-
公开(公告)号：CN117975176B
公开(公告)日：2024-06-04
申请号：CN202410392385.4
申请日：2024-04-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 一种基于工业动态视觉自我提示的钢铁缺陷检测方法，涉及数字图像处理中的目标识别技术领域，对工业图片进行缺陷类别筛选、标注和数据预处理；搭建卷积模块，搭建自我提示ViT模块，搭建下采样模块，搭建检测头并将卷积模块、自我提示ViT模块、下采样模块、检测头按顺序级联并进行训练，训练结束后选择优化后的模型进行封装部署。提升了工业缺陷的检测精度，对工业缺陷检测具有应用能力。
-
公开(公告)号：CN117975176A
公开(公告)日：2024-05-03
申请号：CN202410392385.4
申请日：2024-04-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 一种基于工业动态视觉自我提示的钢铁缺陷检测方法，涉及数字图像处理中的目标识别技术领域，对工业图片进行缺陷类别筛选、标注和数据预处理；搭建卷积模块，搭建自我提示ViT模块，搭建下采样模块，搭建检测头并将卷积模块、自我提示ViT模块、下采样模块、检测头按顺序级联并进行训练，训练结束后选择优化后的模型进行封装部署。提升了工业缺陷的检测精度，对工业缺陷检测具有应用能力。
-
公开(公告)号：CN117221474A
公开(公告)日：2023-12-12
申请号：CN202311220015.4
申请日：2023-09-20
Applicant: 山东大学 , 山东大学威海工业技术研究院
Abstract: 本发明属于视频处理技术领域，提供了基于位置指引的多头对齐和融合视频超分辨率方法及系统。其中，基于位置指引的多头对齐和融合视频超分辨率方法包括获取各个连续原始视频帧的高频增强特征；其中，连续原始视频帧由参考帧和支撑帧构成；基于高频增强特征与子图位置的关系，生成各个原始视频帧对齐到不同子图位置的对齐偏移值；再利用对齐偏移值与对齐特征图的关系，生成各个原始视频帧对齐到不同子图位置的对齐特征图；其中，子图为超分辨率视频帧经下采样得到的不同位置的像素；基于子图位置将所有原始视频帧的对齐特征图中的时域多帧对齐信息、空域多头信息和多通道间信息进行融合，得到融合特征图，再经上采样生成参考帧对应的超分辨率图像。
-
公开(公告)号：CN117173229A
公开(公告)日：2023-12-05
申请号：CN202311007038.7
申请日：2023-08-10
Applicant: 山东大学 , 山东大学威海工业技术研究院
IPC: G06T7/50 , G06T7/90 , G06V10/42 , G06V10/44 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了融合对比学习的单目图像深度估计方法及系统；其中方法，包括：获取目标图像，所述目标图像为待深度估计的单目图像；将目标图像，输入到训练后的图像深度估计网络中，输出目标图像的预测深度；其中，训练后的图像深度估计网络，包括相互连接的编码器和解码器；所述编码器，用于提取单目图像的局部特征和全局特征，并将两种特征进行融合得到融合特征；所述解码器将平面信息引入融合特征中，实现深度估计；所述编码器，在训练的过程中通过颜色变换和几何变换实现特征增强，对增强特征进行对比学习，编码器所用损失函数，包括颜色变换基于不变性的对比损失以及几何变换基于等变性的对比损失。
-
公开(公告)号：CN117876452A
公开(公告)日：2024-04-12
申请号：CN202410181555.4
申请日：2024-02-18
Applicant: 山东大学 , 山东大学威海工业技术研究院
Abstract: 本发明提出了基于运动物体位姿估计的自监督深度估计方法及系统，包括：通过源帧，重建目标帧提供监督信号，构建自监督单目深度估计网络；使用彩色图像、预训练好的深度图作为自监督深度估计网络的输入，使用预训练好的深度估计网络和相机姿态预测网络处理单目视频，得到每帧所对应的初始深度图及相机位姿；利用已经得到的相机位姿将源帧的彩色图像利用坐标映射映射到目标帧；对深度图进行映射，将其从源帧映射到目标帧；将源帧映射好的彩色图像及深度图像与目标帧的彩色图像和深度图像拼接在一起，送至掩膜学习网络学习运动掩膜；将学习到的运动掩膜点乘拼接特征，送给网络学习得到运动物体的位姿，使用深度映射网络对目标帧的深度图进行增强。
