-
公开(公告)号：CN117173025A
公开(公告)日：2023-12-05
申请号：CN202311437434.3
申请日：2023-11-01
Applicant: 华侨大学
IPC: G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V10/42 , G06V10/44 , G06V10/80
Abstract: 本发明公开了基于跨层混合注意力Transformer的单帧图像超分辨率方法及系统，涉及图像超分辨率领域，方法包括：提取低分辨率图像的浅层特征；采用多级混合注意力模块对浅层特征进行多次深层特征提取，保留每一级混合注意力模块的输出作为中间特征图，最后一级混合注意力模块的输出作为第一关联特征；捕捉各级中间特征图的多尺度上下文信息，得到第二关联特征；捕捉各级中间特征图之间的通道依赖关系，得到第三关联特征；对第一关联特征、第二关联特征和第三关联特征进行特征融合，得到深层全局特征；对深层全局特征进行上采样，得到重建的高分辨率图像。本发明提升了超分辨率中的图像信息利用率和细节重建能力，增强了全局特征表达能力。
-
公开(公告)号：CN113096157A
公开(公告)日：2021-07-09
申请号：CN202110481653.6
申请日：2021-04-30
Applicant: 华侨大学
Abstract: 本发明可靠的局部目标跟踪方法及跟踪器，包括：利用随机分块方法和人工分块方法来划分目标，得到第一类粒子和第二类粒子；结合第一类粒子和第二类粒子来估计目标位置；利用重采样规则来剔除第一类粒子中的不可靠粒子；计算探测分数r来判断第二类粒子是否被遮挡；若目标从全遮挡状态转变为部分遮挡或无遮挡状态，由第二类粒子确定最终的目标位置，否则，由第一类粒子中的可靠粒子来确定；S60，对于第一类粒子，其跟踪器的位置滤波器在每一帧都进行更新，而对于第二类粒子，只有当某个粒子的探测分数r大于设定阈值时，其跟踪器的位置滤波器才进行更新；利用可靠粒子之间的距离来估计目标的宽度与高度变化，得到目标的尺度。
-
公开(公告)号：CN112149535A
公开(公告)日：2020-12-29
申请号：CN202010953936.1
申请日：2020-09-11
Applicant: 华侨大学
Abstract: 本发明提供一种结合SegNet和U‑Net网络的车道线检测方法，包括以下步骤：制作数据集和标签；构建基于SegNet的车道线检测网络；将U‑Net网络的跳跃连接结构加入所述的基于SegNet的车道线检测网络，得到一种结合SegNet和U‑Net的车道线检测网络；使用所述结合SegNet和U‑Net网络的车道线检测网络对待识别的行车场景图像进行检测，得到检测结果。本发明提出车道线检测方法，克服原有SegNet模型提取的特征过于单一的问题，提高车道线检测的精度。
-
公开(公告)号：CN119251050A
公开(公告)日：2025-01-03
申请号：CN202411283089.7
申请日：2024-09-13
Applicant: 华侨大学
IPC: G06T3/4053 , G06T3/4046 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06F17/16
Abstract: 本发明公开了一种基于混合池化Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：构建基于混合池化Transformer的轻量级图像超分辨率模型并训练，得到经训练的轻量级图像超分辨率模型；获取待重建的低分辨率图像和尺度因子并输入到经训练的轻量级图像超分辨率模型，低分辨率图像输入第一卷积层，得到第一卷积层的输出特征，第一卷积层的输出特征经过若干个基于混合池化的Transformer模块后，得到最后一个基于混合池化的Transformer模块的输出特征，最后一个基于混合池化的Transformer模块的输出特征与第一卷积层的输出特征相加后依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像。本发明解决了现有Transformer方法计算复杂度过高的问题。
-
公开(公告)号：CN114066727B
公开(公告)日：2024-09-06
申请号：CN202110858949.5
申请日：2021-07-28
Applicant: 华侨大学
IPC: G06T3/4053 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种多阶段渐进式图像超分辨率方法，包括：使用多尺度特征提取模块提取待重建的图像特征，并引入通道注意力模块，对不同通道特征赋予权重，从而增强重要通道特征的表现能力；采用残差特征融合机制，充分利用图像上下文特征的关联性，得到第一阶段中的重建图像；使用精细化模块，对第一阶段中得到的重建图像进行优化，从而得到更为精细的重建图像；采用损失函数进行训练，进一步提升模型的超分辨率效果。本发明方法有效提高了图像超分辨率重建的效果，在主观视觉和客观评价指标方面都获得了更好的效果。
-
Patent Agency Ranking
公开(公告)号：CN118552409A
公开(公告)日：2024-08-27
申请号：CN202411017310.4
申请日：2024-07-29
