-
公开(公告)号：CN116863021A
公开(公告)日：2023-10-10
申请号：CN202310831611.X
申请日：2023-07-07
Applicant: 电子科技大学
IPC: G06T11/00 , G06T11/40 , G06V10/26 , G06V10/764 , G06V10/774 , G06V20/58 , G06N3/088
Abstract: 本发明公开了一种夜间热红外图像交通灯着色方法，首先预测夜间热红外图像与任意白天彩色图像的二值化交通灯掩模，根据各实例的中心高度将掩模分为上、下掩模，再依据亮度与色度值将掩模分为亮、暗掩模，计算白天彩色图像及模型输出着色结果中交通灯不同位置的亮区域颜色特征，然后计算着色结果中交通灯亮、暗区域间的亮度差值，作为亮度损失函数，计算着色结果与白天彩色图像在相应位置交通灯颜色特征距离，作为颜色损失函数，最后结合亮度及颜色损失函数训练模型，完成夜间热红外图像交通灯着色。本发明的方法兼顾亮度与颜色的评估设计着色方法，增强了夜间热红外图像着色结果中交通灯的表观可信度，提升了夜间场景中眩光区域的交通灯检测效果。
-
公开(公告)号：CN113869229A
公开(公告)日：2021-12-31
申请号：CN202111153251.X
申请日：2021-09-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于先验注意力机制引导的深度学习表情识别方法，包括以下步骤：S1、对待识别的人脸图像进行人脸检测；S2、计算双眼和嘴部的中心坐标；S3、截取眼部和嘴部三个区域；S4、将人脸区域图像输入VGG16卷积神经网络，将眼部和嘴部区域图像输入到另一个VGG16卷积神经网络，得到四个一维特征向量；S5、获取全局人脸图像和三个局部区域图像对应的权重系数；S6、将特征向量与权重系数相乘；S7、进行特征融合；S8、输入全连接层进行特征降维；S9、通过Softmax激活函数激活得到表情类别。本发明结合眼动和注意力实验，在训练表情识别模型的时候，将更多的注意力放到特征更加丰富的眼部和嘴部区域，从而提高表情识别的准确率。
-
-
-
-
Patent Agency Ranking
公开(公告)号：CN103957395A
公开(公告)日：2014-07-30
申请号：CN201410190874.8
申请日：2014-05-07
Applicant: 电子科技大学
Abstract: 本发明公开了一种具有自适应能力的颜色恒常方法，具体通过非经典感受野单拮抗模型，利用不同敏感系数下外周的抑制作用和亚区的去抑制作用的相互作用自动适应不同场景图像，将非标准光照下拍摄的有色偏彩色图像恢复成标准光照下拍摄的无色偏彩色图像，实现色偏图像颜色的自动校正，即颜色恒常。在多个国际通用颜色恒常数据库上近千幅不同场景、光照的图像上测试证明，该发明的方法比经典的颜色恒常算法具有更好的效果。
-
公开(公告)号：CN119624985A
公开(公告)日：2025-03-14
申请号：CN202411663025.X
申请日：2024-11-20
Applicant: 电子科技大学
IPC: G06T7/11 , G06T3/4053 , G06T3/4046 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/26 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种面向图像分割的图像超分辨率增强方法，通过构建任务驱动的联合训练框架，将超分辨率增强与图像语义分割相结合，同时训练分割网络和超分辨率增强网络，通过相互协同优化，促使分割结果与超分辨率增强结果相互增强，完成图像分割。本发明的方法与现有的单一训练方法不同，能够显著提升超分辨率增强和语义分割任务的整体性能，通过同时优化超分辨率增强和语义分割的损失函数，充分结合图像的细节信息和语义信息，提高增强图像的质量和语义一致性，通过引入针对性损失函数，有效整合图像的高频细节和上下文信息，确保在图像增强的同时，提高语义分割的精度，不仅提高了模型的解释能力，也显著增强了其在复杂场景下的鲁棒性和适应性。
-
公开(公告)号：CN117011916A
公开(公告)日：2023-11-07
申请号：CN202310914480.1
申请日：2023-07-21
Applicant: 电子科技大学
IPC: G06V40/16 , G06V10/80 , G06V10/764
Abstract: 本发明公开了一种基于视频级标签的微表情与宏表情自动定位方法，首先基于视频图像生成光流，切分视频图像和光流到统一长度的片段并生成输入特征，再使用核心显著互补模块捕捉图像与光流的相似度并实现各自的模态显著一致性，使用模态互补后的特征生成模态相关注意以及计算两个模态的的平均注意，然后使用时序上的分布差异完成微表情和宏表情的视频分布一致性以及利用面部肌肉的运动时长差异实现微表情和宏表情的标签时长一致性，最后使用相同标签对应特征的相似度实现微表情和宏表情的片段特征一致性。本发明的方法基于视频级的弱标签实现细粒度的帧级微表情和宏表情定位，解决了现存视频微表情与宏表情帧级标注耗时耗力以及先验知识融入的问题。
-
公开(公告)号：CN113887386B
公开(公告)日：2023-04-28
申请号：CN202111150324.X
申请日：2021-09-29
Applicant: 电子科技大学
IPC: G06V40/16 , G06V40/18 , G06V40/19 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习和机器学习的多特征融合的疲劳检测方法，包括以下步骤：S1、数据获取：收集疲劳人脸图像；S2、构建表情识别数据集；S3、提取注意力特征图：将表情识别数据集输入深度残差网络中，得到注意力特征图，然后将注意力特征图添加到新构建的包含疲劳人脸表情的新数据集中，构建注意力特征图的数据集；S4、将包含注意力特征图的表情识别数据集输入19层的卷积神经网络VGG19中进行训练；S5、提取传统疲劳特征；S6、提取深度学习置信度；S7、融合多特征训练机器学习分类器。本发明基于注意力特征图引导的表情识别模型，使用深度学习网络，将注意力集中于人脸上特征最丰富的眼睛和嘴巴区域，能够提高表情识别的识别精度。
-
公开(公告)号：CN113887386A
公开(公告)日：2022-01-04
申请号：CN202111150324.X
申请日：2021-09-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习和机器学习的多特征融合的疲劳检测方法，包括以下步骤：S1、数据获取：收集疲劳人脸图像；S2、构建表情识别数据集；S3、提取注意力特征图：将表情识别数据集输入深度残差网络中，得到注意力特征图，然后将注意力特征图添加到新构建的包含疲劳人脸表情的新数据集中，构建注意力特征图的数据集；S4、将包含注意力特征图的表情识别数据集输入19层的卷积神经网络VGG19中进行训练；S5、提取传统疲劳特征；S6、提取深度学习置信度；S7、融合多特征训练机器学习分类器。本发明基于注意力特征图引导的表情识别模型，使用深度学习网络，将注意力集中于人脸上特征最丰富的眼睛和嘴巴区域，能够提高表情识别的识别精度。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.022 seconds)
