-
公开(公告)号：CN114445299B
公开(公告)日：2025-02-07
申请号：CN202210108894.0
申请日：2022-01-28
Applicant: 南京邮电大学
IPC: G06T5/70 , G06V10/82 , G06V10/774 , G06N3/0464 , G06V10/30 , G06T5/60
Abstract: 本发明公开了一种基于注意力分配机制的双残差去噪方法，本方法的步骤包括构造训练数据集，对训练数据集进行预处理操作；使用注意力分配机制和双残差网络结构的卷积神经网络构建网络去噪模型；设置网络去噪模型的超参数和损失函数，并对损失函数进行优化；对训练数据集添加不同等级的噪声并进行训练，得到已训练的网络模型；更具已训练的网络模型进行图像去噪，用结构相似性和峰值信噪比指标评估噪声图像，具有提升降噪性能和成像质量的效果。
-
公开(公告)号：CN118297961B
公开(公告)日：2024-11-22
申请号：CN202410462377.2
申请日：2024-04-17
Applicant: 南京邮电大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于CNN‑Transformer并行编码器的医学图像分割方法，包括如下步骤：使用卷积神经网络捕捉到局部信息，Transformer捕捉到远程全局信息；通过特征筛选，调整注意力的分布和去除无用信息；通过双层融合模块融合多尺度特征并输出。本发明通过卷积神经网络和Transformer的混合架构，能够提取到多尺度、更丰富的信息，从而显著提升医学图像分割的精度。
-
公开(公告)号：CN114596285B
公开(公告)日：2024-09-27
申请号：CN202210232832.0
申请日：2022-03-09
Applicant: 南京邮电大学
IPC: G06T7/00 , G06T5/60 , G06T3/4046 , G06T3/60 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗网络的多任务医学图像增强方法，用于实现医学图像的超分辨率和融合任务，包括以下步骤：步骤1，构建训练数据集，并对数据集进行预处理；步骤2，使用动态卷积和残差密集网络构成生成对抗网络模型；步骤3，设置所述网络模型的超参数和损失函数，并对所述损失函数进行优化；步骤4，输入预处理后的训练数据集到生成对抗网络模型，并训练网络得到已训练的生成对抗网络模型；步骤5，输入测试数据集到网络中，得到融合的超分辨率医学图像；步骤6，使用互信息Qmi和基于结构相似性设计的Qyang对融合的超分辨率医学图像质量进行评估。通过本发明的方法可以在一个网络中实现医学图像的超分辨率和融合任务。
-
公开(公告)号：CN117115550A
公开(公告)日：2023-11-24
申请号：CN202311149737.5
申请日：2023-09-07
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06V10/80
Abstract: 本发明属于计算机视觉技术领域，公开了一种基于双层交替深度网络的雾霾图像目标检测方法，包括以下步骤：步骤1，基于大气散射模型构造网络训练数据集，并对其进行预处理操作；步骤2，将经过预处理的雾霾图像传递给浅层去雾网络，生成浅层去雾图像，浅层去雾网络由透射图生成网络和大气光图生成网络双分支网络构成；步骤3，将浅层去雾图像传递给YOLOv3检测网络与多尺度空间注意力模块；步骤4，将步骤2与步骤3的输出输入到融合模块进行特征融合，然后传递给深层去雾网络，生成深层去雾图像；步骤5，将深层去雾图像输入YOLOv3检测网络，得出目标检测结果；实验证明，本发明能显著提升雾霾图像的目标检测结果。
-
公开(公告)号：CN112200758A
公开(公告)日：2021-01-08
申请号：CN202011087333.4
申请日：2020-10-13
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双重张量低秩模型的多模态三维医学图像融合方法，其特征在于，包括如下步骤：步骤S1、将多幅三维医学图像输入至双重张量低秩模型；步骤S2、通过双重张量低秩模型将每一幅三维医学图像均分解为第一前景部分、第一背景部分和第一纹理部分；步骤S3、将第一前景部分进行融合，得到第二前景部分，将第一背景部分进行融合，得到第二背景部分，将第一纹理部分进行融合，得到第二纹理部分；步骤S4、将第二前景部分、第二背景部分和第二纹理部分进行融合得到融合图像，输出融合图像；本发明提出的方案相对现有技术可以更为有效地提取源图像特征，具有更好的融合性能，并且相对于二维融合方法，本发明不会破坏三维结构信息。
-
Patent Agency Ranking
-
公开(公告)号：CN118411296A
公开(公告)日：2024-07-30
申请号：CN202410547329.3
申请日：2024-05-06
Applicant: 南京邮电大学
IPC: G06T5/50 , G06T5/60 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于卷积和Transformer协同的红外与可见光图像的融合方法，属于图像处理领域，该方法包括：构造训练数据集，所述数据集包括多对红外和可见光图片，对其进行预处理；构建图像融合网络，所述融合网络包括特征提取部分和融合图像重构部分，特征提取部分包括Transformer分支和卷积分支，分别由三个不同层次的Transformer模块和卷积模块组成，两个分支之间通过互补特征增强模块形成交互；构建损失函数，将预处理后的红外和可见光图像在通道维度上拼接并传递给构建的网络，进行训练。与现有方法相比，该方法能显著提高融合图像的信息丰富度和视觉质量，适用于视频监控、行人检测和物体跟踪等领域。
-
公开(公告)号：CN118297961A
公开(公告)日：2024-07-05
申请号：CN202410462377.2
申请日：2024-04-17
Applicant: 南京邮电大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于CNN‑Transformer并行编码器的医学图像分割方法，包括如下步骤：使用卷积神经网络捕捉到局部信息，Transformer捕捉到远程全局信息；通过特征筛选，调整注意力的分布和去除无用信息；通过双层融合模块融合多尺度特征并输出。本发明通过卷积神经网络和Transformer的混合架构，能够提取到多尺度、更丰富的信息，从而显著提升医学图像分割的精度。
-
公开(公告)号：CN117173759A
公开(公告)日：2023-12-05
申请号：CN202310669807.3
申请日：2023-06-07
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于计算机视觉的目标检测领域，公开了一种基于多尺度特征融合的人脸检测方法，包括步骤1、将可见光图像输入人脸目标检测网络中，输出多个多维矩阵特征图；步骤2、将多个多维矩阵特征图输入选择性多尺度特征金字塔模块进行多尺度特征融合；步骤3，将多尺度特征融合后的图像输入非对称卷积感知模组模块进行特征精炼与扩大感受野，采用非对称卷积模块，对多尺度特征层进行拼接；步骤4，输出多个特征图用于预测不同尺寸的目标。本发明提高了选择多尺度融合的特征金字塔用于特征融合，以新的模块用于目标检测的主干网络，能够以很小的代价增加检测的性能，提高了人脸检测性能。
-
公开(公告)号：CN113421198B
公开(公告)日：2023-10-20
申请号：CN202110675265.1
申请日：2021-06-17
Applicant: 南京邮电大学
IPC: G06T5/00
Abstract: 本发明揭示了一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法，高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束。进一步提高了对混合噪声的去噪能力。该技术方案主要用于解决高光谱图像中的噪声干扰问题，能够去除高光谱图像中包含的高斯噪声和稀疏噪声。高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束，进一步提高了对混合噪声的去噪能力。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.02 seconds)
