-
公开(公告)号：CN114998630A
公开(公告)日：2022-09-02
申请号：CN202210844306.X
申请日：2022-07-19
Applicant: 北京科技大学
Abstract: 本发明公开了一种从粗到精的地对空图像配准方法，包括：S1，获取待配准的图像对；S2，采用模板匹配的方法对图像对进行配准，得到初步配准结果；S3，基于初步配准结果在目标图像中裁剪出感兴趣区域，采用深度学习的方法对源图像和裁剪出的感兴趣区域提取特征点并匹配，得到特征点匹配结果；S4，基于特征点匹配结果，采用基于随机抽样一致RANSAC的方法对图像对进行尺度对齐，然后对完成尺度对齐的图像对再次执行S3，得到新的特征点匹配结果；S5，重复执行S4预设次数，得到最终的配准结果。本发明的方法能够针对卫星影像和机载图像，实现不同视角下立体结构图像间的像素级配准，具有通用性。
-
公开(公告)号：CN114998605A
公开(公告)日：2022-09-02
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 , G06N3/04 , 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：CN119169048A
公开(公告)日：2024-12-20
申请号：CN202411058651.6
申请日：2024-08-02
Applicant: 北京科技大学
IPC: G06T7/246 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及多模态学习技术领域，特别是指一种双重模态增强机制的RGB‑T跟踪方法及装置，方法包括：构建初始多模态目标跟踪模型，初始多模态目标跟踪模型包括两个并行的ViT骨干网络、初始红外感知适配器、初始跨模态融合适配器、RGB预测头、红外预测头以及响应图解耦蒸馏响应模块；根据训练样本以及预设的损失函数，对初始多模态目标跟踪模型进行训练优化，得到训练好的多模态目标跟踪模型，包括Transformer骨干网络、红外感知适配器、跨模态融合适配器、RGB预测头以及红外预测头；获取待识别数据，将待识别RGB图像以及待识别红外图像输入到多模态目标跟踪模型，得到待识别数据对应的跟踪结果。采用本发明，可以提高目标跟踪的精准度。
-
公开(公告)号：CN118279786A
公开(公告)日：2024-07-02
申请号：CN202410229845.1
申请日：2024-02-29
Applicant: 北京科技大学
IPC: G06V20/40 , G06V10/62 , G06V10/82 , G06V40/20 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及计算机视觉技术领域，特别是指一种基于扩散模型的时序动作定位方法，方法包括：获取待处理的视频数据；将视频数据输入到时序特征提取器，得到视频数据的特征；将特征输入到构建好的多尺度的时序表征感知TRP编码器，得到视频特征的长期依赖时序特征信息；将长期依赖时序特征信息输入到训练好的扩散检测器模型，得到视频数据的时序动作定位结果。本发明设计了一种渐进且细化方法，使得精确的边界定位成为可行。并引入了一种时序建模方法，通过强化时序建模来捕捉特征的时序演变信息和长期依赖信息，从而进一步提升动作定位的准确性。
-
公开(公告)号：CN117953029A
公开(公告)日：2024-04-30
申请号：CN202410356521.4
申请日：2024-03-27
Applicant: 北京科技大学
IPC: G06T7/50 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像增强技术领域，特别是指一种基于深度信息传播的通用深度图补全方法及装置。基于深度信息传播的通用深度图补全方法包括：使用深度传感器对场景进行数据采集，获得稀疏深度图；使用彩色相机对场景进行数据采集，获得RGB图；采用预填充方法，对稀疏深度图进行深度填充，获得稠密深度图；将稀疏深度图、RGB图和稠密深度图，输入ResUNeT网络进行特征提取，获得亲和力图；根据稠密深度图以及亲和力图进行迭代传播，获得补全深度图。本发明是一种克服深度传感器分辨率不足的补全精度高、推理速度快的深度图补全方法。
-
Patent Agency Ranking
