-
公开(公告)号：CN119579985A
公开(公告)日：2025-03-07
申请号：CN202411675524.0
申请日：2024-11-21
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/26 , G06V10/40 , G06V10/75 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/082 , G06N3/088
Abstract: 一种基于匹配式分层迁移网络的图像分类方法属于计算机视觉中的图像分类领域。首先，本发明先创建了利用预训练分类模型的中间层特征构建局部结构检测器，以此匹配全局和局部两类图像。其次，基于上述匹配结果，构建分层特征迁移策略分别建立浅层和通用特征迁移网络。对于一般特征来说，本发明直接进行参数共享。对于深度特异特征，构造域鉴别器并使用对抗损失和分类损失的组合来引导深度网络学习域不变特征。通过图像匹配和分层迁移的相互作用，有效提升迁移学习的性能，为图像分类任务提供了强有力的支持。
-
公开(公告)号：CN119006860A
公开(公告)日：2024-11-22
申请号：CN202410984986.4
申请日：2024-07-22
Applicant: 北京工业大学
Abstract: 一种基于局部‑整体视角的模板匹配方法属于计算机视觉领域。本发明通过形状上下文描述子和形状度量描述子分别计算模板和目标物体的局部和整体相似度，结合局部和整体视角的信息完成模板匹配。本发明首先需要构建模板库，之后进行模板匹配，匹配过程包括以下步骤：轮廓提取、轮廓特征描述以及特征匹配。首先从原始图片中提取目标轮廓，之后轮廓的局部和整体特征将用的两个特征描述子(形状上下文特征、形状度量特征)代表。最后根据特征描述子将目标轮廓与我们构建的模板库中的花粉模板相匹配，形成目标轮廓与模板间的对应关系，筛选强对应关系的目标轮廓区域作为匹配结果。本发明通过两个特征描述子，并通过细节和整体角度提高匹配准确度。
-
公开(公告)号：CN113327221B
公开(公告)日：2024-07-16
申请号：CN202110735504.8
申请日：2021-06-30
Applicant: 北京工业大学
IPC: G06T5/50 , G06T3/147 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0464 , G06T5/60 , G16H30/20
Abstract: 本发明涉及一种融合ROI区域的图像合成方法、装置、电子设备及介质，该方法包括获取具有对应类别信息的有病和无病原始图像；使用弱监督定位网络获取有病原始图像的感兴趣区域，得到有病掩膜图像；通过相似度计算获取与无病原始图像对应的相似有病图像，得到无病掩膜图像；分别使用有病和无病掩膜图像对有病和无病原始图像进行遮挡，得到被掩膜遮挡的图像；设计基于条件生成对抗性网络模型，并使用有病和无病掩膜图像、被掩膜遮挡的图像以及对应类别信息对该网络模型进行训练，从而得到合成医疗图像。本发明通过获取医疗图像中的感兴趣区域以及使用基于条件生成对抗性网络模型，能够高效合成指定种类的医疗图像，提高图像质量。
-
公开(公告)号：CN116109679A
公开(公告)日：2023-05-12
申请号：CN202310145447.7
申请日：2023-02-21
Applicant: 北京工业大学
IPC: G06T7/269 , G06N3/08 , G06N3/0464 , G06N3/048
Abstract: 一种基于PWC原则的深度学习光流估计方法涉及计算机处理技术领域。本发明利用全序列图像前后切片之间的变化特性，先生成光流图；给定两个输入图像，特征金字塔提取模块使用共享参数的卷积神经网络分别提取他们的特征表示金字塔。随后将生成的特征表示进行变形操作，接着直接计算两个特征所有像素之间的相关性。然后将特征的相关性结果、第一张图像的特征和上采样得到的粗糙光流拼接在一起作为输入，输出为当前层的光流。再将光流估计结果和光流估计网络中倒数第二层的特征输入修正网络后，上采样值原始尺寸即可得到最终光流。本发明获取高精度的估计效果，实现模型尺寸与计算精度之间的平衡。
-
公开(公告)号：CN115511814A
公开(公告)日：2022-12-23
申请号：CN202211139826.7
申请日：2022-09-20
Applicant: 北京工业大学
Abstract: 一种基于兴趣区域多纹理特征融合的图像质量评价方法属于计算机视觉领域。本发明有针对性的关注局部花粉颗粒的纹理信息作为整张图像的质量分数。该模型的流程模块包括图像预处理模块、局部花粉颗粒提取模块、多纹理特征量化指标提取模块和质量评价最终得分模块。结果显示，我们提出的流程和解决方案关注局部花粉颗粒感兴趣区域的效果，可以更好感知花粉数据的质量。
