-
公开(公告)号：CN114596228B
公开(公告)日：2025-02-11
申请号：CN202210212512.9
申请日：2022-03-04
Applicant: 南京邮电大学
IPC: G06T5/70 , G06T5/60 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于深度3D卷积稀疏编码的多光谱图像去噪算法，包括如下步骤：步骤1，根据多光谱图像的谱间信息，将卷积稀疏编码模型拓展成3D形式，搭建3D‑CSC数学模型；步骤2，采用迭代收缩软阈值算法对搭建的3D‑CSC模型进行迭代求解；步骤3，搭建深度网络：根据深度展开的思想，将步骤2中的3D‑CSC的迭代解形式展开成对应的深度网络；步骤4，构造数据集后训练网络；步骤5，测试网络的性能。本发明运用了3D卷积，考虑了图像的谱间特征，使得本发明在处理多光谱图像问题上取得了更好的去噪效果。
-
公开(公告)号：CN116563144A
公开(公告)日：2023-08-08
申请号：CN202310434790.3
申请日：2023-04-21
Applicant: 南京邮电大学
IPC: G06T5/00 , G06N3/0442 , G06N3/045 , G06N3/0464
Abstract: 一种基于动态注意力的密集型LSTM残差网络去噪方法，包括了构造训练数据集，对训练数据集进行预处理操作；使用动态注意力机制和密集型LSTM残差网络构建去噪模型；设置网络去噪模型的超参数和损失函数，对训练数据集添加不同等级的噪声并进行训练，得到训练后的网络模型；采用训练后的网络模型进行图像去噪测试，用结构相似性和峰值信噪比评估去噪效果。本方法具有提升降噪性能和成像质量的有益效果，有效地提升图像质量，有利于为后续的图像分类、分割、识别与跟踪等高层图像理解与分析任务。
-
公开(公告)号：CN119169273A
公开(公告)日：2024-12-20
申请号：CN202411323147.4
申请日：2024-09-23
Applicant: 南京邮电大学
IPC: G06V10/25 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/045
Abstract: 本发明公开了一种基于动态尺度自注意力的Transformer遥感目标检测方法，属于计算机视觉领域和图像处理领域，方法包括：获取遥感图像目标检测训练数据集，并对所述数据集进行预处理操作；通过Resnet50卷积神经网络进行特征提取；将提取出来的特征输入到具有动态尺度自注意力的Transformer模型的编码器中，进行关键特征注意；将目标查询与编码器输出共同输入到解码器中进行注意力操作；将Transformer执行完成后的结果输入到预测头，得到分类结果和边界框。本方法能够有效地提高遥感图像目标检测的精确度。
-
公开(公告)号：CN116935177A
公开(公告)日：2023-10-24
申请号：CN202310899655.6
申请日：2023-07-21
Applicant: 南京邮电大学
IPC: G06V10/80 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/09
Abstract: 本发明属于图像处理领域，公开了一种基于多阶段生成对抗网络的红外与可见光图像融合方法，包括：步骤1，构造训练数据集，并对其进行预处理操作；步骤2，将经过预处理的红外与可见光图像在通道维度上拼接并传递给生成器，即构建的多阶段网络，生成融合图像；步骤3，将融合图像与源图像即红外图像与可见光图像传递给判别器，判别输入图像是融合图像还是源图像；步骤4，构建损失函数，训练网络；步骤5，选取多种数据集，评估网络性能。实验证明，本发明能显著提升融合图像的质量，为后续的图像分类、分割、识别与跟踪等高级图像处理任务提供更准确和可靠的数据。
-
公开(公告)号：CN115880523A
公开(公告)日：2023-03-31
申请号：CN202211458993.8
申请日：2022-11-17
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08 , G06N3/048 , G06N3/0464
