-
公开(公告)号：CN112819716B
公开(公告)日：2023-06-09
申请号：CN202110130545.4
申请日：2021-01-29
Applicant: 西安交通大学
Abstract: 基于高斯‑拉普拉斯金字塔的无监督学习X光图像增强方法，该方法首先使用高斯‑拉普拉斯金字塔算法生成高对比度高噪声图像XGL；然后，将原始图像Xori输入至X光图像增强网络中，得到网络输出图像Xnet；在整个过程中，使用对比度相似度损失函数计算图像Xnet与图像XGL之间的对比度相似度值，使用结构相似度损失函数计算图像Xnet与原始图像Xori之间的结构相似度值，将两者乘以相应的系数后相加得到总相似度值，不断迭代优化使之收敛至最小。最终完成优化，满足要求的生成图像Xnet即为最终的输出图像Xoutput。与现有X光图像增强方法相比，本发明处理后的图像对比度增强幅度合适、图像局部和整体的语义信息完整，同时处理后的图像结构平滑，噪声少，整体图像质量高。
-
公开(公告)号：CN111898733B
公开(公告)日：2022-10-25
申请号：CN202010628683.0
申请日：2020-07-02
Applicant: 西安交通大学
Abstract: 本发明公开了一种深度可分离卷积神经网络加速器架构，包括：外部存储器，用于存储输入的待处理图片的像素数据和深度可分离卷积神经网络的权重数据；特征图缓存，用于暂存从所述外部存储器读取的待处理图片像素数据以及神经网络计算的特征图结果；权重缓存，用于暂存从所述外部存储器读取的深度可分离卷积神经网络的权重数据；计算引擎模块，用于对从所述特征图缓存与权重缓存分别读取特征图数据与权重数据进行卷积计算；控制配置模块，用于配置所述计算引擎模块的计算模式以及控制所述特征图缓存与权重缓存的读写。本发明优化了深度可分离卷积的计算顺序，在提高并行性的同时减少了访存成本。
-
公开(公告)号：CN114581560A
公开(公告)日：2022-06-03
申请号：CN202210199669.2
申请日：2022-03-01
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于注意力机制的多尺度神经网络红外图像彩色化方法，该方法首先利用二维卷积神经网络在不同分辨率尺度下对输入的红外图像对进行特征提取，然后通过注意力机制对提取出的高维特征信息进行提炼处理，最终将多尺度信息进行融合处理得到预测的彩色化红外图像。与现有的红外图像彩色化网络相比，本发明基于注意力机制与多尺度层次化结构构建神经网络算法模型，通过采用改进的空间注意力与多维特征连结机制，能够提高网络模型特征提取能力的同时有效降低模型复杂度，通过设计像素损失、边缘损失和感知损失的复合损失函数，进一步提高彩色化红外图像的质量。
-
Patent Agency Ranking
公开(公告)号：CN111402129B
公开(公告)日：2022-03-01
申请号：CN202010108633.X
申请日：2020-02-21
Applicant: 西安交通大学
Abstract: 一种基于联合上采样卷积神经网络的双目立体匹配方法，该方法首先利用基于联合上采样的二维卷积神经网络对输入的立体图像对进行特征提取，然后通过拼接立体图像对的特征构建匹配代价的初始三维匹配代价量，进而采用三个级联的基于联合上采样的三维卷积神经网络对匹配代价量进行代价聚合，最后利用回归方法得到亚像素精度的稠密视差图。与现有的双目立体匹配深度神经网络相比，本发明在特征提取和代价聚合步骤的解码阶段均采用基于金字塔联合上采样的卷积神经网络，通过融合多层级多尺度的上下文特征信息，能够实现在上采样过程中有效保留更多的细节纹理，并采用计算复杂度较低的深度可分离卷积提高方法的计算效率，改善双目立体匹配的视差图质量。
-
公开(公告)号：CN113740871A
公开(公告)日：2021-12-03
申请号：CN202110872830.3
申请日：2021-07-30
Applicant: 西安交通大学
