-
公开(公告)号：CN114596254A
公开(公告)日：2022-06-07
申请号：CN202111678786.9
申请日：2021-12-31
Applicant: 南京理工大学
Abstract: 本发明公开了一种类别无关的自动结账产品计数方法，包括：使用计数分治策略作为自监督方法生成预训练模型；利用注意力模块和域适应模块来解决零售商品数据的细粒度属性和域差异问题；将单品图像类别特征图和结账图像特征图拼接后输入计数模块，进行对应类别的定位和计数，同时进行增量学习的实验设定，以验证方法的类别无关性。本发明充分利用点级别注释信息，根据不同类别单品图像与结账图像的热力图响应不同来进行计数，同时使用自监督方法初始化模型参数，通过注意力模块捕获细粒度特征，应用梯度反转层进行域适应，针对自动结账任务提出了一种类别无关的产品计数方法，在常规实验设置和增量实验设置中均取得了较好结果。
-
公开(公告)号：CN114494154A
公开(公告)日：2022-05-13
申请号：CN202111670468.8
申请日：2021-12-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于内容编码的无监督变化检测方法，包括以下步骤：构造内容编码网络结构；建立变化检测的概率函数模型；定义掩码损失函数来测量内容编码之间的偏差；构造内容约束函数，根据对象来约束对图像的差分结果；结合掩码损失函数和内容约束函数来定义能量函数进行训练得到变化检测结果。该方法可以有效避免现有变化检测方法对于精确配准的依赖，可适用于大多数变化检测问题，包括现有方法无法解决的多视角图像的无监督变化检测问题。
-
公开(公告)号：CN114494152A
公开(公告)日：2022-05-13
申请号：CN202111663288.7
申请日：2021-12-31
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于关联学习模型的无监督变化检测方法，该方法包括以下步骤：构造对称的双边关联网络结构；建立针对变化检测的关联学习模型；基于对比散度优化方法优化关联学习模型；提取优化结果，输出变化区域。本发明定义了一个针对变化检测问题的关联学习模型，以无监督的方式训练神经网络，因此具有较强的适应性，能够适应各种各样的数据类型，包括同源、异源、异质等遥感数据。
-
公开(公告)号：CN108734672B
公开(公告)日：2022-02-18
申请号：CN201810016715.4
申请日：2018-01-08
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于光谱库裁剪与协同稀疏回归的高光谱数据解混方法，包含如下步骤：输入光谱库和待解混高光谱数据；光谱库初始化与光谱数据矩阵构造；构建光谱拟合误差保真项；构建丰度矩阵协同稀疏性约束项；构建光谱库裁剪的稀疏正则化项；建立光谱库裁剪和协同稀疏回归模型；迭代求解光谱库裁剪和协同稀疏回归模型；输出裁剪后的光谱库和端元丰度图。本发明为缓解光谱库端元与实际场景中端元的误匹配问题，建立协同稀疏回归模型，进行目标函数最优化解混，提高了解混的精度，降低了端元误匹配率，增强了对光谱幅度变化和噪声的鲁棒性；可广泛应用于环境监测、矿产勘探和精准农业等领域的高光谱数据解混应用。
-
公开(公告)号：CN112989593A
公开(公告)日：2021-06-18
申请号：CN202110255325.4
申请日：2021-03-09
Applicant: 南京理工大学
IPC: G06F30/20 , G06K9/62 , G01J3/28 , G06F111/04
Abstract: 本发明公开了一种基于双相机的高光谱低秩张量融合计算成像方法，包括：通过光谱压缩测量装置获取压缩光谱测量数据；利用全色相机装置获取高分辨全色图像；构造两路数据感知的前向测量算子，建立融合计算成像保真约束；结合全色图像非局部相似性，构造非局部高光谱图像块的4阶张量队列秩约束；建立自适应非局部低秩张量正则化模型；采取交替方向迭代算法计算获得高空间和光谱分辨率成像。本发明突破传统扫描成像方式，采取新型计算成像优化模型，不需要复杂的光谱成像器件，能够有效地学习空间、光谱和非局部模式的相关性，缓解高光谱成像的高空间分辨率和高光谱分辨率的矛盾，实现高信噪比、高光谱保真成像。
