公开(公告)号：CN111968053B

公开(公告)日：2022-08-30

申请号：CN202010810808.1

申请日：2020-08-13

Applicant: 南京邮电大学

Inventor： 霍智勇 ,  高杰

IPC: G06T5/00 ,  G06T7/13

Abstract: 本发明揭示了一种基于门控卷积生成对抗网络的图像修复方法，包括如下步骤：S1、构建门控卷积生成对抗网络；S2、获取训练图像并对所获取的训练图像进行预处理；S3、将经过预处理后的训练图像输入已建立的门控卷积生成对抗网络中、对门控卷积生成对抗网络进行训练；S4、将待修复图像输入已完成训练的门控卷积生成对抗网络中，边缘修复网络先对待修复图像进行处理、得到完整边缘图像，纹理修复网络再对待修复图像及完整边缘图像进行处理、得到最终的修复图像。本发明通过在边缘修复和纹理修复两阶段的修复网络中引入门控卷积的方式，有效地改善了网络在修复过程中产生不自然孔洞、修复区域与已知区域不一致等问题。

公开(公告)号：CN114581552A

公开(公告)日：2022-06-03

申请号：CN202210252286.7

申请日：2022-03-15

Applicant: 南京邮电大学

Inventor： 于同同 ,  霍智勇 ,  许晶晶 ,  訾润

IPC: G06T11/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络的灰度图像彩色化方法，该方法首先选取COCO图像数据集中的定量彩色图片组，去色处理后制作成训练集，其次构建生成对抗网络架构，使得生成器模型在其中完成预训练，然后对判别模型和经过预训练的生成模型进行交替训练，调整参数，得到训练好的模型，再将测试数据输入模型后可实现灰度图像彩色化。本发明通过对生成器的预训练方法和过程，使得训练方法和数据集优化上拥有极大的提升，能够保证训练质量和最终生成图像的泛化质量的基础上，极大缩短训练时长，具灵活性；且利用U‑Net的思想，在COCO数据集上训练和测试，能极大程度的减少传统方法需要人工干预且难以进行大尺寸图像像素级别的精细上色工作的弊端。

公开(公告)号：CN111968053A

公开(公告)日：2020-11-20

申请号：CN202010810808.1

申请日：2020-08-13

Applicant: 南京邮电大学

Inventor： 霍智勇 ,  高杰

IPC: G06T5/00 ,  G06T7/13

Abstract: 本发明揭示了一种基于门控卷积生成对抗网络的图像修复方法，包括如下步骤：S1、构建门控卷积生成对抗网络；S2、获取训练图像并对所获取的训练图像进行预处理；S3、将经过预处理后的训练图像输入已建立的门控卷积生成对抗网络中、对门控卷积生成对抗网络进行训练；S4、将待修复图像输入已完成训练的门控卷积生成对抗网络中，边缘修复网络先对待修复图像进行处理、得到完整边缘图像，纹理修复网络再对待修复图像及完整边缘图像进行处理、得到最终的修复图像。本发明通过在边缘修复和纹理修复两阶段的修复网络中引入门控卷积的方式，有效地改善了网络在修复过程中产生不自然孔洞、修复区域与已知区域不一致等问题。

公开(公告)号：CN108921196A

公开(公告)日：2018-11-30

申请号：CN201810558048.2

申请日：2018-06-01

Applicant: 南京邮电大学

Inventor： 霍智勇 ,  戴伟达

IPC: G06K9/62

Abstract: 本发明公开了一种基于改进全卷积神经网络的语义分割方法，包括步骤：获取训练图像数据；将训练图像数据输入多孔全卷积神经网络，先通过标准卷积池化层得到尺寸缩小的特征图；再通过多孔卷积层在维持特征图尺寸的同时提取更稠密的特征；最后对特征图进行逐像素预测得到分割结果；且训练中利用随机梯度下降法SGD对多孔全卷积神经网络中的参数进行训练；获取需要语义分割的图像输入训练后的多孔全卷积神经网络，得到对应的语义分割结果。本发明可以改善全卷积网络中最终上采样恢复的特征图失去对图像的细节敏感性的问题，同时在不增加参数数量以及计算量的前提下，有效地扩大了滤波器的感受野。

公开(公告)号：CN108648215A

公开(公告)日：2018-10-12

申请号：CN201810651885.X

申请日：2018-06-22

Applicant: 南京邮电大学

Inventor： 霍智勇 ,  陈钊

IPC: G06T7/246 ,  G06T7/277 ,  G06T7/73

Abstract: 本发明揭示了一种基于IMU的SLAM运动模糊位姿跟踪算法，包括如下步骤：S1、对输入的图像序列进行ORB特征提取，根据特征点数目判断图像序列种类，根据判断结果，择一进行S2或S3步骤；S2、若为正常图像，利用匀速运动模型估计相机初始位姿，执行运动参数的捆集调整；S3、若为运动模糊图像，利用IMU运动方程得到估计位姿，利用扩展卡尔曼滤波器得到优化位姿，将估计位姿与优化位姿进行合并，得到相机的最终位姿。本发明针对SLAM无法对图像序列中运动模糊段进行相机定位和跟踪丢失问题，结合并利用惯性测量单元运动学方程以及扩展卡尔曼滤波器计算并优化相机位姿，使得SLAM能获得连续可靠的相机位姿定位和跟踪。