-
公开(公告)号：CN110909594A
公开(公告)日：2020-03-24
申请号：CN201910968451.7
申请日：2019-10-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度融合的视频显著性检测方法，本发明方法包括深度特征提取网络、深度特征融合网络和显著性预测网络。模型的输入是当前帧图像和光流图像。首先，深度特征提取网络提取多级深度特征，产生深度空间特征和深度时间特征。然后，采用注意力模块分别强化学习两个分支中每级产生的深度特征，深度特征融合网络分级方式融合多级深度特征。将融合得到的深度特征与边界信息相结合并显著性预测网络进行预测，产生当前帧的最终显著性图。本发明方法提供的网络模型可以充分有效地利用空间信息和时间信息来实现对视频中显著性目标的预测。
-
公开(公告)号：CN110598537A
公开(公告)日：2019-12-20
申请号：CN201910710059.2
申请日：2019-08-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度卷积网络的视频显著性检测方法。本发明步骤：1：以视频的当前帧及其对应的光流图像作为特征提取网络的输入；2：将当前帧和对应的光流图像串接后得到的张量作为深度卷积网络输入提取特征；3：设计特征集成网络用于融合特征图，并得到对视频显著性检测的粗略估计；同时为了获得蕴含在特征图中卷积信息的补充性信息，特征集成网络引入原始信息，包括当前帧和对应的光流图像；4：模型中引入轮廓提取网络进行空域细化，轮廓提取网络采用线下训练方式，并用于检测物体的边缘轮廓。本发明为特征集成提供了丰富的辅助信息。进一步提升显著性图质量，使生成的显著性图能够以明晰的边界完整地凸显视频序列中的显著性区域。
-
公开(公告)号：CN119559395A
公开(公告)日：2025-03-04
申请号：CN202411641840.6
申请日：2024-11-18
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
IPC: G06V10/26 , G06V10/774 , G06V10/40 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/047 , G06N3/09 , G06N3/084
Abstract: 本发明涉及多尺度自适应原型网络的带钢表面缺陷少样本分割方法，通过使用一种多尺度自适应原型变压器网络，并将其嵌入到带钢表面缺陷分割的框架中，以提高特征表示能力。该网络包括特征提取模块、自适应原型变压器模块和多尺度特征融合解码器，通过自适应原型生成和多尺度特征融合，能够更准确地捕捉缺陷的空间位置和特征表达。特别是，通过自适应原型变压器模块生成的自适应原型能够在复杂多变的缺陷场景中更好地匹配查询图像的特征，从而增强分割的精度。
-
公开(公告)号：CN119559394A
公开(公告)日：2025-03-04
申请号：CN202411629927.1
申请日：2024-11-15
Applicant: 杭州电子科技大学
IPC: G06V10/26 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/0455 , G06N3/047
Abstract: 本发明涉及一种面向多模态少样本语义分割的跨尺度特征匹配方法结合不同模态特点，实现有选择性的跨模态特征融合；利用提出的像素‑图像块互注意力匹配模块(pixel‑to‑patch cross attention，PTPCA)，实现不同尺度的支持查询对象特征匹配，进而对无标签的新类图像做出准确的像素级分割。
-
公开(公告)号：CN118865173A
公开(公告)日：2024-10-29
申请号：CN202410919265.5
申请日：2024-07-10
Applicant: 杭州电子科技大学
IPC: G06V20/17 , G06V10/25 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种面向无人机未配准RGB‑T图像的显著目标检测方法，该方法首先获取场景的RGB模态和热红外模态数据，并进行预处理。其次通过骨干网络分别提取RGB模态和热红外模态的n级不同尺度特征，进行模态特征增强。然后将模态特征增强后的RGB模态特征和热红外模态特，进行跨模态特征融合。最后将融合后的特征，进行目标搜索解码，得到显著性检测结果，并以端到端的方式联合训练。本发明能够帮助网络更好地关注重要的特征信息，提高网络在处理图像任务中的性能和准确性。
-
Patent Agency Ranking
