-
公开(公告)号：CN114529455A
公开(公告)日：2022-05-24
申请号：CN202210148649.2
申请日：2022-02-18
Applicant: 上海交通大学
Abstract: 本发明提供基于任务解耦的有参图像超分辨率方法，包括：生成输入图像的超分辨率，将输入图像通过深度卷积网络提取特征，生成缺乏细节纹理的高分辨率图像；提取参考图像的纹理，将输入的参考图像通过深度卷积网络提取特征，与高分辨率图像进行特征对齐，提取参考图像中的细节纹理信息；迁移纹理到输出图像，计算输入图像和参考图像的相似程度，将细节纹理信息依照相似程度迁移到高分辨率图像，生成带有高频纹理细节的高分辨率图像。本发明将有参超分解耦为两个任务，分别为输入图像的超分辨率任务和针对参考图像的纹理迁移任务，对输入图像以及参考图像分别进行处理，在消除无关参考图像负面影响的同时，可以对内容相关的参考图像利用更加充分。
-
公开(公告)号：CN113643302A
公开(公告)日：2021-11-12
申请号：CN202110826817.4
申请日：2021-07-21
Applicant: 上海交通大学
Abstract: 本发明提供一种基于主动轮廓模型的无监督医学图像分割方法和系统，该方法通过基于人工设置参数的主动轮廓模型生成部分数据的标注用于分割网络的预训练。在分割网络得到预训练后，针对大量不含有标注的新图像，使用分割网络进行预测，得到粗糙的预测结果，再按照设定策略对主动轮廓模型的参数进行自动调整，利用图像底层信息得到更加精确的目标区域轮廓。在经过质量评价网络对生成轮廓进行筛选后，使用较高质量的轮廓作为伪标签进一步对分割网络进行训练。不断循环迭代，实现不依赖人工标注的情况下对图像进行分割。本发明实现了无监督情况下的医学图像分割，在保证准确率的情况下极大地避免对成本高昂的数据标注依赖，具有很好的泛化性。
-
公开(公告)号：CN113628109A
公开(公告)日：2021-11-09
申请号：CN202110804781.X
申请日：2021-07-16
Applicant: 上海交通大学
Abstract: 本发明公开了一种基于可学习字典的人脸五官超分辨率方法和系统、介质，所述方法包括：根据高清五官图片所对应的低清五官图片构建可学习的字典，字典词条对应高清五官图片中的低频部分；根据高清五官图片和其对应的低清五官图片字典编码构建可学习的字典，字典词条对应高清五官图片中的高频部分；根据低清五官图片对应的低频字典编码自回归出其对应的高频字典编码；使用输入低清五官图片的低频字典编码和据此回归出的高频字典编码生成其对应的高清五官图片。所述系统包括与所述各步骤相对应的模块。本发明能够利用公开人脸数据集进行现实低清人脸图片的五官定向增强，达到良好的超分辨效果。
-
公开(公告)号：CN113628108A
公开(公告)日：2021-11-09
申请号：CN202110755689.9
申请日：2021-07-05
Applicant: 上海交通大学
Abstract: 本发明提供一种基于离散表示学习的图像超分辨率方法和系统、终端，所述方法包括：分别创建低分辨率以及高分辨率的离散字典；将低分辨率图像输入卷积神经网络得到提取的图像特征，并参照低分辨率离散字典，将图像特征转换为离散表示；将基于低分辨率字典的离散表示通过自回归网络，映射成基于高分辨率字典的离散表示；将离散表示参照高分辨率字典，转换为高分辨率图像特征，再通过卷积神经网络，进行反卷积的操作，生成输入低分辨率图像对应的高分辨率图像。本发明能够利用低清高清数据对来分别建立低分辨率以及高分辨率离散字典，将输入的低分辨率图像通过这两个字典变为对应的高分辨率图像，提升图像的清晰度。
-
公开(公告)号：CN113628107A
公开(公告)日：2021-11-09
申请号：CN202110749972.0
申请日：2021-07-02
Applicant: 上海交通大学
Abstract: 本发明公开了一种人脸超分辨率方法及系统，包括：对输入的人脸属性标签信息，使用全连接网络与激活层进行特征优化，获得属性语义特征；对输入的低分辨率图像信息，使用卷积神经网络提取视觉特征；对属性语义特征与视觉特征使用特征融合网络进行特征融合，并在训练时与教师特征通过属性法向量约束，从而保持融合特征与教师特征属性一致；使用图像恢复网络将融合特征映射为输出图像，由于图像恢复网络经过预训练，它生成的图像具有逼真的细节。通过本发明，生成的人脸高清图像具有属性保持与细节。
-
Patent Agency Ranking
公开(公告)号：CN113239924A
公开(公告)日：2021-08-10
申请号：CN202110556712.1
