-
公开(公告)号：CN111901532A
公开(公告)日：2020-11-06
申请号：CN202011054088.7
申请日：2020-09-30
Applicant: 南京理工大学
IPC: H04N5/232 , H04N19/139 , H04N19/557 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于循环神经网络迭代策略的视频稳定方法，该方法包括：用抖动视频采集及稳定化处理硬件装置捕获成对视频数据；对采集的视频流样本进行预处理；设计并构造端到端的基于循环神经网络帧内与帧间迭代策略的全卷积深度神经网络；将预处理后的训练数据输入到循环神经网络中，使用四种损失的线性加权引导网络参数的训练过程，得到训练完成的模型；将低质抖动测试视频输入到训练好的神经网络中，得到目标视频的稳定版本。本发明通过循环神经网络的迭代策略在时间序列上，为每一个当前视频帧传递历史运动状态信息，增强了网络对于抖动序列帧信息的感知能力，从而更加精准的预测稳定画面。
-
公开(公告)号：CN111612127A
公开(公告)日：2020-09-01
申请号：CN202010359251.4
申请日：2020-04-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种用于高光谱图像分类的多方向信息传播卷积神经网络构建方法，包括：输入端为以目标像素为中心的局部三维高光谱数据立方体样本；深度神经网络由隐层单元之间的二维卷积多层感知机、隐层单元内部的二维卷积感知机、池化层和全连接层构成；隐层单元内部的二维卷积感知机，是对隐层内部特征图按行或列方向分片，按照上下左右四个方向执行特征片之间的逐片卷积，从而传递不同方向像素的空间信息；输出层为输入的光谱像素的类别概率向量。该网络区别于经典卷积网络，在隐层内部构成特征通道间的空间信息传播机制，可以学习更具鉴别性的空谱特征，应用于高光谱监督分类，大幅度提升了少量样本下监督分类能力。
-
公开(公告)号：CN111310678A
公开(公告)日：2020-06-19
申请号：CN202010109522.0
申请日：2020-02-22
Applicant: 南京理工大学
Abstract: 本发明公开了一种双边深度特征域异源遥感图像变化检测方法，该方法步骤如下：构造双边输入的对称卷积神经网络；建立特征域带约束概率模型；迭代优化概率模型，求解差异概率图；阈值化差异概率图，输出二值变化图。本发明双边对称卷积神经网络可实现两幅异源图像的无监督特征自动提取，并在特征域度量发生变化的概率，可以克服因光照不均匀，小颗粒噪声等引起的变化检测虚警率，增强了异源图像差异图的效果，提升了变化检测准确度。
-
公开(公告)号：CN109905565A
公开(公告)日：2019-06-18
申请号：CN201910169528.4
申请日：2019-03-06
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于运动模式分离的视频去抖动方法，包括如下步骤：1)运动估计矩阵计算；2)自适应滑动窗口计算；3)局部运动矢量矩阵计算；4)构造局部自回归项、加权核范数项以及稀疏性项；5)构造运动模式形态多约束优化模型；6)运动片段模式分类和正则化参数估计；7)迭代优化求解当前运动平滑矩阵；8)稳定化视频生成。本发明利用帧间运动的平稳性，阶跃运动的稀疏性以及平滑运动的低秩性，同时实现模型中正则化参数的自适应估计；与传统方法相比具有更好的鲁棒性与抗噪性，较好地克服了视频去抖过程中的过平滑与欠平滑问题，能够广泛应用于手机拍摄、无人机拍摄、航拍等多种类型的视频去抖动。
-
公开(公告)号：CN108197650A
公开(公告)日：2018-06-22
申请号：CN201711488221.8
申请日：2017-12-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种局部相似性保持的高光谱图像极限学习机聚类方法，其步骤为：组织高光谱像元矩阵；计算隐层神经元的线性随机响应；计算隐层神经元的非线性激活值；隐层特征数据三维重组；空间引导滤波；滤波后的隐层特征数据二维重组；构造局部相似性保持正则项及优化模型；计算局部相似性保持投影特征，并进行K-means聚类得到最终的聚类标签。本发明在传统极限学习机的基础上，通过引导滤波综合局部邻域的高光谱图像空间信息，并充分利用高光谱的光谱局部相似性，通过模型优化计算具有局部保持性的投影，提取空谱联合信息，提高了聚类精度，降低了计算复杂度，可广泛应用于国土资源、矿产调查和精准农业领域的高光谱无监督分类。
-
Patent Agency Ranking
公开(公告)号：CN104112263B
公开(公告)日：2018-05-01
