-
公开(公告)号：CN117172294B
公开(公告)日：2024-01-26
申请号：CN202311443805.9
申请日：2023-11-02
Applicant: 烟台大学
Abstract: 本发明涉及图像数据处理技术领域，具体为一种稀疏脑网络的构建方法、系统、设备和存储介质，该构建方法让由待检者和辅助受试者集的T1加权成像集获得的形态学脑网络集去学习拓扑结构表现形式，并通过组稀疏表示方法，关注不同组之间的差异性，得到脑区域间联合约束组矩阵图，经目标函数最小化处理，减小脑区域间联合约束组矩阵图中待检者与其他受试者的脑区域连接关系的差异性，增强待检者脑区域内的神经纤维束生物学表达强度，提高稀疏脑网络的
-
公开(公告)号：CN116797965A
公开(公告)日：2023-09-22
申请号：CN202310461115.X
申请日：2023-04-26
Applicant: 烟台大学
IPC: G06V20/40 , H04N5/262 , H04N5/265 , H04N5/14 , G06V10/26 , G06V10/34 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于视频帧间单应性变换的视频稳定方法及系统，属于视频监督技术领域，通过前景掩膜模块对视频内的前景与背景进行有效区分；将前景部分利用掩膜进行覆盖后，通过可信浅层特征提取模块，获取背景区域的有效浅层语义特征；针对背景区域的有效浅层特征，通过局部特征与全局特征关联的运动估计模块，估计连续相邻帧之间的单应性关系；通过视频稳定平滑模块，利用相邻帧之间的运动关系获取的变换帧与参考帧之间单应性使用STN变换实现对整段视频的稳定。本发明通过提出的前景掩膜与可信浅层特征的有效结合，避免了由大视差引起的伪影或失真现象，以可信浅层特征为基础，建立局部和全局特征关系获得准确的相机运动，最终实现视频稳定。
-
公开(公告)号：CN115294520A
公开(公告)日：2022-11-04
申请号：CN202210897534.3
申请日：2022-07-28
Applicant: 烟台大学
Abstract: 本发明公开了一种基于卷积神经网络的烟火检测方法，目的在于搭建一个轻量级，速度快，成本低的烟火检测平台，实现对烟火的高效检测，实现了一种更加轻量级的网络，可以部署于移动设备上，能够缓解人工监控的压力，降低监控成本。本发明基于人工智能视频分析和深度学习技术，能够不依赖其他传感设备，实现对视频监控区域内的烟雾与火焰的检测与识别，并及时进行预警。本发明涉及智慧城市智能安防技术领域。
-
公开(公告)号：CN114550118A
公开(公告)日：2022-05-27
申请号：CN202210167488.1
申请日：2022-02-23
Applicant: 烟台大学
IPC: G06V20/56 , G06V10/764 , G06F17/16 , E01C23/22
Abstract: 一种基于视频图像驱动的高速公路全自动智能划线方法，对摄像头进行标定，通过摄像头获得前方道路图像；建立道路路面置信区间分类器，实现道路路面区域有效分割，获得粗略二值道路路面检测结果；进行精细化处理，提出帧间关联的精细化道路检测算法，获得精细化二值道路路面检测结果；对获得的精细化二值道路路面检测结果逆变换到原图像中，获得带道路路面检测结果的RGB三通道图像；对道路图像通过逆透视变换方法获得俯视图方向的道路图像，获得两近似平行边界的道路图像；对路面检测结果边缘对应的范围确定为道路边界，并对道路边界进行划线；根据一侧标线，依次将其他的车道线划好；本发明具有效率高的特点。
-
公开(公告)号：CN112651964A
公开(公告)日：2021-04-13
申请号：CN202110045523.8
申请日：2021-01-10
Applicant: 烟台大学
Abstract: 本发明公开了一种基于深度学习的目标检测方法，包括：确定包含待检测的目标区域；将所述目标区域输入到基于深度学习预先训练的检测网络中，进行前向传播，获得所述第一合格概率；对所述目标区域进行切割操作，获得多个点位；确定包含待检测的目标区域后，可以将目标区域输入到基于深度学习预先检测的检测网络中，进行前位传送，获得第一合格概率，确定目标图片的关键区域，将关键目标区域输入到基于深度学习预先检测的检测网络中，进行前位传送，获得第二合格概率，根据第一合格概率和第二合格概率，确定目标检测区域是否合格，达到对目标检测的目的，将深度学习技术应用到IC引脚焊点质量检测中，提高了对目标区域检测的准确率。
-
Patent Agency Ranking
公开(公告)号：CN119991527A
公开(公告)日：2025-05-13
申请号：CN202510465507.2
申请日：2025-04-15
Applicant: 烟台大学
IPC: G06T5/90 , G06T5/60 , G06N3/0464 , G06N3/048 , G06N3/0475 , G06N3/094 , G06N3/0895