IPC: G01S17/86 , G01S17/89 , G01S17/931 , G01C21/16
Abstract: 本发明公开了一种在高动态环境下的激光SLAM方法、系统设备及存储介质，包括如下过程：使用IMU的预积分里程计来获得SLAM系统的初始状态估计；分别将当前激光点云和局部点云地图按照SLAM系统的定位误差所确定的分辨率投影为距离图像；比较这两幅距离图像，去除当前激光点云和局部点云地图中代表移动物体的点；将当前激光点云和局部点云地图进行点云匹配，获得SLAM系统的状态估计；判断点云匹配是否收敛；若点云匹配收敛，将获得的SLAM系统的状态估计作为最终的SLAM系统的状态估计；若点云匹配不收敛，重复进行所述距离图像获取、去除代表移动物体的点、点云匹配和收敛性判断的过程，直至点云匹配收敛。本发明能够同时提高动态点的去除率和SLAM的精度。
-
公开(公告)号：CN107392854B
公开(公告)日：2020-07-28
申请号：CN201710587165.7
申请日：2017-07-18
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于局部自适应增益因子的联合上采样方法，在原始输入图像经过下采样和显示处理模块处理之后，该方法首先通过双线性插值将经过下采样和显示处理的图像放大至原始分辨率，其次通过引导滤波技术进行结构转移滤波和细节提取。在利用输入端和输出端的相似对称性计算得到一个随图像内容和纹理细节损失程度自适应变化的局部自适应增益因子以后，经过纹理细节合成产生最后的输出图像。本发明能够克服传统联合上采样方法采用全局固定增益因子的缺点，并通过计算复杂度较低的移动窗求和技术提高方法的计算效率，改善视频显示系统的用户视觉体验。
-
公开(公告)号：CN111402129A
公开(公告)日：2020-07-10
申请号：CN202010108633.X
申请日：2020-02-21
Applicant: 西安交通大学
Abstract: 一种基于联合上采样卷积神经网络的双目立体匹配方法，该方法首先利用基于联合上采样的二维卷积神经网络对输入的立体图像对进行特征提取，然后通过拼接立体图像对的特征构建匹配代价的初始三维匹配代价量，进而采用三个级联的基于联合上采样的三维卷积神经网络对匹配代价量进行代价聚合，最后利用回归方法得到亚像素精度的稠密视差图。与现有的双目立体匹配深度神经网络相比，本发明在特征提取和代价聚合步骤的解码阶段均采用基于金字塔联合上采样的卷积神经网络，通过融合多层级多尺度的上下文特征信息，能够实现在上采样过程中有效保留更多的细节纹理，并采用计算复杂度较低的深度可分离卷积提高方法的计算效率，改善双目立体匹配的视差图质量。
-
公开(公告)号：CN103888764A
公开(公告)日：2014-06-25
申请号：CN201410095798.2
申请日：2014-03-14
Applicant: 西安交通大学
IPC: H04N19/117 , H04N19/86 , H04N19/14
CPC classification number: H04N19/14 , G06T7/13 , G06T2207/20004 , G06T2207/20192 , H04N19/117 , H04N19/154 , H04N19/172 , H04N19/182 , H04N19/186 , H04N19/187 , H04N19/196 , H04N19/463 , H04N19/86
Abstract: 本发明提出一种自适应补偿视频压缩失真的系统及方法，该方法首先通过对图像进行边缘纹理检测和块边界检测，将待处理点所处区域进行分类以确定其是否处于振铃噪声易发区或者存在块效应的块边界附近。其次，根据待处理点的所属区域与失真强度，本发明自适应地采用不同的滤波策略进行压缩失真补偿，以改善低码率传输的视频在显示端的图像效果，使其满足在高清、以及超高清分辨率显示器上高质量实时播放的需求。
-
-
-
-
-
-
-
Search Results
38
records
(took 0.022 seconds)
