-
公开(公告)号：CN116167941A
公开(公告)日：2023-05-26
申请号：CN202310183552.X
申请日：2023-02-17
Applicant: 北京科技大学
IPC: G06T5/00 , G06T7/40 , G06T7/90 , G06N3/0464
Abstract: 本发明公开了一种基于RGB通道恢复的水下图像增强方法，包括：获取由水下退化图像和水下清晰图像构成的图像集；采用生成对抗网络构建水下图像增强模型，并设计一个多项损失函数；基于获取的图像集和设计的多项损失函数，训练水下图像增强模型；将待增强的水下退化图像输入训练好的水下图像增强模型，得到待增强的水下退化图像所对应的清晰图像。本发明能够对水下退化图像不同衰减程度的通道针对性地进行处理，有效、鲁棒地增强水下图像。
-
公开(公告)号：CN114998605B
公开(公告)日：2023-01-31
申请号：CN202210503164.0
申请日：2022-05-10
Applicant: 北京科技大学
IPC: G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种恶劣成像条件下图像增强引导的目标检测方法，属于图像增强和计算机目标检测技术领域。所述方法包括：在现有的目标检测网络基础上，加入增强网络分支，将目标检测网络主干网络的头部卷积层特征图和增强网络分支增强后的图像分别都进行最大池化和平均池化后，计算目标检测网络和增强网络分支总的损失函数L；将恶劣成像条件下获取的图像集分别输入目标检测网络和增强网络分支，利用损失函数L对目标检测网络和增强网络分支进行训练；将恶劣成像条件下获取的待检测的图像输入训练好的目标检测网络，输出目标检测结果。采用本发明，能够在提高目标检测的精度的同时，不会增加额外的计算负担。
-
公开(公告)号：CN114820389B
公开(公告)日：2022-09-23
申请号：CN202210714947.3
申请日：2022-06-23
IPC: G06T5/00 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明提供一种基于无监督解耦表征的人脸图像去模糊方法，属于计算机视觉中的低质量图像复原技术领域。所述方法包括：获取由清晰图像及模糊图像构成的训练集；其中，所述图像为人脸图像；构建基于生成对抗网络的去模糊生成网络，确定其总的目标函数；其中，通过所述去模糊生成网络解耦语义内容信息和域内特性，所述去模糊生成网络包括：内容域编码器、特征域编码器、特征域生成器、特征域鉴别器；利用得到的训练集和总的目标函数，训练所述去模糊生成网络；将待处理的模糊图像作为输入，利用训练好的所述去模糊生成网络生成清晰的人脸图像。采用本发明，能够解决其他无监督方法在训练过程中出现的域转移和解耦不一致的问题。
-
公开(公告)号：CN118135503B
公开(公告)日：2024-11-08
申请号：CN202410236795.X
申请日：2024-03-01
Applicant: 北京科技大学
IPC: G06V20/54 , G06V10/764 , G06V10/44 , G06V10/80 , G06V10/766 , G06V10/82 , G08G1/01 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/09
Abstract: 本发明涉及自动驾驶领域，特别是指一种双向动态地图与智能体交互的轨迹预测方法及装置，包括：根据智能体轨迹、地图数据以及轨迹预测模型，得到智能体未来的轨迹预测结果，模型包括智能体、地图编码器，多个双向互动模块，智能体、地图解码器。本发明开发了一种能够动态整合地图信息和智能体行为，考虑环境动态性和智能体间复杂交互的轨迹预测方法。采用智能体与地图环境双向交互机制，结合环境变化的额外的监督信号，动态整合地图和智能体间的交互。引入辅助任务，如交通流预测、智能体路径预测和道路节点的特征重构，以指导地图特征的演化并与轨迹预测对齐。突破了传统的静态地图范式，为轨迹预测领域带来了新的视角和可能性。
-
公开(公告)号：CN117237475B
公开(公告)日：2024-11-01
申请号：CN202311024393.5
申请日：2023-08-14
Applicant: 北京科技大学
IPC: G06T11/20 , B60W60/00 , G06N3/0464 , G06N3/042 , G06N3/0475 , G06N3/0455 , G06N3/08 , G06V10/44 , G06V10/62 , G06V10/30 , G06V10/82
Abstract: 本发明公开了一种基于扩散生成模型的车辆交通轨迹生成方法及装置，涉及交通场景生成技术和自动驾驶技术领域。包括：对于待生成轨迹的任意全新无轨迹地图场景，根据地图场景所需生成的轨迹数量以及轨迹所需时间跨度得到纯噪声，将纯噪声作为初始中心位置和初始速度；将初始中心位置和初始速度输入到训练好的噪声预测网络；根据初始中心位置、初始速度以及噪声预测网络，得到预测的中心位置噪声和相对位置噪声，进而得到地图场景的车辆交通轨迹。本发明能够生成更长且完整的在不同场景接近真实分布的驾驶轨迹，丰富已有的数据集，为自动驾驶轨迹预测模型训练和大规模自动驾驶系统评估提供数据支撑，提高自动驾驶决策算法的可靠性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN116664867B
