-
公开(公告)号：CN111687886A
公开(公告)日：2020-09-22
申请号：CN202010597291.2
申请日：2020-06-28
申请人： 上海道简机电科技有限公司 , 上海宝信软件股份有限公司 , 上海大学
摘要： 本发明属于计算机视觉和仿生机器人领域，涉及一种高精度仿生眼装置，具体涉及一种基于磁悬浮驱动的3-DOF仿生眼运动装置及其运动方法。本发明基于磁悬浮驱动的3-DOF仿生眼运动装置包括仿生眼球和驱动仿生眼球转动的三自由度球面并联机构，仿生眼球上固定有摄像装置；三自由度球面并联机构通过磁悬浮驱动仿生眼球转动。本发明采用磁悬浮驱动仿生眼球转动的方式，相对于现有的机械连杆传动方式，机械结构更为简单，且传动精度更高、噪音更小。
-
公开(公告)号：CN114022381B
公开(公告)日：2024-08-02
申请号：CN202111299885.6
申请日：2021-11-04
申请人： 上海大学
IPC分类号： G06N3/08 , G06N3/084 , G06T5/77 , G06T5/60 , G06T5/50 , G06N3/0464 , G06N3/0455
摘要： 本发明属于图像修复技术领域，公开了一种双目图像自修复网络模型的训练方法，步骤为：S1：获取样本图像集，样本图像集中包括多对双目图像，每对双目图像包括一个左视角图像和一个右视角图像，左视角图像或右视角图像为损坏图像，保留损坏图像的原始未损坏图像作为该损坏图像的真值；将样本图像集按比例随机划分为训练集和测试集；S2：采用训练集对预先构建的双目图像自修复网络模型进行训练，更新双目图像自修复网络模型，得到训练后的双目图像自修复网络模型；S3：采用测试集对训练后双目图像自修复网络模型进行测试，从训练后的双目图像自修复网络模型中选出最优双目图像自修复网络模型。本发明的模型具有高效、实时、清晰、修复精度高等优点，修复得到的修复图像真实、自然。
-
公开(公告)号：CN108600756B
公开(公告)日：2019-10-29
申请号：CN201810424004.0
申请日：2018-05-04
申请人： 上海大学
IPC分类号： H04N19/147 , H04N19/14 , H04N19/196
摘要： 本发明提供一种基于蒙特卡洛法马尔可夫链的编码参数自适应调整方法，进行编码参数初步评测，分析编码参数对性能和编码时间的影响，筛选出与编码性能和编码时间密切相关的编码参数。根据编码参数对编码时间和编码性能的影响，将参数分类。在给定的编码复杂度的范围下，在各种参数组合的配置之间随机选择并进行编码，当满足一定临界条件下则进行状态跳转，选择更优的参数组合替换当前的参数组合。本发明在不遍历全部编码参数组合的前提下，获取接近最优的编码参数配置。适用于编码器级别参数调整的优化，使用低复杂度配置的编码参数获取高复杂度编码参数的编码性能，或者在同一编码复杂度情况下获取更优的编码性能。
-
公开(公告)号：CN108600756A
公开(公告)日：2018-09-28
申请号：CN201810424004.0
申请日：2018-05-04
申请人： 上海大学
IPC分类号： H04N19/147 , H04N19/14 , H04N19/196
摘要： 本发明提供一种基于蒙特卡洛法马尔可夫链的编码参数自适应调整方法，进行编码参数初步评测，分析编码参数对性能和编码时间的影响，筛选出与编码性能和编码时间密切相关的编码参数。根据编码参数对编码时间和编码性能的影响，将参数分类。在给定的编码复杂度的范围下，在各种参数组合的配置之间随机选择并进行编码，当满足一定临界条件下则进行状态跳转，选择更优的参数组合替换当前的参数组合。本发明在不遍历全部编码参数组合的前提下，获取接近最优的编码参数配置。适用于编码器级别参数调整的优化，使用低复杂度配置的编码参数获取高复杂度编码参数的编码性能，或者在同一编码复杂度情况下获取更优的编码性能。
-
公开(公告)号：CN113160085B
公开(公告)日：2022-10-04
申请号：CN202110437768.5
申请日：2021-04-22
摘要： 本发明属于图像修复领域，涉及一种基于生成对抗网络的水花遮挡图像数据集采集方法，步骤为：S1:采集m个场景中每个场景的左视角图像、中间视角图像、右视角图像，得到了m组三视角图像，记为数据集Y；用于采集中间视角图像的相机镜头上分布有水滴，采集的中间视角图像为有水花遮挡图像；S2:将数据集Y中随机一组三视角图像的左视角图像和右视角图像输入训练好的生成对抗网络模型的生成器中进行预测，得到中间视角恢复图像；将中间视角恢复图像与对应的有水花遮挡的中间视角图像组合，形成一对水花遮挡图像数据；S3:按照步骤S2操作对数据集Y中剩下(m‑1)组图像处理，得到(m‑1)对水花遮挡图像数据；S4:将步骤S2得到的一对水花遮挡图像数据与步骤S3得到的(m‑1)对水花遮挡图像数据进行合并，得到水花遮挡图像数据集。
-
公开(公告)号：CN114677314A
公开(公告)日：2022-06-28
申请号：CN202210350860.2
申请日：2022-04-02
申请人： 上海大学
