-
公开(公告)号：CN113496468A
公开(公告)日：2021-10-12
申请号：CN202010201231.4
申请日：2020-03-20
Applicant: 北京航空航天大学
Abstract: 本发明提供一种深度图像的修复方法、装置和存储介质，所述方法包括：提取待修复图像的二值掩模图像；并对所述待修复图像进行空间变换处理，得到处理后的待修复图像；根据所述二值掩模图像和卷积稀疏编码字典，对所述处理后的待修复图像进行变换空间数据修复，得到空间变换修复结果，其中，所述卷积稀疏编码字典为对多个具有完整深度信息的样本图像进行卷积稀疏编码学习得到的；进而根据所述空间变换修复结果，对所述待修复图像进行深度信息的修复。本发明提供的深度图像的修复方法、装置和存储介质，可以更准确的表达出待修复图像的深度信息分布变化，以使对深度图像的修复效果的更佳。
-
公开(公告)号：CN113128553A
公开(公告)日：2021-07-16
申请号：CN202110250532.0
申请日：2021-03-08
Applicant: 北京航空航天大学
Abstract: 本申请提供了一种基于目标架构的目标检测方法、装置、设备及存储介质，在该方法中，先获取预设图像，并将该预设图像输入到预设网络模型中，输出各个目标的预测架构信息，再基于各个目标的预测架构信息和预设图像中各个目标的标注架构信息，对预设网络模型进行参数更新，得到各个目标对应的目标检测模型，最后将待检测图像输入到各个目标对应的目标检测模型中，得到待检测图像的目标检测结果。该方案中，通过处理预测架构信息和标注架构信息，解决了现有技术中没有充分考虑预测的边界框与人工标注的边界框之间的位置、尺度等关系对损失函数的构造带来的影响，进而目标检测性能不高的问题。
-
公开(公告)号：CN110189247B
公开(公告)日：2021-01-19
申请号：CN201910409543.1
申请日：2019-05-16
Applicant: 北京航空航天大学
Abstract: 本发明提供一种图像生成的方法、装置及系统，该方法，包括：获取第一双鱼眼图像对应的初始全景图像；从所述初始全景图像中提取出第一特征图像；从第二双鱼图像中提取视觉特征信息；其中，所述第二双鱼图像的分辨率高于所述第一双鱼图像的分辨率；将所述第一特征图像与所述视觉特征信息进行融合处理，得到融合全景图像。可以实现无需高要求的硬件设备、无需进行初始化等繁琐操作，获得较高精准度的高分辨率融合全景图像，还可以提高获得高分辨率融合全景图像的速度。
-
公开(公告)号：CN112040311A
公开(公告)日：2020-12-04
申请号：CN202010720883.9
申请日：2020-07-24
Applicant: 北京航空航天大学
IPC: H04N21/44 , H04N21/4402 , H04N21/845 , H04N19/149 , H04N19/172
Abstract: 本发明实施例提供一种视频图像补帧方法、装置、设备及可存储介质，具体实现方案为：该方法包括：提取目标视频中前后相邻两帧图像，并分别输入至训练至收敛的粗粒度光流生成模型中，以输出所述前后相邻两帧图像对应的粗粒度光流数据；将预先配置的补帧时间数据与所述粗粒度光流数据输入至训练至收敛的中间帧光流生成模型中，以输出中间帧光流数据；根据所述前后相邻两帧图像和所述中间帧光流数据生成目标中间帧图像。通过训练至收敛的中间帧光流生成模型融合时间信息和运动信息，使生成的中间帧光流数据与粗粒度光流数据的关联性更强，从而提高了目标中间帧图像与前后帧的关联性，进而提高了整体视频图像的连贯性。
-
公开(公告)号：CN111768457A
公开(公告)日：2020-10-13
申请号：CN202010406318.5
申请日：2020-05-14
Applicant: 北京航空航天大学
IPC: G06T9/00
Abstract: 本申请提供了一种图像数据压缩方法、装置、电子设备和存储介质，通过先根据预设特征提取模型确定原始图像数据的第一预测特征向量，然后利用所确定的第一预测特征向量从原始图像数据中确定有效样本数据，再利用损失函数对符合条件的有效样本数据进行压缩处理，以生成图像压缩数据。从而实现基于特征提取模型的预测结果对原始的大型数据集进行筛选，提取其中具有代表性的数据样本，筛除冗余数据，减小数据集规模，达到了高准确率前提下大大提升模型训练速度的技术效果。
-
Patent Agency Ranking
公开(公告)号：CN109543561B
公开(公告)日：2020-09-18
申请号：CN201811290665.5
申请日：2018-10-31
Applicant: 北京航空航天大学