申请日：2021-05-21
Applicant: 上海交通大学
Abstract: 本发明公开了一种基于迁移学习的弱监督目标检测方法及系统，该方法包括：对输入的强监督及弱监督的图像，使用深度卷积神经网络提取图像的特征，利用区域建议网络提取图像中的候选框，得到不同候选区域的视觉特征；对强监督及弱监督数据集中的类别文本进行特征提取，建立语义图，并利用图卷积网络进行优化，得到所有类别文本的语义特征；使用双监督的平均教师网络结构，包括：强监督分类及边界回归学生网络、弱监督多示例学习学生网络以及分类及边界回归教师网络，利用视觉特征以及优化后的语义特征，聚合强监督及弱监督数据集中的边界框信息和分类信息，从而对候选框进行边界框的回归和分类。通过本发明，提升了弱监督目标检测的效果。
-
公开(公告)号：CN112381098A
公开(公告)日：2021-02-19
申请号：CN202011297406.2
申请日：2020-11-19
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于目标分割领域自学习的半监督学习方法，利用训练数据集中具有标记的数据训练初始分割网络；通过训练后的初始分割网络，将训练数据集中未标记的数据生成伪标签；对生成的伪标签进行形状质量评估和语义质量评估；将形状质量和语义质量进行融合，得出伪标签质量；对真实标签和伪标签的分布进行估计，优化伪标签的分布；将伪标签质量较高的数据加入到训练数据集中扩大训练数据集；利用扩大后的训练数据集优化训练后的初始分割网络；迭代重复以上步骤，直至分割网络性能饱和。同时提供了一种相应的系统、终端及介质。本发明解决了目标分割领域在少量样本标注条件下的分割精度低的问题，实现了良好的性能。
-
公开(公告)号：CN108989751B
公开(公告)日：2020-07-14
申请号：CN201810784634.9
申请日：2018-07-17
Applicant: 上海交通大学
Abstract: 本发明公开了一种基于光流的视频拼接方法，包括：步骤S1：左右帧图像的读取及预处理；步骤S2：计算左右帧图像的对应公共区域，并对公共区域做密集光流估计；步骤S3：将公共区域的密集光流聚类成三类；步骤S4：对非公共区域进行光流的延伸估计，并将非基准帧按照光流投影到基准帧上构成初步全景图；步骤S5：初步全景图中遮蔽区域的检测与校正；步骤S6：回到步骤S1，读取下一对左右帧图像。本发明所述方法针对相机方向固定的同步监控视频，通过上述步骤能够准确地找到左右帧图像公共区域间的对应关系，得到效果良好的全景视频，很大程度地弱化了对运动物体造成的模糊和扭曲效果。
-
公开(公告)号：CN106210767B
公开(公告)日：2020-01-07
申请号：CN201610656968.9
申请日：2016-08-11
Applicant: 上海交通大学
IPC: H04N21/234 , H04N21/2343 , H04N21/44 , H04N21/4402
Abstract: 本发明公开一种智能提升运动流畅性的视频帧率上变换方法及系统，所述方法包括以下步骤：步骤一，对连续的两帧原始视频图像进行预分析；步骤二，对两帧图像进行运动估计；步骤三，在两帧原始图像之间，根据估计的运动信息计算出新的内插帧；步骤四，对内插帧图像进行空洞填补、块效应滤波、图像质量评价等后处理；步骤五，综合前面四个步骤的信息判断是否用重复帧替代内插帧。在此方法基础上，提出一种智能的提升运动流畅性的视频帧率上变换系统，通过帧率上变换各个处理模块的流水控制，实现各模块信息的高复用和高并行。本发明能够在源端实现高质量的视频帧率提升，智能地提升视频运动流畅性。
-
公开(公告)号：CN106210449B
公开(公告)日：2020-01-07
申请号：CN201610657029.6
申请日：2016-08-11
Applicant: 上海交通大学
IPC: H04N5/14
Abstract: 本发明公开一种多信息融合的帧率上变换运动估计方法及系统，方法步骤为：读取前后两帧图像，分别对其进行降采样，对降采样的图像进行基于光流法的运动估计，对原始图像进行块匹配的运动估计，提取前后两帧图像的SIFT特征，计算特征向量并进行特征匹配，得到特征匹配的运动矢量，对块匹配运动矢量、特征匹配运动矢量和光流法运动矢量进行融合，运动矢量的传递。本发明相对比传统基于块匹配的运动估计算法，精度提升明显。针对一般的光流估计算法，在小物体运动矢量以及运动边界矢量保持上具有更好的性能。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.058 seconds)