-
Patent Agency Ranking
公开(公告)号：CN117953030A
公开(公告)日：2024-04-30
申请号：CN202410101817.1
申请日：2024-01-24
Applicant: 山东大学 , 山东大学威海工业技术研究院
Abstract: 本发明公开了一种基于可变卷积帧间像素匹配的深度估计方法及系统，属于深度估计技术领域。包括将目标帧图像和源帧图像输入至姿态预测网络，获取相机变化姿态；将目标帧图像和源帧图像拼接后输入帧间偏移量学习网络，获取帧间像素匹配关系；可变卷积网络通过帧间像素匹配关系重建目标帧图像，在重建过程中，以目标帧图像重建误差为监督信号，学习帧间偏移量；根据相机内参、相机变化姿态，通过帧间像素匹配关系将帧间偏移量转换为序列深度信息；将目标帧图像和序列深度信息并行输入深度估计网络，获取目标帧图像对应的深度图。使用可变卷积实现自适应尺度变化下的匹配，提高深度估计的准确性，解决深度估计准确性被尺度变化影响的问题。
-
公开(公告)号：CN119888182A
公开(公告)日：2025-04-25
申请号：CN202411969464.3
申请日：2024-12-30
Applicant: 山东大学 , 山东省工业技术研究院
Abstract: 本发明涉及目标检测技术领域，尤其是提供了一种基于大小模型特征协同的域自适应目标检测方法。该方法包括搭建全局局部增强网络；根据全局局部增强网络，搭建大小模型协同的特征交互增强网络；将全局局部增强网络和特征交互增强网络，与检测头连接，构建域自适应目标检测模型；训练域自适应目标检测模型，对训练后的域自适应目标检测模型进行封装部署，以实现目标识别，该方法提高了在不同场景下模型的域自适应能力，通过有效地减少源域与目标域之间的分布差异，实现了更高效的目标识别和定位。
-
公开(公告)号：CN119887681A
公开(公告)日：2025-04-25
申请号：CN202411952820.0
申请日：2024-12-27
Applicant: 山东大学 , 山东省工业技术研究院
IPC: G06T7/00 , G06V10/25 , G06V10/44 , G06V10/766 , G06V10/82 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及工业场景缺陷检测技术领域，尤其是提供了一种基于视觉‑语言提示的工业缺陷检测方法。该方法包括搭建目标检测模型的特征提取网络；根据特征提取网络，搭建视觉‑语言提示模块；搭建视觉‑语言检测模块，并将特征提取网络和视觉‑语言提示模块进行连接，以构建工业缺陷检测模型；训练构建的工业缺陷检测模型，对训练后的工业缺陷检测模型进行封装部署，并通过训练后的工业缺陷检测模型，获得缺陷检测结果，该方法准确区别了工业缺陷，加快了对工业缺陷目标的识别和定位，从而提高了对工业缺陷图像检测的准确性。
-
公开(公告)号：CN117274243B
公开(公告)日：2024-01-26
申请号：CN202311532736.9
申请日：2023-11-17
Applicant: 山东大学
IPC: G06T7/00 , G06V10/42 , G06V10/44 , G06N3/0464 , G06V10/764 , G06N3/08 , G06V10/80
Abstract: 本发明涉及目标检测技术领域，尤其是提供了一种轻量化气象灾害检测方法。该方法包括搭建目标检测模型的特征提取网络；根据特征提取网络，搭建目标检测模型的检测头；将特征提取网络和检测头进行连接，构建气象灾害检测的目标检测模型；训练构建的目标检测模型，并对训练后的目标检测模型进行封装部署，该方法准确区别了云系目标，加快了对云系目标的识别和定位，从而提高对卫星云图中气象灾害图像检测的准确性。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.067 seconds)
