-
公开(公告)号：CN114549982A
公开(公告)日：2022-05-27
申请号：CN202210134042.9
申请日：2022-02-14
Applicant: 南开大学
Abstract: 本发明公开一种基于分组梯度学习策略的伪装物体检测方法及系统，包括：对伪装物体图像提取不同特征维度的语义特征；以目标级别梯度为学习监督信号，对伪装物体图像提取纹理特征；将语义特征和纹理特征沿通道进行切割，并对语义特征子组和纹理特征子组根据不同的分组尺度进行重排列，得到多组重组特征；对重组特征进行注意力映射得到多组注意力特征，根据语义特征与多组注意力特征得到梯度诱导特征，根据梯度诱导特征采用伪装目标检测模型得到伪装物体的检测结果。解决传统特征聚合策略存在的忽略语义表征和纹理表征之间的相关性或者差异性的问题，大幅提升对伪装物体的识别能力。
-
公开(公告)号：CN108428238B
公开(公告)日：2022-02-15
申请号：CN201810173285.7
申请日：2018-03-02
Applicant: 南开大学
Abstract: 本发明公开了一种基于深度网络的多类型任务通用的检测方法，属于图像处理技术领域。包含如下步骤：a.分别选择上述三种任务所需要的训练图片；b.在相同的网络结构下设计完成需要的模型参数和网络初始参数；c.设计需要优化的损失函数，并利用深度预测模型和物体检测模型得到其具体表示；d.优化调整初始模型的参数，最终得到分别符合三种要求的具有统一结构的检测模型参数；e.利用训练好的模型对任意输入的自然场景图片得到显著性物体检测、骨架提取、边缘检测三种图像处理结果。本方法能够在一个统一的网络结构下完成三种截然不同的图像处理任务，此方法具有良好的通用性和可移植性，同时达到了良好的检测效果。
-
公开(公告)号：CN110097115A
公开(公告)日：2019-08-06
申请号：CN201910347420.X
申请日：2019-04-28
Abstract: 一种基于注意力转移机制的视频显著性物体检测方法。注意力转移机制是人类视觉系统中特有的功能，但是，当前的方法忽视了这一重要的机制。本发明方法设计了一种新的卷积神经网络架构，它有效地利用了静态卷积网络、金字塔扩展卷积网络、长短期记忆网络和注意力转移感知模块的特点，从而充分体现了人类视觉系统中的注意力转移机制，对于真实的应用场景更具实际意义，并且能得到更好的显著性物体检测效果。相对于当前的所有视频显著性物体检测方法，本发明方法达到了国际领先水平，在主流的公开数据集的性能评测上，超越了当前最好的视频显著性物体检测方法。
-
公开(公告)号：CN108428238A
公开(公告)日：2018-08-21
申请号：CN201810173285.7
申请日：2018-03-02
Applicant: 南开大学
Abstract: 本发明公开了一种基于深度网络的多类型任务通用的检测方法，属于图像处理技术领域。包含如下步骤：a.分别选择上述三种任务所需要的训练图片；b.在相同的网络结构下设计完成需要的模型参数和网络初始参数；c.设计需要优化的损失函数，并利用深度预测模型和物体检测模型得到其具体表示；d.优化调整初始模型的参数，最终得到分别符合三种要求的具有统一结构的检测模型参数；e.利用训练好的模型对任意输入的自然场景图片得到显著性物体检测、骨架提取、边缘检测三种图像处理结果。本方法能够在一个统一的网络结构下完成三种截然不同的图像处理任务，此方法具有良好的通用性和可移植性，同时达到了良好的检测效果。
-
公开(公告)号：CN119131394A
公开(公告)日：2024-12-13
申请号：CN202411257808.8
申请日：2024-09-09
Applicant: 南开大学
IPC: G06V10/26 , G06V10/28 , G06V10/774 , G06V10/82 , G06N3/096 , G06N3/0464
Abstract: 本发明涉及图像处理技术领域，提供了一种基于模型轻量化的高精度图像二值分割方法及系统，包括：获取待分割图像。对于待分割图像，通过学生网络进行分割，得到二值图像；其中，学生网络的训练方法为：将训练集中的原始图像同时作为教师网络和学生网络的输入，采用知识蒸馏策略，通过监督残差连接块得到的特征图，使教师网络指导学生网络进行训练；所述教师网络和学生网络均采用基于双边参考框架的二值分割模型，所述教师网络以Swin‑Large作为骨架网络，所述学生网络以Swin‑Tiny作为骨架网络。使得模型参数量减少的同时图像分割性能损失降低到最小。
-
Patent Agency Ranking
公开(公告)号：CN114549982B
公开(公告)日：2024-10-18
