-
公开(公告)号：CN118781219A
公开(公告)日：2024-10-15
申请号：CN202410801743.2
申请日：2024-06-20
Applicant: 南开大学
IPC: G06T11/20 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种基于渐进式重建的高效自监督学习方法及系统，其中方法，包括：获取待重建图像，将待重建图像划分为若干个不重叠的图像块；将待重建图像的所有图像块，输入到训练后的神经网络模型中，得到重建后的图像；其中，训练后的神经网络模型，编码器用于提取所有图像块的特征，所述图像块特征包括：被遮蔽图像块的特征和未被遮蔽图像块的特征，所述最远采样模块对被遮蔽图像块的特征进行选择性地丢弃或保留，所述解码器对被遮蔽图像块的保留特征和未被遮蔽图像块的特征进行重建，得到第一重建图像；所述渐进式重建模块对被遮蔽图像块的丢弃特征进行重建，得到第二重建图像；将第一和第二重建图像进行整合，得到最终重建后的图像。
-
公开(公告)号：CN116740348A
公开(公告)日：2023-09-12
申请号：CN202310626321.1
申请日：2023-05-30
Applicant: 南开大学
IPC: G06V10/26 , G06V10/77 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 本发明提出了一种指向性伪装物体分割方法及系统，设计了双分支网络结构，利用参考分支网络获取来参考图像中某类指向性物体的共性信息，分割分支网络则在所得到的共性信息指导下确认并分割包含该指向性伪装物体的目标图像。通过将共性信息和目标图像的视觉特征进行交互融合的方式突出目标图像中的指向性伪装物体。本发明方法受其他物体的干扰较小，进而能够更加准确地分割出期望的物体，而且利用参考图像的共性信息来突出目标图像中的指向性伪装物体的方式，适合小样本所收集的参考信息对某类物体进行指向性的分割。
-
公开(公告)号：CN112884730B
公开(公告)日：2022-06-07
申请号：CN202110160367.X
申请日：2021-02-05
Applicant: 南开大学
Abstract: 本发明提供了一种协同显著性物体检测方法及系统，获取不同的图片组，对图片组进行编码，以提取特征图；对提取的特征图进行全局关系学习，得到图片组共性，并将其与特征图进行深度分离滤波，进行解码生成检测结果。对检测结果进行测试，如果不满足要求，则对提取的特征图和图片组共性进行全局协同学习，对特征图进行分类，以得到更好的图片特征，直到测试结果满足要求。本发明大大提升了模型的辨别能力，进而提升了协同显著性物体检测的性能。
-
公开(公告)号：CN112884730A
公开(公告)日：2021-06-01
申请号：CN202110160367.X
申请日：2021-02-05
Applicant: 南开大学
Abstract: 本发明提供了一种基于协作学习的协同显著性物体检测方法及系统，获取不同的图片组，对图片组进行编码，以提取特征图；对提取的特征图进行全局关系学习，得到图片组共性，并将其与特征图进行深度分离滤波，进行解码生成检测结果。对检测结果进行测试，如果不满足要求，则对提取的特征图和图片组共性进行全局协同学习，对特征图进行分类，以得到更好的图片特征，直到测试结果满足要求。本发明大大提升了模型的辨别能力，进而提升了协同显著性物体检测的性能。
-
公开(公告)号：CN110889416A
公开(公告)日：2020-03-17
申请号：CN201911278227.1
申请日：2019-12-13
Applicant: 南开大学
Abstract: 本发明公开了一种基于级联改良网络的RGB-D显著性物体检测方法，属于图像处理技术领域。大多数现有的RGB-D模型直接聚合来自不同层级的CNN网络的特征，容易引入低层特征所含有的噪声和干扰信息。本发明创造性地提出一种级联改良式的结构，用高层部分的特征生成的显著性图作为掩膜来改良低层部分的特征，然后再通过聚合改良后的低层特征生成最终的显著性图；此外，为了排除深度图的干扰信息，本发明提出一个深度增强模块用于进行深度特征和RGB特征混合前的预处理。本发明用4个评价指标在7个数据集上进行实验，结果表明本发明超越当前所有最先进的RGB-D显著性物体检测方法。
-
Patent Agency Ranking
公开(公告)号：CN110097115B
公开(公告)日：2022-11-25
申请号：CN201910347420.X
申请日：2019-04-28
IPC: G06V10/46 , G06V10/774 , G06V10/82 , G06V20/40
Abstract: 一种基于注意力转移机制的视频显著性物体检测方法。注意力转移机制是人类视觉系统中特有的功能，但是，当前的方法忽视了这一重要的机制。本发明方法设计了一种新的卷积神经网络架构，它有效地利用了静态卷积网络、金字塔扩展卷积网络、长短期记忆网络和注意力转移感知模块的特点，从而充分体现了人类视觉系统中的注意力转移机制，对于真实的应用场景更具实际意义，并且能得到更好的显著性物体检测效果。相对于当前的所有视频显著性物体检测方法，本发明方法达到了国际领先水平，在主流的公开数据集的性能评测上，超越了当前最好的视频显著性物体检测方法。
-
公开(公告)号：CN112907530B
公开(公告)日：2022-05-17
申请号：CN202110180500.8
申请日：2021-02-08
Applicant: 南开大学
Abstract: 本发明公开了基于分组反向注意力的伪装物体检测方法及系统，包括：获取待检测图像；对待检测图像进行特征提取；基于特征提取结果，对待检测图像中的伪装物体进行搜索，得到伪装物体的定位图；基于特征提取结果和伪装定位物体的定位图，利用分组反向注意力方式进行处理，得到伪装物体的轮廓图。
-
公开(公告)号：CN112907530A
公开(公告)日：2021-06-04
申请号：CN202110180500.8
申请日：2021-02-08
Applicant: 南开大学
Abstract: 本发明公开了基于分组反向注意力的伪装物体检测方法及系统，包括：获取待检测图像；对待检测图像进行特征提取；基于特征提取结果，对待检测图像中的伪装物体进行搜索，得到伪装物体的定位图；基于特征提取结果和伪装定位物体的定位图，利用分组反向注意力方式进行处理，得到伪装物体的轮廓图。
-
公开(公告)号：CN116452798A
公开(公告)日：2023-07-18
申请号：CN202211545955.6
申请日：2022-12-05
Applicant: 南开大学
IPC: G06V10/26 , G06V10/82 , G06N3/0455
Abstract: 本发明提出了基于掩码可分离注意力机制的伪装目标分割方法及系统，涉及图像处理技术领域，具体方案包括：构建伪装目标分割模型，并对伪装目标分割模型进行训练；利用编码器对输入图像进行编码，得到初始特征；将初始特征输入到解码器中解码，生成伪装目标的初始分割；基于掩码可分离注意力机制，对初始分割进行渐进式地优化分割，得到最终的伪装目标分割结果；本发明设置掩码可分离注意力机制，利用掩码将注意力机制分为前景注意力、背景注意力以及全局注意力，前景和背景注意力分别关注前景和背景区域，全局注意力机制提取全局信息，再利用前景注意力分数在全局信息中发现伪装对象，利用背景注意力确定背景，进而分割出精确的伪装目标。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.015 seconds)