公开(公告)号：CN116129333A
公开(公告)日：2023-05-16
申请号：CN202310395174.1
申请日：2023-04-14
Applicant: 北京科技大学
IPC: G06V20/40 , G06V10/75 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于语义探索的开集动作识别方法，包括：针对给定的输入视频，提取出预设维度的片段级视觉特征；通过联合学习显式知识语义和隐式数据语义来探索视频的语义信息；基于片段级视觉特征与视频的语义信息，获得最终的视频特征；基于所述视频特征，利用预设的识别模型实现开集动作识别。本发明的技术方案可更好地感知开放场景，并有效提升最终的识别性能。
-
公开(公告)号：CN114612347B
公开(公告)日：2022-08-16
申请号：CN202210506856.0
申请日：2022-05-11
Applicant: 北京科技大学
Abstract: 本发明提供一种多模块级联的水下图像增强方法，属于计算机视觉技术领域。所述方法包括：将现有的空气图像增强网络与颜色校正网络级联，构建多模块级联增强网络，其中，空气图像增强网络用于解决水下图像中与空气图像相似的退化问题，颜色校正网络用于校正水下图像中存在的色偏；获取成对水下图像数据集，利用获取的成对水下图像数据集训练所述多模块级联增强网络；获取待增强的水下图像，将待增强的水下图像送入训练好的多模块级联增强网络，得到增强后的水下图像。采用本发明，能够解决水下成像中不同类型的退化问题。
-
公开(公告)号：CN111210422A
公开(公告)日：2020-05-29
申请号：CN202010033737.9
申请日：2020-01-13
Applicant: 北京科技大学
Abstract: 本发明提供一种基于红外图像的对空目标检测方法，能够较为有效地对红外图像序列中的对空小目标进行检测。所述方法包括：提取红外图像各像素点邻域的对比度特征，生成对比度图像；提取红外图像各像素点的邻域亮度差分特征，生成邻域亮度差分图像；融合对比度图像和邻域亮度差分图像；对融合后的图像进行置零操作的双阈值处理，提取目标位置。本发明适用于基于红外图像的对空目标检测。
-
公开(公告)号：CN119671955A
公开(公告)日：2025-03-21
申请号：CN202411705503.9
申请日：2024-11-26
Applicant: 北京科技大学
IPC: G06T7/00 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于扩散模型的电极板短路检测方法，属于电极板短路检测技术领域，其包括：获取电极板的红外图像及显著图，构建样本数据集；将扩散模型引入电极板短路检测，在基于扩散模型的目标检测框架中添加显著性感知的特征增强分支和全局特征微调模块，构建检测模型；其中，显著性感知的特征增强分支用于引入显著图特征来增强红外图像特征；全局特征微调模块用于对图像特征进行微调，以获得与目标相关的上下文背景信息；对检测模型进行训练；利用训练好的模型对待检测的电极板进行检测。本发明可提取更高质量、更加丰富全面的目标特征，从而提高检测精度。
-
公开(公告)号：CN118115913B
公开(公告)日：2024-09-27
申请号：CN202410204210.6
申请日：2024-02-23
Applicant: 北京科技大学
IPC: G06V20/40 , G06V10/62 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及深度学习计算机视觉领域目标追踪领域，特别是指一种两阶段追踪方法及装置，方法包括：获取待进行目标追踪的视频数据，根据视频数据获取图像对；构建基础追踪模型，采用双向视觉引导训练方法、视频序列微调方法以及目标层级的随机擦除数据增强方法，对基础追踪模型进行训练，得到训练好的追踪模型；根据图像对以及训练好的追踪模型，得到目标追踪结果。本发明提出了一种两阶段的训练方式，能够在有效利用视频序列信息的同时不增加任何推理成本。除此之外，本发明提出了一种目标层级的随机擦除数据增强方案，能够很好模拟在追踪过程中出现的遮挡问题，使训练的追踪器更加鲁棒。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.041 seconds)