Abstract: 本发明涉及图像数据处理技术领域，具体为一种超分辨率遥感图像生成方法、系统，该方法具体步骤为：从数据集中获得原始高分辨率图像，降采样得到低分辨率图像，由第一卷积进行浅层特征提取，得到第一特征，经过多次深层特征提取，得到深层特征，与第一特征进行残差连接得到第五特征，对第五特征进行映射,并使用频域融合获得超分辨率图像；超分辨率图像和原始高分辨率图像，分别经过深度可分离卷积层处理得到第六特征，通过激活函数消除负值；经过全连接层统一第七特征向量维度，映射为一个标量，得到超分辨率图像是否为原始高分辨率图像的判断结果。本发明能够提高遥感图像的分辨率和视觉质量，同时保持计算效率。
-
公开(公告)号：CN119323646B
公开(公告)日：2025-04-01
申请号：CN202411874373.1
申请日：2024-12-19
Applicant: 烟台大学
IPC: G06T17/00 , G06V20/58 , G06V20/70 , G06V10/62 , G06V10/80 , G06V10/75 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/045
Abstract: 本发明属于图像处理技术领域，具体涉及一种融合上下文语义信息的三维车道线生成方法、系统，获取多帧图像较密集的车道线数据，基于投影—采样策略，先通过第一坐标变换，实现了将所要变换的锚点从当前帧的地面坐标系变换到历史帧的地面坐标系中，再通过第二坐标变换，实现了将地面坐标系下的锚点变换到了前视图中，结合历史帧的信息，使得不同帧的坐标变换能够更准确地匹配车道线；之后通过交叉注意力机制处理来完成时序上下文融合，融合特征图能够综合不同时间帧的信息，提供了丰富的上下文信息，更好地理解当前帧的车道线结构与形态，增强三维车道线生成的准确性。
-
公开(公告)号：CN119672437A
公开(公告)日：2025-03-21
申请号：CN202411822976.7
申请日：2024-12-12
Applicant: 烟台大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及图像分析技术领域，具体为基于深度学习的遥感图像目标检测方法、系统和设备，为解决现有技术中遥感图像目标检测结果准确度低的问题，本发明首先将待检遥感图像的不同深度特征进行低级语义信息聚合处理后再进行交叉的低级语义注入处理，接着经高级语义信息聚合处理后进行交叉的高级语义注入处理，得到低级目标聚合特征、中级目标聚合特征和高级目标聚合特征；随后将低级目标聚合特征、中级目标聚合特征和高级目标聚合特征经线性映射和全连接处理，将小目标从背景中分离出来，最后经边界框回归、边界框分类识别和非极大值抑制处理，得到准确度高的目标检测结果。
-
公开(公告)号：CN118334098B
公开(公告)日：2025-01-28
申请号：CN202410471856.0
申请日：2024-04-19
Applicant: 烟台大学
Abstract: 本发明属于图像处理技术领域，具体涉及基于深度关联的多目标跟踪方法、系统、设备和存储介质，针对视频中的图像数据，充分考虑到检测目标的检测准确度和外观清晰度，根据检测目标的检测置信度和分类置信度，结合深度值，进行四层关联，其中，根据检测集合中检测目标的深度值和跟踪集合中轨迹目标的深度值，划分深度区间，处理密集遮挡下的目标，以将密集遮挡下的目标集划分为具有不同深度级别的稀疏的子集，从而对不同情况下的检测目标实现了全面的关联和匹配。
-
公开(公告)号：CN119323646A
公开(公告)日：2025-01-17
申请号：CN202411874373.1
申请日：2024-12-19
Applicant: 烟台大学
IPC: G06T17/00 , G06V20/58 , G06V20/70 , G06V10/62 , G06V10/80 , G06V10/75 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/045
Abstract: 本发明属于图像处理技术领域，具体涉及一种融合上下文语义信息的三维车道线生成方法、系统，获取多帧图像较密集的车道线数据，基于投影—采样策略，先通过第一坐标变换，实现了将所要变换的锚点从当前帧的地面坐标系变换到历史帧的地面坐标系中，再通过第二坐标变换，实现了将地面坐标系下的锚点变换到了前视图中，结合历史帧的信息，使得不同帧的坐标变换能够更准确地匹配车道线；之后通过交叉注意力机制处理来完成时序上下文融合，融合特征图能够综合不同时间帧的信息，提供了丰富的上下文信息，更好地理解当前帧的车道线结构与形态，增强三维车道线生成的准确性。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.065 seconds)
