-
公开(公告)号：CN117788330A
公开(公告)日：2024-03-29
申请号：CN202311838687.1
申请日：2023-12-28
Applicant: 大连海事大学
Abstract: 本发明一种基于通道‑空间注意力的水下图像渐进式生成对抗增强模块，包括以下步骤：获取待处理的水下图像；基于水下退化图像背景光估计模块获取待处理的水下图像的背景光参数；背景光参数输入到水下成像模型中，得到预增强的水下图像；预增强的水下图像输入到水下退化图像增强网络中，得到增强的水下图像；将增强的水下图像和真值水下图像输入到判别器中，得到增强的水下图像和真值水下图像的差值；增强的水下图像和真值水下图像的差值，通过总损失函数，再输入到水下退化图像增强网络中，实现取待处理的水下图像的增强，通过在编解码器的跳跃连接操作中引入水下双注意力模块，实现自适应地选择和强调图像中的关键信息，避免放大水下图像的噪声。
-
公开(公告)号：CN116402709A
公开(公告)日：2023-07-07
申请号：CN202310284472.3
申请日：2023-03-22
Applicant: 大连海事大学
IPC: G06T5/00 , G06N3/0464 , G06N3/0475 , G06N3/08 , G06N3/094
Abstract: 本发明一种基于水下注意力生成对抗网络的图像增强方法，包括以下步骤：获取待增强的水下图像；通过监督学习模式，借助于卷积神经网络提取底层和高层语义信息构建注意力生成对抗网络；将待增强的水下图像作为输入，使用生成对抗损失、损失和结构相似性损失对注意力生成对抗网络进行训练，得到训练好的构建注意力生成对抗网络，输出增强后的水下图像，通过监督学习模式，借助于卷积神经网络提取底层和高层语义信息，使得所设计的UAGAN框架具备更强的泛化性；同时，所提出的UAGAN框架可避免参数估计和水下成像建模的问题，结合位置注意力和PatchGAN技术，有助于捕获长距离依赖信息，从而可避免所生成的水下图片产生过增强现象。
-
公开(公告)号：CN115713469A
公开(公告)日：2023-02-24
申请号：CN202211394443.4
申请日：2022-11-08
Applicant: 大连海事大学
IPC: G06T5/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明一种基于通道注意力和形变生成对抗网络的水下图像增强方法，包括以下步骤：获取水下图像构建数据集，将数据集划分为训练集和测试集；构建用来重新标定通道权重、具有多尺度感受野的自适应通道注意力模块；构建用来进行特征提取、面向卷积核偏移的形变卷积模块；将自适应通道注意力模块和形变卷积模块进行融合，生成对抗网络；基于训练集数据对生成对抗网络进行训练，得到训练好的生成对抗网络；将测试集数据输入到训练好的生成对抗网络中，得到增强后的水下图像；利用单隐层神经网络和全局平均池化技术，构建了具有不同感受野的自适应通道注意力模块，有助于降低混合噪声对于特征层的影响；提高了不同场景深度下感兴趣物体的增强一致性。
-
公开(公告)号：CN117173546A
公开(公告)日：2023-12-05
申请号：CN202310898917.7
申请日：2023-07-20
Applicant: 大连海事大学
IPC: G06V20/05 , G06V10/82 , G06V10/762 , G06V10/764 , G06V10/77 , G06V10/40 , G06V10/44 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明一种基于分组跨通道注意力可变形卷积网络的检测方法，包括以下步骤：获取待识别底栖生物图片构成的数据集，将所述数据集按照比例划分成训练集和测试集；构建用于识别图片上底栖生物的分组跨通道注意力可变形卷积神经网络模型；基于训练集对分组跨通道注意力可变形卷积神经网络模型进行训练，得到训练好的分组跨通道注意力可变形卷积神经网络模型；将测试集数据输入到训练好的分组跨通道注意力可变形卷积神经网络模型中，实现对图片上底栖生物种类的识别。通过有机地集成BDC和SGCA模块，建立了SGCA‑BDC框架，从空间和通道层面来增强底栖生物特征，最终有助于提高底栖生物检测的准确性和鲁棒性。
-
-
-
Search Results
4
records
(took 0.013 seconds)
