公开(公告)号：CN119580079A

公开(公告)日：2025-03-07

申请号：CN202411637571.6

申请日：2024-11-15

Applicant: 北京理工大学

Inventor： 高美静 ,  陈思博 ,  李时雨

IPC: G06V20/05 ,  G06V10/764 ,  G06V10/82 ,  G06V10/77 ,  G06V10/44 ,  G06V10/80 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明提供一种基于强化学习的水母目标检测方法，相比传统的CNN，本发明的基于Transformer的特征识别主干网络TBFRNet具有更好的全局特征提取能力；相比Transformer又可以提升区域特征获取能力，降低计算复杂度，提供了模块的解释性；基于人类对水母生物学特性感知，针对水母的生物学特性设计了包含两个子模块FEDM和PDM的水母特征检测模块JDM，这一新的模块融合了人类视觉系统对于水母外观特征的理解，分别强化了网络对水母伞状特征和尾部特征的识别能力和提取能力；同时，分支辅助检测网络BADN可以生成与主干网络相对应的梯度信息，从而在主干网络的梯度计算中起到辅助作用，有助于深度神经网络在信息传递过程中保留关键特征，从而提高模型的性能和学习效率。

公开(公告)号：CN119579411A

公开(公告)日：2025-03-07

申请号：CN202411637586.2

申请日：2024-11-15

Applicant: 北京理工大学

Inventor： 高美静 ,  孙焕宇 ,  白洋 ,  陈思博

IPC: G06T3/4053 ,  G06T3/4046 ,  G06T5/50 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09

Abstract: 本发明提供一种基于协同CNN和Transformer的多输入分级红外图像超分辨力重建方法，通过巧妙的结合CNN和Transformer的优点，在红外图像超分辨力图像的重建任务中，可以重建出更清晰的细节信息和边缘结构，在一定程度上提高了对比度和清晰度，减少不必要的伪影及噪声，在恢复高精度纹理和结构的同时下保持了更清晰的外观，具有良好的视觉效果。