-
公开(公告)号：CN108805836A
公开(公告)日：2018-11-13
申请号：CN201810546738.6
申请日：2018-05-31
Applicant: 大连理工大学
Abstract: 本发明属于图像校正技术领域，提供了一种基于深度往复式HDR变换的图像校正方法，整体网络包含两个子网络，分别是HDR估计网络和LDR校正网络；HDR估计网络用来预测输入LDR图像域中的HDR细节，LDR校正网络用来将HDR图像数据传递到输出LDR图像域中，得到更好的视觉效果。本发明所提出的方法在校正过程后得到的图像的视觉效果较好，并且在峰值信噪比，结构相似性，特征相似性和Q分数这四项图像校正算法评价指标上都能够得到优于目前先进算法的结果。本发明在由过曝光或欠曝光造成丢失图像细节的情况下表现出先进的校正性能。
-
公开(公告)号：CN117152200A
公开(公告)日：2023-12-01
申请号：CN202210543844.5
申请日：2022-05-18
IPC: G06T7/246 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本申请公开了一种目标跟踪方法和装置，属于计算机视觉技术领域。其中，目标跟踪方法包括：分别获取模板帧事件数据的模板特征信息和搜索帧事件数据的搜索特征信息；其中，模板帧事件数据为搜索帧事件数据的至少前一帧数据，且模板帧事件数据包含目标对象所在的位置区域信息。在得到模板帧事件数据的模板特征信息和搜索帧事件数据的搜索特征信息之后，通过编解码网络模块，结合模板特征信息和搜索特征信息确定目标特征信息，将目标特征信息输入回归网络模块，得到目标对象在搜索帧事件数据中的位置区域信息。与传统方法对彩色图像进行处理相比，该过程运算量小，可以提高目标跟踪的处理速度。
-
公开(公告)号：CN112037269B
公开(公告)日：2022-10-14
申请号：CN202010853988.1
申请日：2020-08-24
Applicant: 大连理工大学
Abstract: 本发明属于视觉运动目标跟踪技术领域，提供了一种基于多域协同特征表达的视觉运动目标跟踪方法。网络结构包含相似特征提取器和独特特征提取器，相似特征提取器可以从RGB域和事件域中学习潜在的通用表示形式，独特特征提取器可以分别学习RGB域和事件域中所独有的特征信息。本发明所提出的方法在RGB和事件目标跟踪数据集上得到了较好的效果，并且不同的数值评价指标上得到了优于目前先进算法的结果。本发明解决了高动态范围下对快速运动目标跟踪困难的问题。
-
公开(公告)号：CN118864803A
公开(公告)日：2024-10-29
申请号：CN202310485947.5
申请日：2023-04-28
IPC: G06V10/24 , G06V10/40 , G06V10/44 , G06V10/766 , G06V10/77 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本申请提供了一种图像处理方法和装置。涉及数据处理技术领域，尤其涉及基于人工智能(artificial intelligence，AI)的图像处理技术领域。该方法包括：根据事件帧与图像帧，确定目标对齐图，其中，事件帧是根据事件帧序列确定的，图像帧是根据RGB图像帧序列确定的，RGB图像帧序列具有第一帧率，事件帧序列具有第二帧率，第一帧率低于第二帧率；目标对齐图为图像帧的内容对齐到对应事件帧的内容的图像，目标对齐图的帧率为第二帧率。本申请能够实现跨帧率的图像对齐和跨帧率的图像对齐，以适应例如高速度、高动态等场景下的图像处理任务，提高图像处理任务的准确性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111161146B
公开(公告)日：2022-10-14
申请号：CN201911357050.4
申请日：2019-12-25
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉技术领域，提供了一种由粗糙到精细的单张图像超分辨率重建方法，整体网络包含两个阶段，分别是多上下文提取阶段和重建增强阶段。多上下文阶段用于提取低分辨率空间的图像上下文特征信息，重建增强阶段用于提取利用高分辨率空间的特征信息。本发明重建出的高分辨率图像视觉效果好，并且在峰值信噪比和结构相似性等图像评价指标上表现优异。同时本专利对时间成本与硬件需求低。
-
公开(公告)号：CN112686928B
公开(公告)日：2022-10-14
申请号：CN202110015551.5
申请日：2021-01-07
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉技术领域，提供了一种基于多源信息融合的运动目标视觉跟踪方法。本发明针对在快速运动和光照恶劣的场景下的运动目标视觉跟踪任务，首先制作了一个基于事件相机的运动目标跟踪数据集，同时，基于该数据集，提出了一种基于跨域注意力的视觉目标跟踪算法用以对视觉目标进行准确跟踪。该发明可以利用结合帧图像和事件数据各自的优势：帧图像可以提供丰富的纹理信息，事件数据在有挑战性的场景仍然能提供清晰的物体边缘信息。通过在不同场景下对两种域信息的权重分别设置，本专利能有效地融合两种传感器的优势从而解决在复杂条件下的目标跟踪难题。
-
公开(公告)号：CN112037269A
公开(公告)日：2020-12-04
申请号：CN202010853988.1
申请日：2020-08-24
Applicant: 大连理工大学
Abstract: 本发明属于视觉运动目标跟踪技术领域，提供了一种基于多域协同特征表达的视觉运动目标跟踪方法。网络结构包含相似特征提取器和独特特征提取器，相似特征提取器可以从RGB域和事件域中学习潜在的通用表示形式，独特特征提取器可以分别学习RGB域和事件域中所独有的特征信息。本发明所提出的方法在RGB和事件目标跟踪数据集上得到了较好的效果，并且不同的数值评价指标上得到了优于目前先进算法的结果。本发明解决了高动态范围下对快速运动目标跟踪困难的问题。
-
公开(公告)号：CN112686928A
公开(公告)日：2021-04-20
申请号：CN202110015551.5
申请日：2021-01-07
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉技术领域，提供了一种基于多源信息融合的运动目标视觉跟踪方法。本发明针对在快速运动和光照恶劣的场景下的运动目标视觉跟踪任务，首先制作了一个基于事件相机的运动目标跟踪数据集，同时，基于该数据集，提出了一种基于跨域注意力的视觉目标跟踪算法用以对视觉目标进行准确跟踪。该发明可以利用结合帧图像和事件数据各自的优势：帧图像可以提供丰富的纹理信息，事件数据在有挑战性的场景仍然能提供清晰的物体边缘信息。通过在不同场景下对两种域信息的权重分别设置，本专利能有效地融合两种传感器的优势从而解决在复杂条件下的目标跟踪难题。
-
公开(公告)号：CN111161146A
公开(公告)日：2020-05-15
申请号：CN201911357050.4
申请日：2019-12-25
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉技术领域，提供了一种由粗糙到精细的单张图像超分辨率重建方法，整体网络包含两个阶段，分别是多上下文提取阶段和重建增强阶段。多上下文阶段用于提取低分辨率空间的图像上下文特征信息，重建增强阶段用于提取利用高分辨率空间的特征信息。本发明重建出的高分辨率图像视觉效果好，并且在峰值信噪比和结构相似性等图像评价指标上表现优异。同时本专利对时间成本与硬件需求低。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
