-
公开(公告)号：CN113393511B
公开(公告)日：2024-02-02
申请号：CN202110510868.6
申请日：2021-05-11
Applicant: 杭州电子科技大学
IPC: G06T7/55 , G06N3/0464 , G06N3/08 , G06T7/90
Abstract: 本发明涉及一种基于多阶段彩色图像引导的道路场景深度补全方法。激光雷达得到的道路场景深度图像非常稀疏，缺失的深度信息带来了极大的不确定性，仍难以满足实际应用的需求。因此如何发掘场景稠密彩色图像和稀疏深度图像的内在约束关系，完成稀疏深度图像的高质量补全是目前的研究热点。本发明多阶段彩色图像引导的深度图像补全网络由“彩色引导”和“精细化补全”两个阶段构成，将“彩色引导”阶段重建的特征融合到“精细化补全”阶段中实现了多阶段的特征引导，可以有效实现深度图像的高质量补全。高质量的道路场景深度感知对道路目标检测，自动驾驶智能汽车等应用都是至关重要的，因此本发明具有重要的理论价值和实际意义。
-
公开(公告)号：CN110930306B
公开(公告)日：2023-09-12
申请号：CN201911031488.3
申请日：2019-10-28
Applicant: 杭州电子科技大学
IPC: G06T3/40 , G06N3/0464
Abstract: 本发明公开一种基于非局部感知的深度图超分辨率重建网络构建方法，目前越来越多的场景应用需要高质量高分辨率的深度图片，传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法。但由于卷积的特性，大部分的超分辨卷积神经网络框架都只能利用深度图像的局部信息，然而图像的非局部信息对图像的重建十分重要。本发明充分发掘了深度图像的局部和非局部信息，帮助深度图像进行超分辨率重建。并且利用递归学习和残差学习的思想，减轻了卷积神经网络的负担，控制了网络的参数，提升了深度图像的重建效果。
-
公开(公告)号：CN111275618A
公开(公告)日：2020-06-12
申请号：CN202010029063.5
申请日：2020-01-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于双支感知的深度图超分辨率重建网络构建方法。传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法，但大部分的超分辨卷积神经网络框架都都只是堆叠的卷积层，没有网络结构能判断彩色图像的纹理区域是否和深度图像中的纹理区域相关。本发明的基于注意力机制的卷积神经网络结构可以利用可学习参数判断彩色特征图像的纹理是否是深度图像重建所需要的，即可以更好的利用彩色图像所提供的信息，经过多级的感知机制最终获得筛选后的精细化的特征图像，融合这些信息对深度图像进行超分辨率重建。并且利用残差学习的思想，减轻了卷积神经网络的负担，提升了深度图像的重建效果。
-
Patent Agency Ranking
公开(公告)号：CN111275618B
公开(公告)日：2023-09-29
申请号：CN202010029063.5
申请日：2020-01-12
Applicant: 杭州电子科技大学
IPC: G06T3/40 , G06N3/0464
Abstract: 本发明公开了一种基于双支感知的深度图超分辨率重建网络构建方法。传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法，但大部分的超分辨卷积神经网络框架都都只是堆叠的卷积层，没有网络结构能判断彩色图像的纹理区域是否和深度图像中的纹理区域相关。本发明的基于注意力机制的卷积神经网络结构可以利用可学习参数判断彩色特征图像的纹理是否是深度图像重建所需要的，即可以更好的利用彩色图像所提供的信息，经过多级的感知机制最终获得筛选后的精细化的特征图像，融合这些信息对深度图像进行超分辨率重建。并且利用残差学习的思想，减轻了卷积神经网络的负担，提升了深度图像的重建效果。
-
公开(公告)号：CN113393511A
公开(公告)日：2021-09-14
申请号：CN202110510868.6
申请日：2021-05-11
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于多阶段彩色图像引导的道路场景深度补全方法。激光雷达得到的道路场景深度图像非常稀疏，缺失的深度信息带来了极大的不确定性，仍难以满足实际应用的需求。因此如何发掘场景稠密彩色图像和稀疏深度图像的内在约束关系，完成稀疏深度图像的高质量补全是目前的研究热点。本发明多阶段彩色图像引导的深度图像补全网络由“彩色引导”和“精细化补全”两个阶段构成，将“彩色引导”阶段重建的特征融合到“精细化补全”阶段中实现了多阶段的特征引导，可以有效实现深度图像的高质量补全。高质量的道路场景深度感知对道路目标检测，自动驾驶智能汽车等应用都是至关重要的，因此本发明具有重要的理论价值和实际意义。
-
公开(公告)号：CN110930342A
公开(公告)日：2020-03-27
申请号：CN201911030673.0
申请日：2019-10-28
Applicant: 杭州电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于彩色图引导的深度图超分辨率重建网络构建方法。目前越来越多的场景应用需要高质量高分辨率的深度图片，传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法，但大部分的超分辨卷积神经网络框架都都只是堆叠单一尺寸的卷积核，无法很好的提取出同场景下高分辨率彩色图像中有利的引导信息。本发明的多尺度卷积核彩图引导网络不仅可以充分发掘了高分辨率彩色图像信息，提取了有用的特征图像，而且可以丰富深度图像特征的多样性，融合这些信息对深度图像进行超分辨率重建。并且利用递归学习和残差学习的思想，减轻了卷积神经网络的负担，控制了网络的参数，提升了深度图像的重建效果。
-
公开(公告)号：CN110930342B
公开(公告)日：2021-10-29
申请号：CN201911030673.0
申请日：2019-10-28
Applicant: 杭州电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于彩色图引导的深度图超分辨率重建网络构建方法。目前越来越多的场景应用需要高质量高分辨率的深度图片，传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法，但大部分的超分辨卷积神经网络框架都都只是堆叠单一尺寸的卷积核，无法很好的提取出同场景下高分辨率彩色图像中有利的引导信息。本发明的多尺度卷积核彩图引导网络不仅可以充分发掘了高分辨率彩色图像信息，提取了有用的特征图像，而且可以丰富深度图像特征的多样性，融合这些信息对深度图像进行超分辨率重建。并且利用递归学习和残差学习的思想，减轻了卷积神经网络的负担，控制了网络的参数，提升了深度图像的重建效果。
-
公开(公告)号：CN110930306A
公开(公告)日：2020-03-27
申请号：CN201911031488.3
申请日：2019-10-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于非局部感知的深度图超分辨率重建网络构建方法，目前越来越多的场景应用需要高质量高分辨率的深度图片，传统的深度图像超分辨方法在效果和速度都不如基于卷积神经网络的方法。但由于卷积的特性，大部分的超分辨卷积神经网络框架都只能利用深度图像的局部信息，然而图像的非局部信息对图像的重建十分重要。本发明充分发掘了深度图像的局部和非局部信息，帮助深度图像进行超分辨率重建。并且利用递归学习和残差学习的思想，减轻了卷积神经网络的负担，控制了网络的参数，提升了深度图像的重建效果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
