-
公开(公告)号：CN115187471A
公开(公告)日：2022-10-14
申请号：CN202210701142.5
申请日：2022-06-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种半参考的图像去雾算法评估方法，属于图像处理技术领域。本发明采用四种评估方式获取去雾后图像的评价分数，包括暗通道先验、自然图像的局部平均及对比度归一化系数、对比去雾后图像与原始的雾图像的梯度信息和对比去雾后图像与原始的雾图像的饱和度信息，再将四种评价分数进行加权求和，得到最终评价分数。本发明结合无参考质量评价指标和有参考质量评价指标，无参考评价指标用于衡量图像的去雾程度，有参考评价指标通过对比原始雾图像和去雾后图像之间的梯度和饱和度，评价图像产生色偏和异常纹理的程度。通过去雾后图像相较于原始雾图像每个像素点的梯度和饱和度变化程度，来定量的衡量每个像素点导致色偏和异常纹理的可能性。
-
公开(公告)号：CN114757911A
公开(公告)日：2022-07-15
申请号：CN202210390815.X
申请日：2022-04-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于图神经网络和对比学习的磁共振影像辅助处理系统，该系统包含依次连接的MRI影像数据预处理模块、图数据增广模块、对比学习模块以及迁移学习模块。本发明提出了一种基于自注意力的长短距离特征融合图神经网络LS‑GNN，综合考虑脑网络结构的长短距离依赖，提取大脑的全局和局部特征，并进行特征融合；在对比学习模型的投影头部分，通过多层感知机实现了特征向量映射与图读出功能的结合；本发明充分利用了大量的无标签和主观标签数据，通过对比学习，既获得了具备通用特征表示能力的模型，又减少了可能错误的主观标签的影响；通过迁移学习，可实现分类、聚类等多个领域的性能提升。
-
公开(公告)号：CN112819707B
公开(公告)日：2022-05-03
申请号：CN202110056964.8
申请日：2021-01-15
Applicant: 电子科技大学
Abstract: 本发明属于图像增强领域，具体为一种端到端抗块效应低照度图像增强方法。本发明的方法采用先将收集的数据进行处理后分成测试数据和训练数据两类；再通过构建一个端到端图像增强网络结构，将训练数据输入到端到端网络结构中进行多轮训练。在训练过程中，采用最小化网络预测图与真值图的均方二范数差值、计算压缩图像的边界损失平滑块边界；并计算出网络预测图与真值图的块相似损失值、构造结构相似损失值进行端到端网络的参数调整，优化网络结构，得到完成训练的端到端图像增强网络；然后将测试数据输入训练好的端到端图像增强网络结构中，得到最终的增强图像。与现有技术相比，本发明提供的方法解决了有损压缩低照度像块效应被放大的问题。
-
公开(公告)号：CN112215079B
公开(公告)日：2022-03-15
申请号：CN202010972556.2
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种全局多阶段目标跟踪方法，涉及图像处理和计算机视觉领域。该方法使用的方法关键步骤分为如下两个阶段，第一阶段输入为第一帧与搜索帧，第二阶段输出一系列带有置信度的跟踪目标边界框。本发明在目标跟踪网络的特征提取阶段使用可变形卷积结构，使得网络对目标的特征提取具有更强的形变鲁棒性。在区域候选网络使用导向锚框机制，让网络自行学习产生锚框，使得锚框与当前输入特征有更好的契合程度，同时在使用不同数据集进行训练时，模型对不同的数据集也有良好的拟合能力。使用正样本判别阈值递增的多阶段级联的候选框分类回归网络进行候选框的精修，使得候选框质量与不同阶段的判别阈值相匹配，进一步提升结果框的精确度。
-
公开(公告)号：CN111160214B
公开(公告)日：2022-03-15
申请号：CN201911354164.3
申请日：2019-12-25
Applicant: 电子科技大学
IPC: G06V20/64 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明提供了一种基于数据融合的3D目标检测方法，该方法采用深度卷积网络实现，具体包括：首先提出了一种特征提取方法，将点云鸟瞰图和待检测目标图像进行特征提取；然后利用马尔科夫随机场模型(MRF)将3D点云数据利用空间约束条件编码进一个全局能量函数，来提取3D候选建议框；最后提出一种数据融合方式，将多模态数据进行融合，进行目标框的分类和回归。本发明提出的基于数据融合的3D目标检测方法，能有效提高检测网络在不同环境下对3D空间中感兴趣的不同目标的检测与定位性能，解决了道路环境下因为点云稀疏性而导致行人和车辆检测不佳的问题。
-
