利用预训练网络的感知相似性进行混合图像超分辨方法

    公开(公告)号:CN109146777B

    公开(公告)日:2020-10-27

    申请号:CN201810621592.7

    申请日:2018-06-15

    IPC分类号: G06T3/40 G06K9/62 G06K9/68

    摘要: 本发明提供了利用预训练网络的感知相似性进行混合图像超分辨方法,包括:将已知图像进行分解得到低分辨率图像,基于低分辨率图像建立对比词典,基于对比词典得到与已知图像对应的高分辨率图像块;获取已知图像,基于卷积神经网络对已知图像进行差值运算,得到高分辨率图像;构建基于感知相似度的损失函数,基于损失函数的运算结果选取如步骤一所示的内部重构方法或是如步骤二所示的外部重构方法对待处理图像进行超分辨率重构处理。通过对预先训练的VGG网络的特征代表来计算感知相似度,重构每个补丁并最小化超分辨错误,最终达到重构基于最优质性能的HR图像的结果,避免了内部和外部SR算法的缺点,大大提升了有效性、实用性和稳定性。

    利用预训练网络的感知相似性进行混合图像超分辨方法

    公开(公告)号:CN109146777A

    公开(公告)日:2019-01-04

    申请号:CN201810621592.7

    申请日:2018-06-15

    IPC分类号: G06T3/40 G06K9/62 G06K9/68

    摘要: 本发明提供了利用预训练网络的感知相似性进行混合图像超分辨方法,包括:将已知图像进行分解得到低分辨率图像,基于低分辨率图像建立对比词典,基于对比词典得到与已知图像对应的高分辨率图像块;获取已知图像,基于卷积神经网络对已知图像进行差值运算,得到高分辨率图像;构建基于感知相似度的损失函数,基于损失函数的运算结果选取如步骤一所示的内部重构方法或是如步骤二所示的外部重构方法对待处理图像进行超分辨率重构处理。通过对预先训练的VGG网络的特征代表来计算感知相似度,重构每个补丁并最小化超分辨错误,最终达到重构基于最优质性能的HR图像的结果,避免了内部和外部SR算法的缺点,大大提升了有效性、实用性和稳定性。

    用于计算机视觉的多标签聚类方法

    公开(公告)号:CN109117859A

    公开(公告)日:2019-01-01

    申请号:CN201810622492.6

    申请日:2018-06-15

    IPC分类号: G06K9/62

    摘要: 本发明提供了用于计算机视觉的多标签聚类方法,包括确定目标实例与代码库中样本实例的匹配概率,基于匹配概率对目标实例的标签进行判别;对实例x0为每个类计算概率估计,计算以y0为标签的实例x0的分类边界;构建WSRF目标函数,对目标函数进行最小化处理得到最小化函数,在弱监督作用下,对得到的最小化函数进行处理,完成聚类。通过将弱监督聚类化为有限目标函数最小化问题,可以在不违反包级标签的情况下实现鉴别代码库。应用于图像聚类、语义图像分割、多目标定位三种流行的计算机视觉任务,有效地提高了相关应用程序的性能。