-
公开(公告)号：CN113177937B
公开(公告)日：2022-09-13
申请号：CN202110568000.1
申请日：2021-05-24
Applicant: 河南大学
Abstract: 本发明提供一种基于改进YOLOv4‑tiny的布匹缺陷检测模型及方法。该检测模型在YOLOv4‑tiny主干网络中的残差块加入密集连接卷积块CSPDenseBlock，并在主干网络最后加入spp模块，形成新的特征提取网络；新的所述特征提取网络输出两种不同尺度的特征图；两种不同尺度的特征图分别通过各自对应的卷积块处理后进入各自的YOLO层对目标进行预测。本发明通过在其原来的残差块中加入密集连接卷积块对主干网络进行调整，扩充了检测模型的神经元感受野有助于浅层信息的提取；使用密集卷积块构造较深的主干网络框架，有助于识别多个难以区分的目标，增加模型检测的准确性；整个模型可用于对复杂场景下布匹缺陷检测任务的优化，并且检测精度较传统的模型更好。
-
公开(公告)号：CN113177937A
公开(公告)日：2021-07-27
申请号：CN202110568000.1
申请日：2021-05-24
Applicant: 河南大学
Abstract: 本发明提供一种基于改进YOLOv4‑tiny的布匹缺陷检测模型及方法。该检测模型在YOLOv4‑tiny主干网络中的残差块加入密集连接卷积块CSPDenseBlock，并在主干网络最后加入spp模块，形成新的特征提取网络；新的所述特征提取网络输出两种不同尺度的特征图；两种不同尺度的特征图分别通过各自对应的卷积块处理后进入各自的YOLO层对目标进行预测。本发明通过在其原来的残差块中加入密集连接卷积块对主干网络进行调整，扩充了检测模型的神经元感受野有助于浅层信息的提取；使用密集卷积块构造较深的主干网络框架，有助于识别多个难以区分的目标，增加模型检测的准确性；整个模型可用于对复杂场景下布匹缺陷检测任务的优化，并且检测精度较传统的模型更好。
-
公开(公告)号：CN116012349A
公开(公告)日：2023-04-25
申请号：CN202310058473.6
申请日：2023-01-14
Applicant: 河南大学
IPC: G06T7/00 , G06N3/08 , G06N3/0464 , G06T5/00
Abstract: 本发明提供一种基于最小单形体体积约束及Transformer结构的高光谱图像解混方法。该方法包括：构建高光谱图像解混网络模型，包括：编码器、分割模块、Transformer模块和解码器；其中，所述编码器用于提取输入的高光谱图像的判别特征；所述分割模块用于将所述判别特征分割为若干个图像块；所述Transformer模块用于提取输入的若干个图像块中任意两个图像块之间的远程上下文信息；所述解码器用于基于Transformer模块的输出重构高光谱图像；设计损失函数，根据损失函数对所述高光谱图像解混网络模型进行训练；利用训练好的高光谱图像解混网络模型对输入的高光谱图像进行解混。
-
公开(公告)号：CN111523477A
公开(公告)日：2020-08-11
申请号：CN202010331129.6
申请日：2020-04-24
Applicant: 河南大学
Abstract: 本发明提供了一种基于运动历史图像和集成学习器的视频动作识别方法。在提取视频中对象的运动信息时，基于运动历史图像方法提取了多重运动历史图像作为动作信息，并利用图像不变矩描述不同动作的特征差异，将得到的各个视频样本的运动特征输入XGBoost集成分类器进行训练，得到最终的分类模型。本发明仅需要较少的样本数量即可取得较好地视频动作识别效果。
-
公开(公告)号：CN111523477B
公开(公告)日：2023-08-01
申请号：CN202010331129.6
申请日：2020-04-24
Applicant: 河南大学
IPC: G06V40/20 , G06V20/40 , G06V10/774
Abstract: 本发明提供了一种基于运动历史图像和集成学习器的视频动作识别方法。在提取视频中对象的运动信息时，基于运动历史图像方法提取了多重运动历史图像作为动作信息，并利用图像不变矩描述不同动作的特征差异，将得到的各个视频样本的运动特征输入XGBoost集成分类器进行训练，得到最终的分类模型。本发明仅需要较少的样本数量即可取得较好地视频动作识别效果。
-
Patent Agency Ranking
公开(公告)号：CN116228789A
公开(公告)日：2023-06-06
申请号：CN202211647777.8
申请日：2022-12-21
