-
公开(公告)号：CN112348033B
公开(公告)日：2024-01-26
申请号：CN202011100360.0
申请日：2020-10-15
Applicant: 北京交通大学
IPC: G06V10/774 , G06V10/46 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种协同显著性目标检测方法，具体包括如下步骤：给定一个包含N幅相关图像的图像组；步骤2：使用共享的骨干特征提取器来获取深层特征；步骤3：通过在线的图内显著性引导模块生成图内显著性特征；步骤4：采用集成‑分发结构聚合群组语义特征并自适应地将其分配给不同的个体，以实现协同显著性特征学习；步骤5：将低分辨率的协同显著性特征送入群组一致性保持解码器和协同显著性预测头部件来一致性地突出协同显著性目标并生成全分辨率的协同显著性图。通过本发明提供方法能够生成更加准确、完整的协同显著性图，且能够有效抑制无关干扰的影响，图间一致性保持好。
-
公开(公告)号：CN112347859A
公开(公告)日：2021-02-09
申请号：CN202011100396.9
申请日：2020-10-15
Applicant: 北京交通大学
Abstract: 本发明涉及一种光学遥感图像显著性目标检测方法，步骤包括：步骤S1、建立稠密注意力流网络，所述稠密注意力流网络包括注意力流引导的特征编码模块和渐进式特征解码模块；步骤S2、导入光学遥感图像；步骤S3、采用注意力流引导的特征编码模块对光学遥感图像进行处理，生成更具判别力的增强特征，注意力流引导的特征编码模块主要包括全局上下文感知注意力模块和稠密注意力流结构，步骤S4、采用渐进式特征解码模块对步骤S3的增强特征进行解码，在特征解码阶段，将深层特征与浅层特征逐步融合，并在显著性图和显著性边缘图的监督下，生成多个侧输出和最终输出。
-
公开(公告)号：CN115115511B
公开(公告)日：2025-04-18
申请号：CN202210640004.0
申请日：2022-06-08
Applicant: 北京交通大学
IPC: G06F17/40
Abstract: 本发明涉及一种彩色引导的深度图超分辨率重建方法，方法包括以下步骤：1、通过特征提取模块从LR深度图和HR彩色图提取多层次的彩色特征和深度特征；2、在基于注意力的特征投影模块、低层细节嵌入模块和高层语义引导模块的协同下，实现彩色引导的深度特征学习和细节恢复；最终得到精度准确、细节丰富的超分辨率重建深度图。本发明从低层和高层特征两方面实现了彩色信息对深度超分辨率的分治引导，抑制无价值冗余，提高重建性能。实例表明，本发明的方法在许多具有挑战性的场景中实现了出色的视觉效果，在物体边界以及微小物体的细节处都有较高的准确性。
-
公开(公告)号：CN113763422A
公开(公告)日：2021-12-07
申请号：CN202110872457.1
申请日：2021-07-30
Applicant: 北京交通大学
Abstract: 本发明属于图像目标检测技术领域，涉及一种RGB‑D图像显著性目标检测方法，包括：将深度图和RGB图像分别输入深度模态编码器和RGB图像编码器；深度模态编码器提供深度模态，RGB图像编码器提供RGB模态；在低层级特征编码阶段，RGB诱导细节增强模块通过将RGB模态的细节补充信息从RGB模态传输到深度模态，实现深度特征增强；在高层级特征编码阶段，深度诱导语义增强模块进行跨模态特征融合；通过密集解码重建结构生成预测的显著性图像。本发明提出一种新跨模态交互模式和跨模态差异交互网络，模拟两种模态的依赖性，并设计组件实现差异化跨模态引导，提出DDR结构，利用多个高层级特征更新跳连接生成语义块。
-
公开(公告)号：CN111583173A
公开(公告)日：2020-08-25
申请号：CN202010199264.X
申请日：2020-03-20
Applicant: 北京交通大学
Abstract: 本发明涉及一种RGB-D图像显著性目标检测方法，包括如下步骤：1、从VGG主干网络中提取自顶向下的RGB-D特征，然后将RGB-D特征送入跟每个层级相对应的跨模态调制与选择单元；2、通过跨模态特征调制模块对多级RGB-D特征进行调制；3、通过自适应特征选择模块得到与显著性相关的特征；通过显著显著性边缘预测部分生成显著性边缘图；4、求得修正特征；5、利用修正特征通过显著性图预测部分进行显著性图预测，并以第1层级输出的显著性图作为网络的最终输出显著性结果。本发明能够充分挖掘跨模态数据之间的互补信息，获得更具判别力的特征表达，生成更加完整、准确、边缘清晰的显著性图，且具有较强的背景抑制能力。
-
Patent Agency Ranking
公开(公告)号：CN111242238A
