-
公开(公告)号：CN118134819B
公开(公告)日：2024-07-16
申请号：CN202410557539.0
申请日：2024-05-08
Applicant: 山东大学
IPC: G06T5/90 , G06T5/60 , G06T5/50 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了域内‑域间自适应的水下图像增强方法及系统，涉及图像处理技术领域。包括将空气中的图像输入至DA2Net网络模型中，模拟水下图像退化过程，合成具有不同水下风格的多张合成图像；将合成图像输入至域自适应增强子网络中，对域自适应增强子网络进行第一阶段训练，通过编码器提取特征，利用解码器的重建分支对数据进行重建；第一阶段训练完成后，冻结编码器的参数，将真实水下图像输入至域自适应增强子网络中，对解码器增强分支的参数进行微调，进行第二阶段训练，得到清晰的水下图像。本发明既能够弥补真实数据和合成数据之间的域间鸿沟，又能弥补真实数据不同图像之间的域内鸿沟。
-
公开(公告)号：CN118134981A
公开(公告)日：2024-06-04
申请号：CN202410557541.8
申请日：2024-05-08
Applicant: 山东大学
IPC: G06T7/50 , G06N3/0455 , G06N3/09
Abstract: 本公开提出基于跨域交互的全天时场景自监督深度估计方法及系统，涉及深度估计技术领域。方法包括：将待估计全天时图像输入至深度估计模型，得到深度估计结果；其中，深度估计模型中，跨域交互模块用于将全天时图像样本解耦为日间私有特征和共享特征，夜间私有特征和共享特征；利用正交损失约束两个私有特征的互补性，基于共享特征交换私有特征重建图像；跨域耦合投影模块用于将两个共享特征分别解码为深度图，基于全天时图像样本、深度图、位姿矩阵，采用场景损失监督训练，得到自监督单目深度估计结果。充分考虑昼夜图像中包含的共享信息，并深化夜间图像的纹理信息，提高了深度估计模型对全天时场景进行深度估计的适应能力及结果准确性。
-
公开(公告)号：CN117373020A
公开(公告)日：2024-01-09
申请号：CN202311345265.0
申请日：2023-10-17
Applicant: 山东大学
Abstract: 本发明公开了基于几何约束动态卷积的实例分割方法及系统，对待分割图像进行多层级特征提取，得到多层级特征；将多层级特征，进行实例感知，得到所有预测实例的中心、相应的类别置信度和边界框；基于边界框进行抑制得到保留的实例中心；将多层级特征进行底部特征提取得到底部特征；基于多层级特征和每个保留的实例中心进行中心特征提取，生成用于外围点定位的动态卷积核；基于用于外围点定位的动态卷积核对底部特征进行动态卷积操作，进行外围点图预测生成外围点图；基于多层级特征、保留的实例中心和外围点图，进行特征提取和差异化特征融合，生成用于分割的动态卷积核；基于用于分割的动态卷积核对底部特征进行动态卷积操作，得到分割掩码。
-
公开(公告)号：CN119600446A
公开(公告)日：2025-03-11
申请号：CN202411665233.3
申请日：2024-11-20
Applicant: 山东大学
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0499
Abstract: 本发明公开了一种高光谱图像重建方法及系统，涉及高光谱图像重建技术领域，该方法包括：搭建并训练基于局部相关性和全局连续性建模的高光谱图像重建网络，该网络包括多个光谱重建单元，光谱重建单元包括多个光谱关系建模模块，每一光谱关系建模模块包括谱间关系建模模块和谱内空间建模模块，分别用于提取光谱特征的谱间关系特征和谱内空间特征，该谱间关系特征为融合谱间局部相关性特征和谱间全局连续性特征的融合特征；将RGB图像输入至训练完成的高光谱图像重建网络，获得重建的高光谱图像。本发明通过高效提取谱间局部相关性特征和谱间全局连续性特征，并经块级自适应特征融合，实现更高质量的高光谱重建。
-
公开(公告)号：CN119478590A
公开(公告)日：2025-02-18
申请号：CN202510059100.X
申请日：2025-01-15
Applicant: 山东能源集团有限公司 , 山东大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/08 , G06N3/084
Abstract: 本发明涉及目标检测技术领域，具体提供一种基于半监督学习的目标检测方法、系统、设备及存储介质，包括：获取数据集，所述数据集包括标记图像和未标记图像；利用密集检测器基于标记图像为未标记图像生成伪标签；利用伪标签分配器根据伪标签的得分将伪标签划分为可靠标签和软标签；将伪标签更新至数据集，并利用更新后的数据集对目标检测模型进行训练，所述目标检测模型在训练后识别样本图像中的目标对象；设置软标签在训练过程中仅参与预设的部分损失计算，以降低软标签导致的训练误差。本发明构建了一个高效的半监督学习目标检测框架，提升了目标检测模型的准确度。
-
