-
公开(公告)号：CN113008370B
公开(公告)日：2022-06-14
申请号：CN202110228167.3
申请日：2021-03-02
Applicant: 北京理工大学 , 北京理工大学重庆创新中心
Abstract: 本发明公开了一种基于液晶高光谱计算成像系统的三维自适应压缩重构方法，液晶高光谱计算成像系统包括LCTF、编码孔径、探测器和光学透镜。方法包括：采集LCTF在各光谱通道下的低分辨率图像，获得低分辨率数据立方体；进行插值操作，快速得到高分辨率的高光谱数据立方体；利用自适应编码规则，基于高光谱数据立方体生成各滤波波段所需的自适应编码孔径；通过自适应编码孔径分别获取各光谱通道下的压缩测量值；基于压缩感知理论，根据系统的观测矩阵、稀疏基和压缩测量值，重构出高分辨率的目标光谱数据立方体。本发明利用先验信息设计自适应编码孔径和空‑谱联合字典，使得本发明对目标场景有很强的适应性，能够提升成像质量。
-
公开(公告)号：CN114387518A
公开(公告)日：2022-04-22
申请号：CN202210039795.1
申请日：2022-01-14
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供一种基于DeepLabV3改进的遥感图像分割方法包括：S1，构建基于DeepLabV3改进的神经网络；S2，训练基于DeepLabV3改进的神经网络；S3，利用训练好的基于DeepLabV3改进的神经网络进行遥感图像语义分割。本发明的有益效果为：1、本发明采用基于DeepLabV3改进的神经网络对遥感图像的深层特征并完成对遥感图像的语义分割，在网络训练和实用中更为有效。2、通过基于DeepV3改进的网络，对DeepLabV3网络的ASPP模块加入了动态权重调整，更好的帮助网络提取遥感图像的深层次特征，提升了网络提取的多尺度语义特征捕获能力，能够更高效的完成遥感图像的语义分割。
-
公开(公告)号：CN114387422A
公开(公告)日：2022-04-22
申请号：CN202210063938.2
申请日：2022-01-20
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于注意力机制的点云场景流预测方法，包括以下步骤：S1、构建真实场景流数据集；S2、基于真实场景流数据集对输入数据预处理，建立点云特征提取模型，对局部区域候选场景流生成，通过注意力机制对候选场景流进行聚合，对候选场景流进行上采样，采用带有残差连接的输出层对输出进行修正；S3、采用预测场景流和真实场景流的L1Loss作为损失对网络进行优化和训练；S4、将训练好的网络在构建好的真实场景流数据集上进行测试，获得测试结果。
-
公开(公告)号：CN113327271B
公开(公告)日：2022-03-22
申请号：CN202110589860.3
申请日：2021-05-28
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于双光孪生网络决策级目标跟踪方法、系统及存储介质。本发明以孪生候选区域生成网络为基础框架，利用生成对抗网络生成伪红外图像数据集对其进行训练，解决了红外图像样本匮乏的问题，提高了网络对红外特征提取的能力。另外，本发明以上下文约束条件设计可见光分支跟踪和伪红外分支跟踪的融合跟踪策略，解决了对弱光或光照不均引起的跟踪困难的问题，避免了跟踪漂移，使跟踪过程更为鲁棒，跟踪精度更为准确。
-
公开(公告)号：CN114170236A
公开(公告)日：2022-03-11
申请号：CN202111543635.2
申请日：2021-12-16
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于半监督学习的全自动近红外静脉分割方法，涉及医学图像处理的近红外肢体成像技术领域，方法包括：S1：获取近红外的肢体成像制作静脉分割图像，进行预处理，构建数据集；S2：构建以递归尺度循环神经网络为主体，重构一致性神经网络以及分割对抗神经网络为辅的语义分割模型；S3：训练并迭代优化语义分割模型。本发明基于构建的有标签部分和无标签部分的数据集，通过分别输入标记数据来训练分割模型，输入未标记数据来生成预测图，并通过重构一致性神经网络以及分割对抗神经网络进行优化，提高了模型的精度和速度。
-
Patent Agency Ranking
公开(公告)号：CN113327304A
公开(公告)日：2021-08-31
申请号：CN202110593767.X