Applicant: 河南大学
IPC: G06T7/11 , G06T5/00 , G06T3/40 , G06T3/60 , G06V10/40 , G06V10/774 , G06V10/80 , G06N3/047 , G06N3/082 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开一种基于DeepLabv3+网络的遥感图像分割方法，包括：从卫星影像的AI分类与识别比赛中下载出遥感图像数据集；对下载的遥感图像进行预处理；在DeepLabv3+网络结构的基础上，添加注意力模块，所述注意力模块包括位置注意力模块和通道注意力模块；在PyTorch深度学习框架中设置训练参数；将得到的数据集输入到设计好的DeepLabv3+深度学习网络结构中，并在深度学习框架中进行训练，得到最终的改进DeepLabv3+网络结构模型；将待分割遥感图像输入到最终的网络结构模型中，得到遥感图像分割结果。本发明的分割精度更高，对于多尺度目标和边缘特征提取效果明显。
-
公开(公告)号：CN111539900A
公开(公告)日：2020-08-14
申请号：CN202010331150.6
申请日：2020-04-24
Applicant: 河南大学
Abstract: 本发明提供了一种基于引导滤波的IHS遥感图像融合方法。首先，采用引导滤波对多光谱图像进行处理，得到边缘信息更加丰富的多光谱图像，利用高通滤波对多光谱图像和全色图像进行滤波，得到其各自的高频细节分量；然后，利用自适应AIHS方法求解自适应系数，得到细节分量图；最后，为了得到更丰富的光谱信息，利用引导滤波对图像进行处理，提取差异信息，得到其中的光谱信息，并注入到细节分量图中，得到融合图像。本发明在融合图像空间细节的同时能够很好地保持光谱信息，减少光谱扭曲，具有更为理想的融合效果。
-
公开(公告)号：CN118469857A
公开(公告)日：2024-08-09
申请号：CN202410697786.0
申请日：2024-05-31
Applicant: 河南大学
Abstract: 本发明公开一种基于多分辨率注意力融合网络的高光谱图像去噪方法及系统，该方法包括：构建多分辨率注意力融合网络，所述多分辨率注意力融合网络包括数据处理模块、双融合残差模块、交叉注意力融合模块和图像重建模块，所述数据处理模块用于对输入的高光谱图像进行不同倍数的降采样，所述双融合残差模块用于对不同分辨率的图像进行融合，所述交叉注意力融合模块用于在通道和空间注意力上聚焦图像中的特征，所述图像重建模块用于利用提取出的残差的噪声图像和原始高光谱图像得到去噪后的图像；基于训练后的多分辨率注意力融合网络对高光谱图像进行去噪处理。本发明抽取了高光谱图像中丰富的语义信息，结合不同分辨率的特征，提高了去噪的准确性。
-
公开(公告)号：CN111539900B
公开(公告)日：2023-03-24
申请号：CN202010331150.6
申请日：2020-04-24
Applicant: 河南大学
Abstract: 本发明提供了一种基于引导滤波的IHS遥感图像融合方法。首先，采用引导滤波对多光谱图像进行处理，得到边缘信息更加丰富的多光谱图像，利用高通滤波对多光谱图像和全色图像进行滤波，得到其各自的高频细节分量；然后，利用自适应AIHS方法求解自适应系数，得到细节分量图；最后，为了得到更丰富的光谱信息，利用引导滤波对图像进行处理，提取差异信息，得到其中的光谱信息，并注入到细节分量图中，得到融合图像。本发明在融合图像空间细节的同时能够很好地保持光谱信息，减少光谱扭曲，具有更为理想的融合效果。
-
公开(公告)号：CN115345792A
公开(公告)日：2022-11-15
申请号：CN202210957337.6
申请日：2022-08-10
Applicant: 河南大学
Abstract: 本发明提供一种基于U型金字塔残差结构的全色锐化方法。该方法包括：获取多光谱图像和全色图像，并对两种图像按照设定大小进行剪裁以得到训练集和测试集；利用训练集对基于U型金字塔残差结构的全色锐化网络模型进行训练，获得最优全色锐化网络模型；利用训练得到的最优全色锐化网络模型对测试集中的图像数据进行全色锐化。结构特征包括：将多光谱和全色图像渐进重采样得到两个金字塔图像序列；相同尺度图像合并后提取特征；自上向下进行相同尺度图像特征融合；自下向上进行相同尺度图像重建；最后通过跳连接保持光谱信息最终得到高分辨率多光谱图像。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.015 seconds)
