-
公开(公告)号：CN116309947A
公开(公告)日：2023-06-23
申请号：CN202310267162.0
申请日：2023-03-20
Applicant: 南京信息工程大学
IPC: G06T11/40 , G06N3/044 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06V10/82 , G06V10/764 , G06V10/80
Abstract: 本发明公开一种基于循环对抗生成网络的模拟靛胭脂染色方法，包括以下步骤：将内镜图像白光图像输入至训练好的模拟靛胭脂染色模型，生成模拟靛胭脂染色图像；所述模拟靛胭脂染色模型为基于Transformer和CNN的TransUNet骨干网络，其中，CNN中包括生成器GA、生成器GB和判别器Dx，所述模拟靛胭脂染色模型的训练方法包括：建立网络训练集；然后生成模拟染色图像P3；将模拟染色图像P3输入判别器Dx中，由判别器Dx判断模拟染色图像P3是否为内镜图像染色图像P2，得到相应的总损失并输入到生成器GA和生成器GB中进行训练。本发明提供的一种基于循环对抗生成网络的模拟靛胭脂染色方法，能够对内镜图像进行模拟靛胭脂染色，降低医疗成本，以及避免多次的内镜检测以及药物使用。
-
公开(公告)号：CN109978762B
公开(公告)日：2023-06-16
申请号：CN201910144539.7
申请日：2019-02-27
Applicant: 南京信息工程大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于条件生成对抗网络的超分辨率重建方法，具体为：利用公开的超分辨率图像数据集，制作低分辨率图像和对应高分辨率图像训练集；构建条件生成对抗网络模型，在生成器网络中使用密集残差块，在生成网络模型的末端，用亚像素上采样方法实现超分辨率图像重建；把训练图像集输入到条件生成对抗网络中进行模型训练，通过感知损失函数让训练模型收敛；对图像测试集进行下采样处理，获得低分辨率测试图像；把低分辨率测试图像输入到条件对抗网络模型中，获得高质量的高分辨率图像。本发明可以很好的解决传统生成对抗网络生成的超分辨图像看似清晰、评估指标极低的问题，同时通过密集残差网络缓解梯度消失和高频信息丢失的问题。
-
公开(公告)号：CN116071748A
公开(公告)日：2023-05-05
申请号：CN202310059898.9
申请日：2023-01-20
Applicant: 南京信息工程大学
IPC: G06V20/70 , G06V20/40 , G06V10/42 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本发明公开了一种基于频域全局滤波的无监督视频目标分割方法。基于视频帧及其对应的光流估计图像；通过双流CNN骨干网络分别提取外观特征与运动特征；通过频域全局滤波模块，将每组外观特征与运动特征进行融合并通过快速傅里叶变换，由空间域转换到频域，在频域中经过可学习的权重矩阵捕获全局依赖关系，再通过快速傅里叶逆变换转换回空间域，实现对特征全局依赖关系的捕获；再将特征进行多尺度的特征提取；然后将低分辨率特征不断上采样恢复至高分辨率并与高分辨率特征拼接，最终输出分割完成的视频目标掩模。本发明的无监督视频目标分割方法在干扰目标多样、背景杂乱的场景中依旧能显著地提高分割结果的准确性和鲁棒性，并且保持较低的计算量。
-
公开(公告)号：CN110120064A
公开(公告)日：2019-08-13
申请号：CN201910392629.8
申请日：2019-05-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其步骤为：输入上一帧目标区域及下一帧的搜索区域；初始化特征提取器参数，经过均方误差损失通过梯度下降进行学习特征提取器的参数，将搜索区域通过特征提取器进行提取特征；计算特征的自相关性，通过岭回归封闭解学习到滤波器模板；下一帧通过上一帧推测出的目标位置确定搜索区域，通过设计好的特征提取器进行特征提取，计算目标区域和搜索区域特征的互相关；将其特征与滤波器模板进行相关操作，输出值中最大值就是目标跟踪的最新位置；每一帧都对目标滤波器模板进行学习更新。
-
公开(公告)号：CN109086775A
公开(公告)日：2018-12-25
申请号：CN201810796361.X
申请日：2018-07-19
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种快速流形排序和低秩约束的协同显著性检测方法。首先，通过两阶段的快速流形排序算法为每张图片生成多张协同显著图；然后，基于协同显著图从每张图片分割出一组不同尺度的显著性区域，并通过显著图构建的特征矩阵得到自适应权重，与协同显著图相乘得到融合后的结果；最后，再利用图割法对检测结果作进一步优化。本发明能够有效增强协同显著性物体，并抑制背景和非协同显著区域。