Patent Agency Ranking
公开(公告)号：CN109711379B
公开(公告)日：2022-03-15
申请号：CN201910002424.4
申请日：2019-01-02
Applicant: 电子科技大学
Abstract: 本发明公开了一种复杂环境交通信号灯候选区域提取及识别方法。本发明的提取交通信号灯候选区域时，通过避开直接从灰度图像处理的方式，将对图像的处理以提取多层图像信息的感知模型，以及张量结构化的方式进行。有效去除了原始图像中冗余杂乱的区域，得到了更加精准的分割图像。同时在关联图像集抽取时结合关联元素之间的时域互相关信息从而更好的保留了图像中交通信号灯的内容。识别阶段从以感知模型为基础构建的结构张量出发提取张量内部特征，有效提高了识别精度。本发明兼顾了简单背景和复杂背景下的目标提取，准确度高，鲁棒性好。
-
公开(公告)号：CN112819707A
公开(公告)日：2021-05-18
申请号：CN202110056964.8
申请日：2021-01-15
Applicant: 电子科技大学
Abstract: 本发明属于图像增强领域，具体为一种端到端抗块效应低照度图像增强方法。本发明的方法采用先将收集的数据进行处理后分成测试数据和训练数据两类；再通过构建一个端到端图像增强网络结构，将训练数据输入到端到端网络结构中进行多轮训练。在训练过程中，采用最小化网络预测图与真值图的均方二范数差值、计算压缩图像的边界损失平滑块边界；并计算出网络预测图与真值图的块相似损失值、构造结构相似损失值进行端到端网络的参数调整，优化网络结构，得到完成训练的端到端图像增强网络；然后将测试数据输入训练好的端到端图像增强网络结构中，得到最终的增强图像。与现有技术相比，本发明提供的方法解决了有损压缩低照度像块效应被放大的问题。
-
公开(公告)号：CN112508807A
公开(公告)日：2021-03-16
申请号：CN202011350640.7
申请日：2020-11-26
Applicant: 电子科技大学
Abstract: 本发明属于数字图像处理技术领域，涉及图像去噪方法，具体提供一种基于多方向全变分的图像去噪方法，用以克服现有全变分正则化模型存在的去噪过程中丢失了很多边缘信息、去噪效果不够理想的问题。本发明经拉普拉斯算子启发，构建八个方向的差分矩阵，与传统全变分仅有的两个方向差分矩阵相比，考虑了更多方向的梯度信息，因此在边缘处的平滑效果会减弱，从而保留图像更多的边缘信息；经过验证，经过基于多方向全变分的图像去噪方法得到的去噪图像与传统全变分去噪方法得到的去噪图像相比，考虑了更多方向的梯度信息，在相同的均方误差MSE下，能够保留图像更多的边缘和纹理信息，具有更好的去噪效果。
-
公开(公告)号：CN112215080A
公开(公告)日：2021-01-12
申请号：CN202010974350.3
申请日：2020-09-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种利用时序信息的目标跟踪方法，涉及图像处理和计算机视觉领域。该方法使用的方法关键步骤分为如下两个阶段，其中第一阶段输入第一帧与搜索帧，第二阶段输出目标在搜索框上的位置。本发明在特征提取阶段使用非对称卷积模块，选择三种不同形态的卷积核共同使用提升了模型对图像翻转和旋转的鲁棒性，提高网络的抗旋转鲁棒性。在候选框精修中，使用双径候选框分类回归网络，分类支路与回归支路分别处理候选框的分类结果与精修后的候选框，相比单纯依赖卷积网络或全连接网络的网络，进一步提高了结果精度。同时利用时序信息进行目标跟踪后处理，选择更加契合之前结果的跟踪框，减少错误跟踪目标的情况发生。
-
公开(公告)号：CN111696136A
公开(公告)日：2020-09-22
申请号：CN202010518310.8
申请日：2020-06-09
Applicant: 电子科技大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于编解码结构的目标跟踪方法，该方法使用编码器-解码器与鉴别器组合，构建类似生成对抗网络结构，使得编码器提取的特征更加泛化，学习到被跟踪对象的本质特征。由于对象帧中存在被半遮挡、受到光照、运动模糊影响的对象，使得网络受到这些影响更小，更具鲁棒性。使用Focal Loss使用替代传统的交叉熵损失函数，使得网络减少易分类样本的损失，使得模型更关注于困难的、错分的样本，同时平衡正负样本数量的不均衡。使用Distance-U loss作为回归损失，不仅关注重叠区域，还关注其他的非重合区域，具有尺度不变性，可以为边界框提供移动方向，同时具有较快的收敛速度。
-
-
-
-
-
-
-
-
-
Search Results
93
records
(took 0.026 seconds)