公开(公告)号：CN118822875A
公开(公告)日：2024-10-22
申请号：CN202411028794.2
申请日：2024-07-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的水下图像增强方法，该方法首先获取水下图片数据并进行预处理，将所有的图片调整到统一大小再进行增强，得到输入图片。其次将输入图片同时输入一个初级特征提取网络和次级特征提取网络，两个网络的输出相加得到背景散射特征图。然后输入图像与背景散射特征图相加作为输入特征图，基于扩张卷积，提取得到直接传输特征图。最后基于输入图像、背景散射特征图和直接传输特征图，通过物理模型合成模块进行合成，得到增强图像。本发明所使用的参数数量较少，减轻了计算负担，能够提升面对复杂低质量水下图像时候的增强效果，准确完成水下图像增强。
-
公开(公告)号：CN118264758A
公开(公告)日：2024-06-28
申请号：CN202410332494.7
申请日：2024-03-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于真实信道的多级人脸隐私保护方法，包括如下步骤：(1.1)原始图像预处理；(1.2)区域选择；(1.3)DCT系数加密；(1.4)置乱密钥生成；(1.5)DCT系数置乱；(1.6)置乱密钥嵌入；(2.1)获取原始图像与信道后处理图像的图像质量因子与量化表。(2.2)利用原始图像与压缩图像的量化表不同，对步骤(1)得到的保护图像的DCT系数进行处理，得到中间图像。(3.1)中间图像预处理；(3.2)置乱密钥提取；(3.3)辅助信息提取；(3.4)DCT系数逆置乱；(3.5)DCT系数重建(3.6)图像修复：利用滤波器筛选需要修复的点并使用图像修复算法修复噪点，得到修复后的重建图像。该方法通过实现多层隐私保护并在信道重新压缩后可逆重建。
-
公开(公告)号：CN118072217A
公开(公告)日：2024-05-24
申请号：CN202410178441.4
申请日：2024-02-09
Applicant: 杭州电子科技大学
IPC: G06V20/40 , G06V10/82 , G06V10/40 , G06V10/46 , G06V10/62 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明公开了一种模仿人类注意力机制的视频显著性预测方法，该方法首先从每个视频中随机抽取连续n帧的视频序列，作为输入训练集。其次构建基于模仿人类注意力机制的视频显著性预测模型，所述模型包括编码器模块、多级特征集成部分、层级特征增强部分和输出模块。最后将获取的训练集视频序列输入到视频显著性预测模型进行训练，得到预测结果。本发明具有更好的预测效果能更好的预测到视频中最显著的区域。
-
公开(公告)号：CN117809198A
公开(公告)日：2024-04-02
申请号：CN202410025432.1
申请日：2024-01-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于多尺度特征聚合网络的遥感图像显著性检测方法。首先进行数据集的收集和扩增；然后通过主干网络进行特征提取；再采用多尺度特征引导模块，使用不同膨胀率的膨胀卷积和特征注意力引导操作，同时融合主干网络分支的不同尺度的特征信息；对于得到的两个分支的特征通过特征对齐模块使用可变形卷积DCN来进行特征对齐聚合；最后解码最终特征生成预测图并进行损失监督。本发明提出了一种双分支架构网络来聚合两主干网络的特征，通过多尺度特征引导模块将来自不同分支的多尺度特征进行融合，更好地建模特征之间的上下文关系，增强了模型对不同尺度目标的感知能力，提高了对目标的识别和定位精度。
-
公开(公告)号：CN115294359B
公开(公告)日：2023-10-10
申请号：CN202210990986.6
申请日：2022-08-17
Applicant: 杭州电子科技大学 , 中电数据服务有限公司
Abstract: 本发明涉及一种基于深度学习的高分辨率图像显著性目标检测方法，包括步骤一、低分辨率分支的特征提取；步骤二、中分辨率分支的特征提取；步骤三、高分辨率分支的特征提取；步骤四、多分辨率特征的融合；步骤五、残差解码网络得到预测图；步骤六、级联标签监督并进行端到端训练。本发明提供的网络模型是并行网络，可以在充分有效地利用语义信息和细节信息来实现对高分辨率图像中显著性目标的预测的同时，在网络中保持高分辨率。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.03 seconds)