Applicant: 华侨大学 , 信泰(福建)科技有限公司 , 福建省万物智联科技有限公司
IPC: G06T3/4053 , G06N3/0455 , G06N3/08 , G06T5/60
Abstract: 本发明公开了一种基于小波变换和Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：将待重建的低分辨率图像和上采样因子输入经训练的图像超分辨率模型，待重建的低分辨率图像输入第一卷积层，得到第一卷积层的输出特征并输入第一个基于小波变换的Transformer模块，经过若干个基于小波变换的Transformer模块的特征提取，将最后一个基于小波变换的Transformer模块的输出特征与第一卷积层的输出特征相加，得到第二相加结果，第二相加结果依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像，其中亚像素卷积层的尺度因子为上采样因子。本发明可解决现有Transformer方法计算复杂度过高的问题。
-
公开(公告)号：CN112149535B
公开(公告)日：2023-06-27
申请号：CN202010953936.1
申请日：2020-09-11
Applicant: 华侨大学
Abstract: 本发明提供一种结合SegNet和U‑Net网络的车道线检测方法，包括以下步骤：制作数据集和标签；构建基于SegNet的车道线检测网络；将U‑Net网络的跳跃连接结构加入所述的基于SegNet的车道线检测网络，得到一种结合SegNet和U‑Net的车道线检测网络；使用所述结合SegNet和U‑Net网络的车道线检测网络对待识别的行车场景图像进行检测，得到检测结果。本发明提出车道线检测方法，克服原有SegNet模型提取的特征过于单一的问题，提高车道线检测的精度。
-
公开(公告)号：CN120075476A
公开(公告)日：2025-05-30
申请号：CN202510541659.6
申请日：2025-04-28
Applicant: 华侨大学
IPC: H04N19/96 , H04N19/597 , H04N19/85 , G06T9/40 , G06N3/0455
Abstract: 本发明公开了一种基于多尺度八叉树注意力机制的点云压缩方法及装置，涉及图像处理领域，包括：编码器网络接收点云数据，利用降尺度特征提取器对点云进行下采样和特征提取，获得降尺度的深层特征点云，通过递归方式将其编码为八叉树，并根据八叉树节点之间的关系构建上下文窗口，引入多头注意力机制对八叉树节点进行特征融合，得到八叉树节点的占用概率，再使用算术编码将其压缩为比特流；解码器网络通过对比特流进行解压缩，获得重建后的点云，利用升尺度特征重建器对其进行上采样和特征重建，最终获得与初始点云相同分辨率的重建点云。本发明能够在保证相同点云质量的前提下，有效提高点云压缩的效率，减少比特开销。
-
公开(公告)号：CN118552409B
公开(公告)日：2024-11-05
申请号：CN202411017310.4
申请日：2024-07-29
Applicant: 华侨大学 , 信泰(福建)科技有限公司 , 福建省万物智联科技有限公司
IPC: G06T3/4053 , G06N3/0455 , G06N3/08 , G06T5/60
Abstract: 本发明公开了一种基于小波变换和Transformer的轻量级图像超分辨率方法及装置，涉及图像处理领域，包括：将待重建的低分辨率图像和上采样因子输入经训练的图像超分辨率模型，待重建的低分辨率图像输入第一卷积层，得到第一卷积层的输出特征并输入第一个基于小波变换的Transformer模块，经过若干个基于小波变换的Transformer模块的特征提取，将最后一个基于小波变换的Transformer模块的输出特征与第一卷积层的输出特征相加，得到第二相加结果，第二相加结果依次经过亚像素卷积层和第二卷积层，得到高分辨率重建图像，其中亚像素卷积层的尺度因子为上采样因子。本发明可解决现有Transformer方法计算复杂度过高的问题。
-
公开(公告)号：CN117671135A
公开(公告)日：2024-03-08
申请号：CN202311512308.X
申请日：2023-11-14
Applicant: 华侨大学
IPC: G06T17/00 , G06N3/0455 , G06N3/0464 , G06T3/4053 , G06T7/13 , G06V10/40
Abstract: 本发明公开了一种基于稀疏再聚焦的高分辨率人脸图像重建方法，涉及图像处理技术领域，包括：利用卷积核为3×3的第一卷积层提取输入的低分辨率人脸图像的浅层特征；基于三个依次连接的组件特征提取网络提取组件特征；其中，第一个组件特征提取网络的输入与第一卷积层的输出相连接；基于三个依次连接的组件生成模块生成高分辨率组件图；其中，每个组件生成模块的输入与一个组件特征提取网络的输出相连接；利用逐像素相加合并高分辨率组件图，生成重建的高分辨率人脸图像。本发明能够有效抑制冗余特征并强调关键特征，实现高效的特征提取；根据图像组件的复杂度分而治之地重建组件并合并，能够降低高频细节的重建难度并复原高分辨率人脸图像。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.027 seconds)