公开(公告)日：2020-06-05
申请号：CN202010070635.4
申请日：2020-01-21
Applicant: 北京交通大学
IPC: G06K9/62
Abstract: 本发明提供一种RGB-D图像显著性目标获取的方法，提出一种交织融合网络，用于相互指导RGB-D特征的联合提取，并通过网络浅层和深层结构密集地整合跨模态的互补信息，这样能自动且充分地抓取潜在的有用信息，并减少由于跨模态数据的不一致性引起的干扰。与单独提取RGB-D特征后将其整合方式相比，RGB-D特征的交互引导有利于促进跨模态信息的互补性融合，缓解不同模态中的不一致问题；还可以降低因为成像环境或设备引起的低质深度图带来的负面影响。通过在损失函数构造时引入对抗损失项，为RGB-D显著性目标检测提供全局语义约束，使检测结果不仅关注像素级显著性属性，还能捕获对象级的全局语义特征，生成具有完整结构、清晰边界的显著性图。
-
公开(公告)号：CN115620101A
公开(公告)日：2023-01-17
申请号：CN202211081469.3
申请日：2022-09-06
Applicant: 北京交通大学
IPC: G06V10/80 , G06V10/82 , G06V10/30 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于混合标签的弱监督显著性检测方法及训练策略。本发明提出了一个两阶段的网络来分别对粗糙标签进行修正以及对RGB图像中显著性物体的检测框架及方法：在修正网络中，设计了带有引导和聚合机制的混合器模块，在不同阶段对特征进行聚合和修正；此外提出了一个特殊的迭代训练策略，实现对准确标签的充分利用。本发明所述的测试框架与方法在多个公开基准数据集上均达到了具有竞争力的性能。在多目标、复杂背景、低对比度等条件下，本发明均能在粗糙标签的加持下有比较好的预测结果。
-
公开(公告)号：CN115115511A
公开(公告)日：2022-09-27
申请号：CN202210640004.0
申请日：2022-06-08
Applicant: 北京交通大学
Abstract: 本发明涉及一种彩色引导的深度图超分辨率重建方法，方法包括以下步骤：1、通过特征提取模块从LR深度图和HR彩色图提取多层次的彩色特征和深度特征；2、在基于注意力的特征投影模块、低层细节嵌入模块和高层语义引导模块的协同下，实现彩色引导的深度特征学习和细节恢复；最终得到精度准确、细节丰富的超分辨率重建深度图。本发明从低层和高层特征两方面实现了彩色信息对深度超分辨率的分治引导，抑制无价值冗余，提高重建性能。实例表明，本发明的方法在许多具有挑战性的场景中实现了出色的视觉效果，在物体边界以及微小物体的细节处都有较高的准确性。
-
公开(公告)号：CN114881849A
公开(公告)日：2022-08-09
申请号：CN202110803976.2
申请日：2021-07-16
Applicant: 北京交通大学
Abstract: 本发明属于图像处理技术领域，涉及一种联合单目深度估计的深度图像超分辨率重建方法，包括：S1、将低分辨率深度图像输入深度图像超分辨率重建子网络，将相应于低分辨率深度图像的高分辨率彩色图像输入单目深度估计子网络；S2、对深度图像超分辨率重建子网络和单目深度估计子网络同时训练；S3、深度图像超分辨率重建子网络输出高分辨率重建深度图像，单目深度估计子网络输出高分辨率估计深度图像。本申请从单目深度估计子网络中选择高频信息引导深度图像超分辨率重建子网络，通过抑制冗余避免纹理复制。在不引入其他监督信息的情况下，本发明的方法在多个公开基准数据集上均达到具有竞争力的性能，能够准确恢复出深度图像的细节。
-
公开(公告)号：CN112347859B
公开(公告)日：2024-05-24
申请号：CN202011100396.9
申请日：2020-10-15
Applicant: 北京交通大学
Abstract: 本发明涉及一种光学遥感图像显著性目标检测方法，步骤包括：步骤S1、建立稠密注意力流网络，所述稠密注意力流网络包括注意力流引导的特征编码模块和渐进式特征解码模块；步骤S2、导入光学遥感图像；步骤S3、采用注意力流引导的特征编码模块对光学遥感图像进行处理，生成更具判别力的增强特征，注意力流引导的特征编码模块主要包括全局上下文感知注意力模块和稠密注意力流结构，步骤S4、采用渐进式特征解码模块对步骤S3的增强特征进行解码，在特征解码阶段，将深层特征与浅层特征逐步融合，并在显著性图和显著性边缘图的监督下，生成多个侧输出和最终输出。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.018 seconds)