IPC分类号： G06T5/50 , G06T5/00 , G06T3/60 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/74 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明属于图像修复处理技术领域，公开了一种基于多尺度特征对齐及精化网络的双目图像修复网络模型的训练方法，步骤为：获取样本图像集，样本图像集中包括多对双目图像，每对双目图像包括一个左视角图像和一个右视角图像，左视角图像或右视角图像为损坏图像，保留损坏图像的原始未损坏图像作为该损坏图像的真值，将样本图像集按比例随机划分为训练集和测试集；采用训练集对预先构建的双目图像修复网络模型进行训练，更新双目图像修复网络模型，得到训练后的双目图像修复网络模型；采用测试集对训练后双目图像修复网络模型进行测试，从中选出最优双目图像修复网络模型。本发明的模型能够高效修复出高精度的图像，使修复图像更加真实、自然。
-
公开(公告)号：CN109636830A
公开(公告)日：2019-04-16
申请号：CN201811464502.4
申请日：2018-11-30
申请人： 上海大学
CPC分类号： G06T7/246 , G06T7/194 , G06T7/215 , G06T7/269 , G06T2207/10016 , G06T2207/20081
摘要： 本发明提供了一种基于对率回归分类器的HEVC压缩域视频运动分割方法及系统。该方法包括：对HEVC压缩码流信息中的预测单元的预测模式进行数值化；对运动矢量、残差变换系数等压缩域特征滤波，去除孤立噪声并填补空洞；对镜头运动造成的全局运动进行检测并去除；对预处理之后的特征进行归一化；对归一化之后的压缩域特征，采用基于对率回归的分类算法进行前景与背景的分割。同时提供了一种基于对率回归分类器的HEVC压缩域视频运动分割系统。本发明所提供的方法及系统，针对含有镜头抖动的监控视频，能够快速准确的分割出运动物体轮廓，速度是先进的像素域运动分割方法的16.78倍，同时检测性能几乎相同。
-
公开(公告)号：CN113160085A
公开(公告)日：2021-07-23
申请号：CN202110437768.5
申请日：2021-04-22
摘要： 本发明属于图像修复领域，涉及一种基于生成对抗网络的水花遮挡图像数据集采集方法，步骤为：S1:采集m个场景中每个场景的左视角图像、中间视角图像、右视角图像，得到了m组三视角图像，记为数据集Y；用于采集中间视角图像的相机镜头上分布有水滴，采集的中间视角图像为有水花遮挡图像；S2:将数据集Y中随机一组三视角图像的左视角图像和右视角图像输入训练好的生成对抗网络模型的生成器中进行预测，得到中间视角恢复图像；将中间视角恢复图像与对应的有水花遮挡的中间视角图像组合，形成一对水花遮挡图像数据；S3:按照步骤S2操作对数据集Y中剩下(m‑1)组图像处理，得到(m‑1)对水花遮挡图像数据；S4:将步骤S2得到的一对水花遮挡图像数据与步骤S3得到的(m‑1)对水花遮挡图像数据进行合并，得到水花遮挡图像数据集。
-
公开(公告)号：CN111967376A
公开(公告)日：2020-11-20
申请号：CN202010820827.2
申请日：2020-08-14
申请人： 上海大学
摘要： 本发明属于计算机视觉技术领域，具体涉及一种基于神经网络的位姿识别与检测方法，包括两方面的内容：一方面为位姿识别网络模型建立；另一方面为利用该网络模型对坐姿进行识别检测及矫正提示的方法。位姿识别网络模型的建立包括如下步骤：（1）获取坐姿正负样本图像；（2）对所述坐姿正负样本图像进行分类标签标记；（3）将所述坐姿正负样本图像与相应的分类标签融合，得到融合后的训练样本图像；（4）将训练样本图像输入分类网络进行训练，得到位姿识别网络模型。本发明通过对坐姿进行分类统计，基于ResNet-50网络建立位姿识别网络模型，利用该网络模型对坐姿进行识别，具有识别速度快、准确度高的优点，准确率能达到85%以上，且成本低、操作简单。
-
公开(公告)号：CN114677314B
公开(公告)日：2024-08-06
申请号：CN202210350860.2
申请日：2022-04-02
申请人： 上海大学
IPC分类号： G06T5/50 , G06T5/73 , G06T5/60 , G06T3/608 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/74 , G06V10/82 , G06N3/0464 , G06N3/0499 , G06N3/084 , G06N3/045
摘要： 本发明属于图像修复处理技术领域，公开了一种基于多尺度特征对齐及精化网络的双目图像修复网络模型的训练方法，步骤为：获取样本图像集，样本图像集中包括多对双目图像，每对双目图像包括一个左视角图像和一个右视角图像，左视角图像或右视角图像为损坏图像，保留损坏图像的原始未损坏图像作为该损坏图像的真值，将样本图像集按比例随机划分为训练集和测试集；采用训练集对预先构建的双目图像修复网络模型进行训练，更新双目图像修复网络模型，得到训练后的双目图像修复网络模型；采用测试集对训练后双目图像修复网络模型进行测试，从中选出最优双目图像修复网络模型。本发明的模型能够高效修复出高精度的图像，使修复图像更加真实、自然。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.067 秒)