-
Patent Agency Ranking
公开(公告)号：CN113723470A
公开(公告)日：2021-11-30
申请号：CN202110908383.2
申请日：2021-08-09
Applicant: 北京工业大学
Abstract: 本发明提供一种融合多层信息的花粉图像合成方法、装置及电子设备，该方法包括：获取通过扫描同一花粉内容得到的与焦平面对应的多层花粉图像；计算多层花粉图像各自的真实感知分数，将多层花粉图像分为多对图像，在每对图像中进行真实感知分数大小的对比，并将对比结果作为标签；将每对图像和标签输入孪生神经网络进行处理，得到多层花粉图像的质量分数排序信息；将多层花粉图像及其质量分数排序信息输入条件生成对抗网络进行处理，得到合成的花粉图像。本发明达到了在合成过程中充分融合图像的深度信息、保留重要信息和提高多层信息利用率的目的。
-
公开(公告)号：CN113723108A
公开(公告)日：2021-11-30
申请号：CN202110921072.X
申请日：2021-08-11
Applicant: 北京工业大学
Abstract: 本申请实施例公开了一种事件提取方法、装置、电子设备及存储介质。所述方法包括：获取目标文本，将目标文本输入至事件提取模型中，得到事件提取结果；事件提取模型是基于目标文本和目标文本对应的正负样本，通过对比学习的方式进行训练后得到的；目标文本对应的正样本为表达目标文本上下文语义的第一特征向量，目标文本对应的负样本为表达目标文本局部语义的第二特征向量。本申请实施例通过经过对比学习训练的事件提取模型进行文本事件提取，可以减少文本局部语义信息的干扰，提高识别文本事件的准确率。
-
公开(公告)号：CN113222894A
公开(公告)日：2021-08-06
申请号：CN202110379556.6
申请日：2021-04-08
Applicant: 北京工业大学
Abstract: 本发明提供一种粮面害虫数量的确定方法、装置、电子设备和存储介质，该方法包括：获取多帧粮面图像，并对所述多帧粮面图像进行预处理；根据预设背景像素模型对预处理后的多帧粮面图像进行二值化处理；对二值化处理后的多帧粮面图像进行形态学膨胀处理；获取形态学膨胀处理后的多帧粮面图像中处于运动状态的疑似害虫轮廓信息；根据所述疑似害虫轮廓信息和轮廓面积阈值进行轮廓区域筛选得到大于所述轮廓面积阈值的轮廓区域，并对大于所述轮廓面积阈值的轮廓区域定位害虫位置；根据害虫位置定位结果确定粮面害虫数量。本发明可以在粮仓害虫体积较小，害虫颜色与粮食颜色接近，且害虫运动速度较快时，快速检测出粮面害虫数量。
-
公开(公告)号：CN119580336A
公开(公告)日：2025-03-07
申请号：CN202411553711.1
申请日：2024-11-03
Applicant: 北京工业大学
IPC: G06V40/18 , G06V10/26 , G06V10/32 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 一种基于多层次信息融合的人眼图像分割方法属于计算机视觉领域。针对现有方法分割类别复杂易混淆、泛化能力较差的问题，本发明引入基于图像金字塔和图像补丁的多尺度输入，并结合CNN和Transformer结构的优势，现不同层次的感受野大小，学习眼部图像各类的复杂上下文关系；同时，考虑到不同人眼图像数据集的域差异，我们采用了对抗训练策略，进一步强化了模型的鲁棒性。
-
公开(公告)号：CN114549492B
公开(公告)日：2024-05-31
申请号：CN202210183020.1
申请日：2022-02-27
Applicant: 北京工业大学
Abstract: 一种基于多粒度图像信息内容的图像质量评价方法，属于计算机视觉领域。针对图像局部纹理信息的质量评价模块，首先将单颗花粉图像集合中每张花粉颗粒图片针对不同方向进行纹理特征的提取，然后平均加权求和求每张花粉颗粒图片的总纹理特征分数，其次将其纹理评价指标平均加权求和作为单颗花粉基于图像纹理内容信息的质量评价得分，之后将所有花粉颗粒得分进行平均加权求和作为基于图像局部纹理信息的质量评价得分。最终，我们将图像全局内容信息的质量分数和图像局部纹理信息的质量分数进行加权求和来得到花粉图片的最终得分。本发明更关注花粉颗粒质量的效果，比以往只考虑基于粗粒度的图像内容信息质量评价结果更加准确。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.024 seconds)