Patent Agency Ranking
公开(公告)号：CN118379597A
公开(公告)日：2024-07-23
申请号：CN202410507732.3
申请日：2024-04-25
Applicant: 山东大学
IPC: G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0895
Abstract: 本发明公开了基于混合标签筛选的弱监督显著性目标检测方法及系统，在第一轮训练中，将训练后的优化网络的输出端与第一判别器的输入端进行连接，得到第一生成对抗网络，将第一数据集输入到第一生成对抗网络中，对其进行训练，得到训练后的第一生成对抗网络；将第二数据集中未参与训练的N幅图像与第一数据集合并后，输入到训练后的第一生成对抗网络中，优化网络输出图像的伪标签；第一判别器对伪标签进行打分，选取排序前T个图像作为第三数据集；将第三数据集作为预测网络的输入值，完成预测网络与第二判别器的训练；重复若干轮训练；获取待显著性目标检测的图像，将图像输入到最后一轮训练后的预测网络中，得到显著性目标检测结果。
-
公开(公告)号：CN117173103B
公开(公告)日：2024-04-12
申请号：CN202310978310.X
申请日：2023-08-04
Applicant: 山东大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明提出了一种图像阴影检测方法及系统，包括：提取原始图像的多层次综合特征；分为低层组和高层组；针对低层组和高层组分别采用相同结构的两个分支进行处理；分支在处理的过程中，将每组特征进行上采样和卷积，使每组特征拥有统一的空间尺寸，然后将各组特征拼接，生成合并特征；针对合并特征进行特征分离与重组并输出阴影相关元素、背景相关元素以及重组特征；分别从阴影相关元素、背景相关元素以及重组特征中提取风格属性，并对特定风格属性对施加一致性或差异性约束，以指导上游特征的分离；使用并行解码器分别连接两个分支的阴影相关元素、背景相关元素和重组特征，并将他们分别融合，用于生成预测的阴影图、背景图像和重构图像。
-
公开(公告)号：CN117392390A
公开(公告)日：2024-01-12
申请号：CN202311398315.1
申请日：2023-10-25
Applicant: 山东大学
IPC: G06V10/26 , G06V10/774 , G06V10/776 , G06V10/764
Abstract: 本发明提供了一种无分类偏差的连续语义分割方法及系统，提出了无分类偏见的连续语义分割网络，CWCB通过原型重播来重建类分布，从而在保持存储效率的同时，实现了出色的性能，CWCB结合了原型重播和背景重复，分别校正前景类和背景的比例；通过保存和重播原型而不是原始图像，CWCB将存储成本降低到其他重播基础方法的约1％，且不需要额外的数据；此外，本发明还提出了一个旧类特征维护损失，以保持旧类特征不变，同时保留学习新类的灵活性。
-
公开(公告)号：CN117351310A
公开(公告)日：2024-01-05
申请号：CN202311283502.5
申请日：2023-09-28
Applicant: 山东大学
IPC: G06V10/80 , G06V10/764 , G06V10/26
Abstract: 本发明提出了基于深度补全的多模态3D目标检测方法及系统，涉及目标检测技术领域，获取待检测的RGB图像及对应的3D稀疏深度图；将RGB图像及对应的3D稀疏深度图输入到训练好的3D目标检测网络中，输出目标物的3D检测结果；3D目标检测网络从RGB图像中获取每个像素点的类别标签，基于3D稀疏深度图中像素点的深度信息与类别标签的对应关系，生成稠密深度图，对稠密深度图和RGB图像进行融合预测，得到目标物的3D锚框和类别标签；本发明将单目RGB图像信息和LIDAR深度信息进行结合，利用在图像局部区域同一目标具有相似深度的先验，对LIDAR获取的深度信息进行稠密化，以实现更加精确的3D目标检测效果。
-
公开(公告)号：CN117173394A
公开(公告)日：2023-12-05
申请号：CN202310989860.1
申请日：2023-08-07
Applicant: 山东大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明提出了面向无人机视频数据的弱监督显著性目标检测方法及系统，分别对视频的RGB图像和光流图进行浅层特征和深层特征的提取，浅层特征包括物体的边缘和纹理等特征信息，深层特征包括丰富的显著性语义内容，将不同模态的浅层特征进行模态对齐和校准，能够更加关注每个模态的显著性信息；不同模态的深层特征进行跨模态融合，充分融合了深层特征的显著性语义信息，然后基于跨模态浅层增强特征和跨模态深层交互特征进行融合得到检测结果，能够很好地抑制视频中复杂背景信息，提高了视频显著性目标检测的准确性，而且应用在弱监督中可达到部分全监督检测效果。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.097 seconds)