-
Patent Agency Ranking
公开(公告)号：CN111901532B
公开(公告)日：2020-12-25
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：CN111199521A
公开(公告)日：2020-05-26
申请号：CN201911262011.6
申请日：2019-12-10
Applicant: 南京理工大学
Abstract: 本发明公开了一种嵌入傅立叶聚合的视频去模糊三维卷积深度网络方法，该方法通过三维卷积深度网络，学习窗口内视频帧的时空特征，并将编码器-解码器卷积网络学习出的初始去模糊图像进行傅立叶变换，采用傅立叶聚合模块，进一步学习图像的傅立叶特征，通过三维卷积神经网络与傅立叶聚合模块的合成网络，训练深度网络，最终根据训练好的深度网络，生成去模糊视频。本发明依据三维卷积深度网络学习视频中的时空特征，避免了视频去模糊中复杂的配准过程，且无需运动矢量估计，并在网络中嵌入傅立叶聚合模块显著提升了去模糊效果，大幅降低了视频去模糊的处理时间，可广泛应用于手机拍摄、无人机拍摄、车载导航等多种类型的视频去模糊。
-
公开(公告)号：CN107292258A
公开(公告)日：2017-10-24
申请号：CN201710448927.5
申请日：2017-06-14
Applicant: 南京理工大学
Abstract: 本发明公开了一种基于双边加权调制与滤波的高光谱图像低秩表示聚类方法，包括以下步骤：计算高光谱图像的低秩表示系数；联合光谱与低秩表示系数的相似度，计算双边加权矩阵；采用双边加权矩阵调制低秩表示系数；对调制的低秩表示系数进行双边滤波；利用滤波后的低秩表示系数构建相似性图；将相似性图用于谱聚类得到最终的聚类结果。本发明充分利用了高光谱的光谱相似性和空间结构信息，与传统的子空间聚类方法相比，聚类精度高、对噪声的鲁棒性高；可广泛应用于国土资源、矿产调查和精准农业领域的无监督分类。
-
公开(公告)号：CN104299197B
公开(公告)日：2017-04-19
申请号：CN201410536573.6
申请日：2014-10-11
Applicant: 南京理工大学
Abstract: 本发明公开了一种利用2D CCA的单幅图像去雾方法，首先构造有雾图像训练集及对应的介质传播图训练集，利用2D CCA训练投影矩阵；其次将一幅待处理的雾天图像预处理分解为测试图像块，再用投影矩阵投影到一个子空间，求子空间测试图像块在有雾图像训练集中的K个最邻近块及块权重；然后利用K个最邻近块的标号和块权重，求介质传播图在子空间的投影；再将子空间介质传播图像块投影回原空间求出原空间介质传播图，精细化原空间介质传播图，获取待处理的雾天图像的整体大气光值，利用两色大气散射模型求取去雾后图像。本发明无需固定场景重复拍摄图像，训练集可重复使用，能准确估算出介质传播图，恢复出较清晰的图像。
-
公开(公告)号：CN103093436A
公开(公告)日：2013-05-08
申请号：CN201310033631.9
申请日：2013-01-29
Applicant: 南京理工大学
IPC: G06T5/00
Abstract: 本发明公开了一种利用图像局部结构方向导数的模糊核多尺度迭代估计方法，包括尺度间更新、尺度内迭代估计和尺度间迭代终止判断，由粗尺度到精细尺度迭代估计模糊核与复原图像，其中尺度内迭代估计包含如下步骤：当前尺度增强型方向梯度场的计算；当前尺度模糊核的快速估计；当前图像方向导数近似频谱的计算；当前尺度图像的快速复原。本发明利用了图像跳跃边缘的梯度信息，并且基于快速傅立叶变换技术，以较小的时间复杂度快速地估计模糊核，可用于对各种实际模糊图像进行盲去模糊。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.029 seconds)
