明提出了多模态特征嵌入预训练网络搭配效果评估的上界替代法，属于计算机视觉多模态技术领域。本发明提出的方法包括步骤：1)将所有模态特征嵌入预训练网络所提取到的特征进行遍历搭配；2)对得到的所有的搭配情况，对任务网络按照正式训练时提前设定好的参数，利用测试集部分进行训练；3)、对得到的每种搭配对应的模型，对其在测试集上进行测试，记录每一种搭配所对应的测试结果；4)、对所对应的每一种测试结果，选择效果最好的结果对应的模态特征嵌入预训练网络搭配；5)、对选出的网络搭配，将任务模型在这种搭配下所对应的训练集的特征下进行训练，训练得到的模型就是最优的模型。
-
公开(公告)号：CN112465727A
公开(公告)日：2021-03-09
申请号：CN202011439065.8
申请日：2020-12-07
Applicant: 北京邮电大学
Abstract: 本发明设计了一种基于HSV色彩空间和Retinex理论的无正常曝光图像参考的低照度图像增强方法，属于计算机视觉图像技术领域。针对于无正常曝光图像参考的低照度增强任务，本发明将其分解为颜色保留任务和亮度增强任务。对于颜色保留任务，本发明通过HSV色彩空间分离出颜色信息，并保留到增强后的图像上。对于亮度增强任务，本发明通过对分离出的亮度信息进行扰动，得到同一场景的不同光照水平的图像对，通过Retinex理论中的反射一致性约束得到反射分量，并将反射分量作为亮度增强的结果。实验表明，本发明可以有效地增强低照度图像，并在各个数据集和不同光照程度的低照度图像上有很强的泛化能力。
-
公开(公告)号：CN109886871A
公开(公告)日：2019-06-14
申请号：CN201910014480.X
申请日：2019-01-07
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
IPC: G06T3/40
Abstract: 本发明涉及一种基于通道注意力机制和多层特征融合的图像超分辨率方法，在残差支路开头，使用基于深度学习的单层卷积层直接提取低分辨率图像的原始特征；使用六个级联的基于通道注意力机制和多层特征融合的卷积循环单元来提取精确的深度特征；通过反卷积层对深度特征进行上采样，并且使用单层卷积层对上采样的特征进行降维，得到高分辨率图像的残差；在映射支路，使用双三次插值方法对低分辨图像进行上采样，得到高分辨率图像的映射；将高分辨率图像的映射和残差逐像素相加得到最终的高分辨率图像。本发明设计合理，充分考虑了特征通道间的差异性，高效地利用了层次化的特征，在取得较高准确率的同时，保持了较快的运行速度。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.026 seconds)