申请号：CN202210134042.9
申请日：2022-02-14
Applicant: 南开大学
IPC: G06V20/10 , G06V10/26 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于分组梯度学习策略的伪装物体检测方法及系统，包括：对伪装物体图像提取不同特征维度的语义特征；以目标级别梯度为学习监督信号，对伪装物体图像提取纹理特征；将语义特征和纹理特征沿通道进行切割，并对语义特征子组和纹理特征子组根据不同的分组尺度进行重排列，得到多组重组特征；对重组特征进行注意力映射得到多组注意力特征，根据语义特征与多组注意力特征得到梯度诱导特征，根据梯度诱导特征采用伪装目标检测模型得到伪装物体的检测结果。解决传统特征聚合策略存在的忽略语义表征和纹理表征之间的相关性或者差异性的问题，大幅提升对伪装物体的识别能力。
-
公开(公告)号：CN113591868B
公开(公告)日：2023-09-01
申请号：CN202110870786.2
申请日：2021-07-30
Applicant: 南开大学
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 本发明属于视频处理与计算机视觉技术领域，提供了一种基于全双工策略的视频目标分割方法及系统。该方法包括，将待分割的视频通过光流生成器，得到光流图；将表观图、与表观图匹配的光流图输入训练好的视频目标分割模型，得到分割预测图；所述视频目标分割模型包括：依次连接的ResNet50骨架网络、交叉注意力关系模块、全双工模式的双向提纯模块和解码器。本发明通过交叉注意力关系模块，用以实现在特征嵌入空间中的双向信息传递，通过双向全双工模式的双向提纯模块来更新时空特征嵌入上的不一致性，从而有效地提升了模型的分割预测性能。
-
公开(公告)号：CN110889416B
公开(公告)日：2023-04-18
申请号：CN201911278227.1
申请日：2019-12-13
Applicant: 南开大学
Abstract: 本发明公开了一种基于级联改良网络的RGB‑D显著性物体检测方法，属于图像处理技术领域。大多数现有的RGB‑D模型直接聚合来自不同层级的CNN网络的特征，容易引入低层特征所含有的噪声和干扰信息。本发明创造性地提出一种级联改良式的结构，用高层部分的特征生成的显著性图作为掩膜来改良低层部分的特征，然后再通过聚合改良后的低层特征生成最终的显著性图；此外，为了排除深度图的干扰信息，本发明提出一个深度增强模块用于进行深度特征和RGB特征混合前的预处理。本发明用4个评价指标在7个数据集上进行实验，结果表明本发明超越当前所有最先进的RGB‑D显著性物体检测方法。
-
公开(公告)号：CN113591868A
公开(公告)日：2021-11-02
申请号：CN202110870786.2
申请日：2021-07-30
Applicant: 南开大学
Abstract: 本发明属于视频处理与计算机视觉技术领域，提供了一种基于全双工策略的视频目标分割方法及系统。该方法包括，将待分割的视频通过光流生成器，得到光流图；将表观图、与表观图匹配的光流图输入训练好的视频目标分割模型，得到分割预测图；所述视频目标分割模型包括：依次连接的ResNet50骨架网络、交叉注意力关系模块、全双工模式的双向提纯模块和解码器。本发明通过交叉注意力关系模块，用以实现在特征嵌入空间中的双向信息传递，通过双向全双工模式的双向提纯模块来更新时空特征嵌入上的不一致性，从而有效地提升了模型的分割预测性能。
-
公开(公告)号：CN108416768B
公开(公告)日：2021-05-25
申请号：CN201810171102.8
申请日：2018-03-01
Applicant: 南开大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于二进制的前景图相似度评测方法，属于图像处理技术领域，该方法包含如下步骤：a.求对齐矩阵：利用前景图中每个像素点的值减去前景图均值得到对齐矩阵；b.求相似度矩阵：相似度的度量是在预测的前景图与真实人工标注的前景图之间进行的，通过计算预测前景图和真实前景图的对齐矩阵，然后将两个矩阵对应元素的乘积作为其相似度矩阵；c.矩阵归一化：对相似度矩阵的元素逐一归一化，使矩阵中的元素值介于‑1和1之间；d.矩阵元素拉伸：对归一化后的相似度矩阵值进行非线性拉伸；e.求相似度：对拉伸后的相似度矩阵求平均值就是最终的前景图相似度。本方法能够得到更加准确的前景图相似度评测结果。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.021 seconds)