Abstract: 本发明实施例提供一种航拍视频显著性区域检测方法和装置。包括：获取样本数据集分别对应M个地面级经典显著性模型的样本显著图集合；初始化M个单路卷积神经网络，利用样本数据集和样本显著图集合训练M个单路卷积神经网络，获取训练后的M个卷积神经网络模型；利用N个单路卷积神经网络模型初始化N路卷积神经网络，利用样本数据集训练N路卷积神经网络，获取训练后的N路卷积神经网络模型；根据训练后的N路卷积神经网络获取待检测数据集的空域显著图集合；根据DCT方法获取待检测数据集的时域显著图集合；根据空域显著图集合和时域显著图集合，得到待检测数据集的时空显著图集合。获得显著性区域集中且清晰的航拍视频的显著图集合。
-
公开(公告)号：CN106886995B
公开(公告)日：2019-09-20
申请号：CN201710024794.9
申请日：2017-01-13
Applicant: 北京航空航天大学
Abstract: 本发明公开了多线性示例回归器聚合的图像显著对象分割方法，包括：通过构建图像显著基准数据集，分析总结出显著对象以及非显著对象的属性与特点；使用背景先验并构建二次优化问题计算初始显著概率图，根据该初始概率图选择最可信前景与背景种子点，随后通过局部线性嵌入算法进行流形保持的前景度传播，生成最终前景度概率图；随后，通过似物性采样方法对图像生成对象候选集，使用形状、前景度以及关注度三种特征来表征每一个候选对象，并对每一张训练图像训练线性示例回归器以表征该张图像的特定显著方式；最后，将多个线性示例器进行聚合，对测试图像的候选对象集计算显著值，形成一个能处理各种复杂场景的图像显著对象分割模型。
-
公开(公告)号：CN106529419B
公开(公告)日：2019-07-26
申请号：CN201610915190.9
申请日：2016-10-20
Applicant: 北京航空航天大学
Abstract: 本发明提供了视频显著性堆栈式聚合的对象自动检测方法。对于视频中显著性对象的检测，本发明从像素、超像素和对象三个级别分别提取空域和时域显著性特征描述子，再利用这些显著性特征描述子通过无监督学习的方法训练一个堆栈式自动编码器。这一自动编码器能够对视频图像中的像素点提取的显著特征描述子进行自主编码学习，从而可以结合视频像素点的显著特征描述子检测视频中的显著对象。一方面，本发明提供的系统可以有效地检测视频中的显著性对象，另一方面，本发明也提供了一种视频显著性对象的参考方法。
-
公开(公告)号：CN108665455A
公开(公告)日：2018-10-16
申请号：CN201810457947.3
申请日：2018-05-14
Applicant: 北京航空航天大学
Abstract: 本申请提供一种图像显著性预测结果的评价方法和装置，该方法包括：获取已采集到的多种显著区域预测方法在多个图像集上的显著区域预测结果，对该预测结果进行预处理，并使用该预测结果进行主观测试实验，得到任意两种预测方法所产生的两张显著性预测结果图的主观相对显著关系，构建主观测试数据结果对，补充显著区域真值图和随机图数据对，再构建主观测试结果数据集，针对该主观测试结果数据集，构建一种基于相对显著关系的卷积神经网络模型，训练该卷积神经网络模型，从该模型中获得图像显著性预测结果的评价方法，在该评价方法中，将显著区域预测结果和真值图作为输入，实现了图像显著性预测结果的评价。
-
公开(公告)号：CN108664981A
公开(公告)日：2018-10-16
申请号：CN201710204188.5
申请日：2017-03-30
Applicant: 北京航空航天大学
IPC: G06K9/46
CPC classification number: G06K9/4671 , G06K9/00597 , G06K9/42 , G06K9/4685 , G06K9/52 , G06T3/4007 , G06T7/11 , G06T7/194 , G06T2207/10024 , G06T2207/20076 , G06T2207/20104
Abstract: 本发明实施例提供一种显著图像提取方法及装置，该方法包括：通过预测模型对原始图像进行第一卷积处理、第一池化处理和归一化处理，得到原始图像的视点信息，视点信息用于指示显著对象在原始图像中的区域；通过预测模型对原始图像进行第二卷积处理和第二池化处理，得到原始图像的语义描述信息，语义描述信息用于描述原始图像中的内容；通过预测模型对视点信息和语义描述信息进行检测处理，得到原始图像的显著图像。用于提高提取显著图像的效率。
-
-
-
-
-
-
-
-
-
Search Results
122
records
(took 0.01 seconds)