Abstract: 本发明涉及深度学习图像分类技术领域，提供了一种图像分类模型、模型训练方法及其应用，所述图像分类模型训练方法具体是通过数据增强提高样本的质量和多样性以获得更好的训练效果；并通过ResNet50模型，引入通道注意力机制模块形成SE‑ResNet50模型，利用通道注意力机制对自适应的特征权重学习；接着SE‑ResNet50模型中，加入多尺度特征的层间信息融合模块；最后在网络结构中引入多尺度特征融合自注意力模块，形成SEL‑ResNet50网络，即本发明所述图像分类模型；所述图像分类模型应用于医学影像图片分类，可以兼顾分类效率和精度。
-
Patent Agency Ranking
公开(公告)号：CN112200758B
公开(公告)日：2022-08-19
申请号：CN202011087333.4
申请日：2020-10-13
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双重张量低秩模型的多模态三维医学图像融合方法，其特征在于，包括如下步骤：步骤S1、将多幅三维医学图像输入至双重张量低秩模型；步骤S2、通过双重张量低秩模型将每一幅三维医学图像均分解为第一前景部分、第一背景部分和第一纹理部分；步骤S3、将第一前景部分进行融合，得到第二前景部分，将第一背景部分进行融合，得到第二背景部分，将第一纹理部分进行融合，得到第二纹理部分；步骤S4、将第二前景部分、第二背景部分和第二纹理部分进行融合得到融合图像，输出融合图像；本发明提出的方案相对现有技术可以更为有效地提取源图像特征，具有更好的融合性能，并且相对于二维融合方法，本发明不会破坏三维结构信息。
-
公开(公告)号：CN113421198A
公开(公告)日：2021-09-21
申请号：CN202110675265.1
申请日：2021-06-17
Applicant: 南京邮电大学
IPC: G06T5/00
Abstract: 本发明揭示了一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法，高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束。进一步提高了对混合噪声的去噪能力。该技术方案主要用于解决高光谱图像中的噪声干扰问题，能够去除高光谱图像中包含的高斯噪声和稀疏噪声。高维高光谱图像在子空间中具有低秩特性，针对高光谱图像的子空间特征图，利用空间非局部自相似性以及张量Tucker分解对子空间特征图进行联合低秩约束，进一步提高了对混合噪声的去噪能力。
-
-
公开(公告)号：CN111915518A
公开(公告)日：2020-11-10
申请号：CN202010727755.7
申请日：2020-07-23
Applicant: 南京邮电大学
IPC: G06T5/00
Abstract: 本发明提供一种基于三重低秩模型的高光谱图像去噪方法，首先从含噪声的高光谱图像中依次提取图像块，再对提取的所有图像块分别进行三重低秩优化重构模型(即包括低秩部分约束、低秩部分与线性变换域噪声图像之间的约束以及低秩部分自相关性约束)，去除稀疏噪声，最后通过对重构图像块的重叠像素进行加权平均得到去噪的高光谱图像。低秩部分与线性变换域噪声图像之间的约束可以提高模型的鲁棒性以及图像去噪的精度，低秩部分自相关性约束可以使得该去噪模型相比较于其他去噪模型对死线噪声的去除效果更佳优越。
-
公开(公告)号：CN111666986A
公开(公告)日：2020-09-15
申请号：CN202010439424.3
申请日：2020-05-22
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于机器学习的小龙虾分级方法，包括如下步骤：S1、从龙虾原始数据集中提取部分样本构建得到干净图像数据集，并将其随机划分为训练集、验证集以及测试集；S2、构建初步数据集处理模型并完成特征迁移，随后利用训练集、验证集对模型进行反复训练、验证，得到预训练数据集处理模型，利用测试集对模型进行测试，得到完善的数据集处理模型；S3、使用数据集处理模型对龙虾原始数据集内的样本进行逐条处理，得到分级结果。本发明将机器视觉与深度学习技术相融合，实现了对于小龙虾大小的自动化分级，不仅显著地提升了操作过程中的识别率与准确率，而且有效地弥补了现有方法在后续图像理解及分级性能等方面的缺陷。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.022 seconds)