申请号：CN201410306238.7
申请日：2014-06-28
Applicant: 南京理工大学
Abstract: 本发明提供了一种基于深度神经网络的全色图像与多光谱图像融合的方法，具体步骤如下：步骤1，构建高分辨与低分辨图像块对的训练集；步骤2，利用改进的稀疏去噪自编码器学习训练神经网络模型中第一层的初始化参数；步骤3，利用改进的稀疏去噪自编码器对神经网络进行逐层的预训练；步骤4，对经过预训练的深度神经网络的参数进行微调；步骤5，根据已知的低空间分辨的多光谱图像，利用该深度神经网络重构出高分辨的多光谱图像。本发明提供的方法采用了深度学习的方法，能够充分利用非线性的神经网络刻画多光谱图像复杂的结构信息，从而使融合后的多光谱图像不仅具有高空间分辨率，而且能很好地保留了其光谱信息。
-
公开(公告)号：CN107316316A
公开(公告)日：2017-11-03
申请号：CN201710355503.4
申请日：2017-05-19
Applicant: 南京理工大学
CPC classification number: G06T7/248 , G06K9/629 , G06T7/262 , G06T7/269 , G06T2207/10016 , G06T2207/20004 , G06T2207/20056 , G06T2207/20081
Abstract: 本发明提供了一种基于多特征自适应融合和核相关滤波技术的目标跟踪方法。方法步骤为：根据前一帧跟踪的目标位置和尺度，获得目标运动的候选区域；提取候选区域的梯度方向直方图和颜色特征，融合两种特征，并进行快速傅立叶变换，得到特征图谱后计算核互相关；确定目标在当前帧的位置和尺度，获得目标区域；提取目标区域的梯度方向直方图和颜色特征，融合两种特征，并进行快速傅立叶变换，得到特征图谱后计算核自相关；设计自适应的目标相应，训练位置滤波器和尺度滤波器模型；使用线性插值方法更新特征图谱和相关滤波器。本发明增强了模型的判别能力，提高了目标在复杂场景和外观变化中的目标跟踪的鲁棒性，降低了计算复杂度、提高了跟踪的实时性。
-
公开(公告)号：CN107273919A
公开(公告)日：2017-10-20
申请号：CN201710392062.5
申请日：2017-05-27
Applicant: 南京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于置信度构造类属字典的高光谱图像无监督分类方法，该方法首先构造二维光谱—像元矩阵；行和列规范化处理；特征抽取与选择，得到各像元的降维特征；粗分类和置信度评估，即利用降维特征对各像元进行分类计算各光谱像元与其粗分类类别中心的欧氏距离，作为置信度水平，得到高置信度分类样本和低置信度分类样本；最后，基于核化稀疏表示进行二次分类，即由高置信度分类样本构成类属字典，对低置信度分类样本进行核化稀疏表示，通过最小类别重建误差确定低置信度光谱像元的分类标签。本发明克服了直接利用全部光谱数据构造字典所带来的分类子空间刻画精度不足和计算复杂度过高的问题，提高了字典子空间鉴别性，降低了误分类错误率。
-
公开(公告)号：CN103236046B
公开(公告)日：2016-01-20
申请号：CN201310157990.5
申请日：2013-04-28
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法。该方法通过分数阶全变差正则化加性噪声去噪和残差图像加权反馈两个步骤的交替迭代来实现相干斑滤波，利用对噪声标准差、图像卡通形态成分及其相应的残差图像的局部方差的估计，计算每个像素点归属于图像边缘、纹理和平滑三种形态的模糊隶属度，在此基础上提出模型参数的自适应计算方法，并简化分数阶差分的计算，提出一种分数阶自适应相干斑滤波方法。本方法能有效抑制噪声和“阶梯效应”，较好地保持图像边缘和纹理细节，滤波图像具有良好的视觉效果。本方法计算速度快，算法参数自适应计算，具有良好的实用性，在遥感、合成孔径雷达以及医学成像等领域具有广泛应用前景。
-
公开(公告)号：CN103150713B
公开(公告)日：2015-12-09
申请号：CN201310033127.9
申请日：2013-01-29
Applicant: 南京理工大学
Abstract: 本发明公开了一种利用图像块分类稀疏表示与自适应聚合的图像超分辨方法，首先对训练集的图像块对进行分类，通过学习得到分类的高分辨与低分辨的字典对；然后对低分辨图像块进行分类稀疏表示超分辨重构，得到高分辨图像块；最后对图像块进行自适应聚合得到输出的高分辨图像。本发明能够有效地对各类自然图像进行超分辨重构，显著地提高了边缘清晰度与纹理细节的恢复程度。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.033 seconds)