申请日：2021-05-28
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供了一种基于端到端神经网络的高光谱图像显著图生成方法，包括S1：图像预处理；S2：构建端到端的神经网络模型提取空谱特征；S3：神经网络的训练；端到端的神经网络模型结构为W2型卷积神经网络，神经网络模型包括左右两支编码通道和中间一支解码通道分别为空间编码模块、光谱编码模块和解码模块，模型还包括用于生成预测显著图的结果预测模块。本发明通过构建的端到端的神经网络模型，能够提取图像的深层空谱特征，并直接生成预测显著图，节省了计算资源的消耗，提高了特征的鲁棒性。
-
公开(公告)号：CN113327272A
公开(公告)日：2021-08-31
申请号：CN202110590166.3
申请日：2021-05-28
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于相关滤波的鲁棒性长时跟踪方法，包括利用初始帧图像初始化滤波器；对于后续帧图像，提取当前帧图像搜索区域的特征图，与上一帧图像训练得到的滤波器进行互相关匹配，得到响应图；判断响应图对应跟踪结果的可靠等级，若跟踪结果不可靠，则重新检测目标，否则以响应图中峰值位置作为目标中心位置，并更新滤波器：当跟踪结果为一般可靠，以当前帧搜索区域的显著性图作为目标函数中自适应空间正则项的权重对滤波器进行训练；当跟踪结果为可靠，采用传统的负高斯型空间正则项权重对滤波器进行训练。本发明在目标跟踪失败时进行重检，在跟踪过程中，自适应调整目标函数中空间正则项的权重，增强了复杂场景下目标跟踪的鲁棒性。
-
公开(公告)号：CN111426383A
公开(公告)日：2020-07-17
申请号：CN202010303994.X
申请日：2020-04-17
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种机器学习优化稀疏基的高光谱全偏振图像压缩重构方法，采用四分之一波片与具有线偏振特性的器件组合将图像成像于探测器，通过切换四分之一波片的快轴角度和/或具有线偏振特性的器件的透光轴角度实现不同的全偏振调制方式；采用该全偏振调制方式对任一波段的全偏振局部图像进行处理，获得压缩信息；采用粒子群算法优化稀疏基，优化后的稀疏基使得利用压缩信息重构的全偏振局部图像逼近其原图像。应用时，采用上述全偏振调制方式对高光谱全偏振图像进行偏振调制，获得压缩信息，并利用优化稀疏基获得重构的高光谱全偏振图像。采用本发明能够实现高光谱图像四个斯托克斯参量的重构，提高四个斯托克斯参量的重构精度。
-
公开(公告)号：CN111145221A
公开(公告)日：2020-05-12
申请号：CN201911419269.2
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于多层深度特征提取的目标跟踪算法，涉及图像处理技术领域，包括如下步骤，S1：图像输入；S2：提取特征图；S3：获取最佳匹配模板；S4：更新最佳匹配模板；S5：重复步骤S4，直到完成当前视频的目标跟踪；所述S2具体为，根据第一帧图像中目标的位置和尺寸信息，利用深度神经网络提取多层样本特征图，本发明利用深度神经网络提取多层深度特征作为样本的外观表达，来进行目标跟踪，以获取目标多层深度特征，减少了参数数量，提高了目标跟踪过程的准确性和鲁棒性。
-
公开(公告)号：CN111105415A
公开(公告)日：2020-05-05
申请号：CN201911410640.9
申请日：2019-12-31
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明公开了一种基于深度学习的白细胞大视场图像检测系统及方法，系统由图像采集模块、图像重建模块和基于深度学习的智能检测模块构成，通过低倍显微物镜对不同光照下的检测样本成像；图像采集模块记录该低分辨率图像的集合；图像重建模块通过频谱迭代的方法获取高分辨率图像；检测模块使用预先训练好的神经网络对生成的高分辨图像进行特征提取和识别，最后输出检测结果。本发明能够智能识别白细胞，并分别对视场内的白细胞和红细胞进行计数，帮助检查者快速且准确得到分析结果；同时，满足高分辨率与大视场相结合的要求，实现使用低倍镜得到更高的对比度和分辨率的效果，降低了系统的制造成本。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.023 seconds)