公开(公告)日：2024-10-18
申请号：CN202310582786.1
申请日：2023-05-22
Applicant: 北京科技大学
IPC: G06V10/44 , G06V10/80 , G06V10/774
Abstract: 本发明公开了一种基于多证据融合选取训练样本的特征提取方法及装置，该方法包括：在特征提取网络的训练阶段引入多种不同的图像检索算法；对特征提取网络进行训练；训练过程包括：在输入图像中确定锚点、正样本点和负样本点；分别利用每一图像检索算法计算锚点和正样本点之间的正样本相似度，以及锚点与负样本点之间的负样本相似度；基于计算出的正样本相似度和负样本相似度更新负样本点，得到更新后的负样本点；将利用多种不同的图像检索算法所得到的更新后的负样本点进行融合，计算损失函数；利用训练好的特征提取网络对待处理图像进行特征提取，得到提取结果。本发明可提高描述子可靠性，进而提高匹配准确率和数量，有利于视觉定位等下游任务。
-
公开(公告)号：CN118038095A
公开(公告)日：2024-05-14
申请号：CN202410151230.1
申请日：2024-02-02
Applicant: 北京科技大学
IPC: G06V10/75 , G06V10/74 , G06V10/26 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于分割大模型与注意力融合的图像匹配方法和装置，属于图像匹配技术领域，所述方法包括：通过骨干网络确定待匹配图像对间的相似度图；通过分割大模型对待匹配图像对进行全图像区域分割；将所述相似度图用于分割后的图像区域，得到前景匹配区域对；将前景匹配区域对以及所述骨干网络输出的低分辨率特征图对输入融合注意力模块，得到相似区域图像特征图对；计算所述相似区域图像特征图对的相似性，确定粗匹配特征点；并依据所述高分辨率特征图对和所述粗匹配特征点，确定图像匹配点结果。本申请提供的基于分割大模型与注意力融合的图像匹配方案，能够有效提高图像匹配精度。
-
公开(公告)号：CN117237475A
公开(公告)日：2023-12-15
申请号：CN202311024393.5
申请日：2023-08-14
Applicant: 北京科技大学
IPC: G06T11/20 , B60W60/00 , G06N3/0464 , G06N3/042 , G06N3/0475 , G06N3/0455 , G06N3/08 , G06V10/44 , G06V10/62 , G06V10/30 , G06V10/82
Abstract: 本发明公开了一种基于扩散生成模型的车辆交通轨迹生成方法及装置，涉及交通场景生成技术和自动驾驶技术领域。包括：对于待生成轨迹的任意全新无轨迹地图场景，根据地图场景所需生成的轨迹数量以及轨迹所需时间跨度得到纯噪声，将纯噪声作为初始中心位置和初始速度；将初始中心位置和初始速度输入到训练好的噪声预测网络；根据初始中心位置、初始速度以及噪声预测网络，得到预测的中心位置噪声和相对位置噪声，进而得到地图场景的车辆交通轨迹。本发明能够生成更长且完整的在不同场景接近真实分布的驾驶轨迹，丰富已有的数据集，为自动驾驶轨迹预测模型训练和大规模自动驾驶系统评估提供数据支撑，提高自动驾驶决策算法的可靠性和准确性。
-
公开(公告)号：CN117057985A
公开(公告)日：2023-11-14
申请号：CN202310891103.0
申请日：2023-07-20
Applicant: 北京科技大学
IPC: G06T3/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T5/50
Abstract: 本发明公开了一种基于隐式神经网络的图像超分辨率重建方法及装置，该方法包括：构建样本数据集；所述样本数据集包括多组训练图像组，每一训练图像组均包括第一图像和第二图像，其中，所述第二图像为所述第一图像的超分图像；在隐式神经网络增加双阶段注意力机制，构建图像超分辨率重建模型；基于所述样本数据集对所述图像超分辨率重建模型进行训练；获取待处理图像，将待处理图像输入训练好的图像超分辨率重建模型，利用训练好的图像超分辨率重建模型对待处理图像进行处理，得到重建后的图像。本发明解决了目前图像超分辨率重构精度提升问题，并且可以实现任意尺度超分辨率重建。
-
公开(公告)号：CN114821128B
公开(公告)日：2022-09-09
申请号：CN202210720448.5
申请日：2022-06-24
Abstract: 本发明公开了一种尺度自适应的模板匹配方法，包括：获取不同角度的同一场景的两幅图像，在其中一幅中手工框取感兴趣图像块作为模板图像，另一幅作为搜索图像；将模板图像和搜索图像输入特征提取网络，获取对应的特征图FT和FIS；计算归一化后的FT和FIS各像素之间的相似性，获取相似性度量图；产生自适应多尺度候选框；生成均值滤波后的相似性度量图；在搜索图像中选取出候选图像块；获取任一候选图像块和模板的特征描述；计算模板的特征描述符与任一候选图像块的特征描述符的相似性；将相似性最大的特征描述符所对应的候选图像块作为模板图像最终的匹配结果。本发明可自适应产生目标框，且适用于视角变化较大的立体结构的图像匹配问题。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.034 seconds)