-
Patent Agency Ranking
公开(公告)号：CN110120064B
公开(公告)日：2023-06-20
申请号：CN201910392629.8
申请日：2019-05-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于互强化与多注意机制学习的深度相关目标跟踪算法，其步骤为：输入上一帧目标区域及下一帧的搜索区域；初始化特征提取器参数，经过均方误差损失通过梯度下降进行学习特征提取器的参数，将搜索区域通过特征提取器进行提取特征；计算特征的自相关性，通过岭回归封闭解学习到滤波器模板；下一帧通过上一帧推测出的目标位置确定搜索区域，通过设计好的特征提取器进行特征提取，计算目标区域和搜索区域特征的互相关；将其特征与滤波器模板进行相关操作，输出值中最大值就是目标跟踪的最新位置；每一帧都对目标滤波器模板进行学习更新。
-
公开(公告)号：CN107945146B
公开(公告)日：2021-08-03
申请号：CN201711180763.9
申请日：2017-11-23
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种基于深度卷积神经网络的时空卫星图像融合方法。所述基于深度卷积神经网络的时空卫星图像融合方法包括如下步骤：训练阶段：选取对应的Landsat图像和MODIS图像形成Landsat‑MODIS图像对，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像，根据Landsat图像、MODIS图像和LSR Landsat图像的组合进行训练，并分别得到非线性映射CNN网络和超分辨率重建CNN网络；预测阶段：分别选取日期t1和t3的Landsat‑MODIS图像对，基于训练阶段得到的非线性映射CNN网络和超分辨率重建CNN网络，预测位于日期t1和t3之间的日期t2的Landsat预测图像。
-
公开(公告)号：CN109086775B
公开(公告)日：2020-10-27
申请号：CN201810796361.X
申请日：2018-07-19
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种快速流形排序和低秩约束的协同显著性检测方法。首先，通过两阶段的快速流形排序算法为每张图片生成多张协同显著图；然后，基于协同显著图从每张图片分割出一组不同尺度的显著性区域，并通过显著图构建的特征矩阵得到自适应权重，与协同显著图相乘得到融合后的结果；最后，再利用图割法对检测结果作进一步优化。本发明能够有效增强协同显著性物体，并抑制背景和非协同显著区域。
-
公开(公告)号：CN109064497A
公开(公告)日：2018-12-21
申请号：CN201810778141.4
申请日：2018-07-16
Applicant: 南京信息工程大学
CPC classification number: G06T7/277 , G06K9/6218 , G06K9/6268 , G06T7/90 , G06T2207/30232
Abstract: 本发明公开一种基于颜色聚类补充学习的视频跟踪方法，属于图像处理技术领域。包括输入上一帧状态及分类参数、对目标区域颜色聚类、根据聚类中心统计出直方图、计算颜色响应、计算相关滤波响应、颜色响应和相关滤波响应融合、更新分类器参数、输出当前帧状态及分类器参数八个步骤。通过对传统的颜色直方图补充学习跟踪方法进行分析和改进，有效地利用颜色分布的信息，采用聚类和统计颜色直方图手段，学到更有效的颜色聚类补充学习器并与传统的相关滤波学习器相融合，能够有效区分目标和背景，在目标发生遮挡、旋转、尺度变化、快速运动、光照变化等复杂情况下依然可以准确地跟踪目标。具有处理问题时更加稳健准确、适应性强、跟踪效果好等优点。
-
公开(公告)号：CN108447020A
公开(公告)日：2018-08-24
申请号：CN201810201306.1
申请日：2018-03-12
Applicant: 南京信息工程大学
Abstract: 本发明提供了一种基于极深卷积神经网络的人脸超分辨率重建方法，包括如下步骤：一、对高分辨率人脸图像进行不同倍数下采样并处理后，获得低分辨率人脸图像的训练集；二、对另外一组高分辨率人脸图像进行不同倍数下采样并处理后，获得低分辨率人脸图像的测试集；三、将步骤一得到的训练集和步骤二得到的测试集放入极深卷积网络进行训练，学习残差图像的映射，并得到相对应的卷积网络模型；四、将需要重建的低分辨率人脸图像输入步骤三学习得到的卷积网络模型得到重建的高分辨率人脸图像。本发明的有益效果是：所述基于极深卷积神经网络的人脸超分辨率重建方法可以较好的处理多尺度放大系数的超分辨率重建问题。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.029 seconds)
