-
公开(公告)号：CN115564888A
公开(公告)日：2023-01-03
申请号：CN202210845580.9
申请日：2022-07-18
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明基于MVSNet网络进行改进，提出一种基于深度学习的可见光多视图像三维重建方法。将网络中的批归一化层和非线性激活函数层替换为融合的Inplace‑ABN层，降低了显存的占用量。设计基于分组相似性的加权均值度量法对代价体的特征维度进行降维，获得了更加轻量级的代价体，压缩了网络参数，降低了计算量与显存消耗。针对MVSNet网络使用低尺度特征图导致深度图分辨率低于输入图像的问题，利用特征金字塔模块提取多尺度的特征图，并设计了分阶段、多尺度的迭代优化深度估计。在保证精度的前提下，通过多轮深度迭代，降低了代价体深度平面的平均数量，使代价体获得更高的空间分辨率，提高了深度图估计的准确度。最后对输出深度图进行过滤与融合完成场景三维重建任务。
-
公开(公告)号：CN115115860B
公开(公告)日：2024-12-17
申请号：CN202210856359.3
申请日：2022-07-20
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明基于改进的SuperPoint网络和改进的SuperGlue网络设计了一种融合网络，该网络利用全卷积网络提取图像特征点，使用一种亚像素化模块利用邻域窗口信息增进特征点的坐标精度，对图像特征点与特征向量联合编码后利用注意力机制模拟人类进行特征点匹配的过程并采用Sinkhorn算法解算匹配关系。本发明设计了自适应的空间约束层，利用空间约束关系对粗匹配点对进行多种方法的并行筛选和计算，能够自适应判别图像间的空间关系，对输入图像提取出匹配好的特征点对。
-
公开(公告)号：CN115115860A
公开(公告)日：2022-09-27
申请号：CN202210856359.3
申请日：2022-07-20
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明基于改进的SuperPoint网络和改进的SuperGlue网络设计了一种融合网络，该网络利用全卷积网络提取图像特征点，使用一种亚像素化模块利用邻域窗口信息增进特征点的坐标精度，对图像特征点与特征向量联合编码后利用注意力机制模拟人类进行特征点匹配的过程并采用Sinkhorn算法解算匹配关系。本发明设计了自适应的空间约束层，利用空间约束关系对粗匹配点对进行多种方法的并行筛选和计算，能够自适应判别图像间的空间关系，对输入图像提取出匹配好的特征点对。
-
公开(公告)号：CN119151806A
公开(公告)日：2024-12-17
申请号：CN202310696472.4
申请日：2023-06-13
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于深度学习的无人机图像增强方法。该发明针对RetinexNet算法对于图像中已经足够亮的像素，仍会进行增强处理，导致图像失真和信息丢失的问题，利用基于皮尔生长曲线对图像进行自适应亮度伽马校正，通过对图像的每个像素进行非线性变换来调整亮度，使其在人眼中具有更加平均的感知。针对RetinexNet算法会引入新的噪声的问题，本发明在Retinex分解模块引入引导滤波来替代高斯滤波对图像进行平滑去噪，利用高质量的引导图像来引导滤波器进行滤波，从而保留原始图像的边缘和细节；然后设计了基于引导滤波的Retinex分解模块，更好的计算图像的反射分量和光照分量。
-
Patent Agency Ranking
公开(公告)号：CN119131101A
公开(公告)日：2024-12-13
申请号：CN202310701044.6
申请日：2023-06-13
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T7/50 , G06V10/52 , G06V10/44 , G06V10/74 , G06V10/82 , G06N3/044 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/082
Abstract: 本发明针对利用多视无人机序列图像进行大范围场景的三维重建任务时，存在模型细节还原度不高，算力和存储资源要求高，建模时间长等问题，设计了一种基于动态多尺度特征和内容感知聚合的深度估计网络。高精度的深度估计是实现高精度三维重建的重要保障，该网络以多视角立体网络MVSNet为基础，引入了动态多尺度特征提取网络、轻量级代价体、内容感知的代价体聚合模块和循环卷积混合网络，能够提取出图像中更丰富更深层次的深度信息，且在运行效率方面也有优秀的表现。
-
公开(公告)号：CN118587575A
公开(公告)日：2024-09-03
申请号：CN202310217293.8
申请日：2023-03-03
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于动态尺度特征的湖泊水域动态变化检测方法。该发明基于动态尺度特征设计了一个孪生网络，该网络可用于湖泊水域的变化检测。首先分别利用6个曲率引导的动态尺度卷积(CDSConv)来学习原始遥感影像中的像素级的鲁棒表示，由这6个动态尺度卷积层构成的动态尺度特征网络(CDSFNet)能够学习到图像的动态尺度特征，然后利用孪生网络获取不同时相之间的图像变化,弥补传统变化检测方法中耗时长、精度差，难以定量确定差异的缺点。
-
公开(公告)号：CN119831870A
公开(公告)日：2025-04-15
申请号：CN202311326939.2
申请日：2023-10-13
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T5/60 , G06N3/0464 , G06N3/048
Abstract: 本发明提出了一种多尺度低照度图像增强网络模型。近年来，图像增强技术已广泛应用于刑事侦查、医学成像等领域。然而，在低照度环境下拍摄的图像会存在亮度低、对比度低、颜色失真等情况，这些现象不仅会降低用户的视觉体验，还会干扰场景分析，对目标跟踪、图像融合等后续计算机视觉任务造成困难。针对图像增强中没有考虑多尺度以及通道等信息的问题。本发明引入了一种多层特征提取模块，提取多尺度特征，同时实现高低频特征的信息交互，节约计算量。同时利用空洞卷积扩大感受野。并在多层特征提取模块与最后引入残差结构，解决卷积过程中低层信息损失等问题。本项发明所提出的多尺度低照度图像增强网络模型，其拥有多层特征提取模块以及空洞卷积扩大感受野等有效技术手段，可极大地提高低照度图像的亮度、对比度和颜色还原度，进而解决该类图像存在的问题。除此之外，这种创新性的技术模型，具备广泛的应用前景，可广泛应用于刑事侦查、医学成像等领域，并有可能不断推动和促进图像增强技术的发展，为相关领域的研究和实践带来更加深远的影响和价值。
-
公开(公告)号：CN118587574A
公开(公告)日：2024-09-03
申请号：CN202310216785.5
申请日：2023-03-03
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V20/10 , G06V10/40 , G06V10/26 , G06V10/778
Abstract: 本发明公开了一种基于轻量化网络的建筑物提取方法。随着对城市化的高需求和高分辨率遥感图像的可用性，建筑提取已成为研究界进行密集研究的一个重要课题。本文网络通过按照1×1卷积层进行本地和全球连接来连接不同的块，从而同时访问中高频信息，实现网络的特征提取阶段以此来提高建筑物提取网络的速率，达到网络的轻量化。有效密集块和内部有效剩余块，利用多层次的连接可以帮助提出的方法学习多层次的特征，并帮助网络迅速分散信息从低到高，同时进行反向传播。在这种情况下，网络共享所有块之间的信息，从而获得更好的重构结果。
-
公开(公告)号：CN118587428A
公开(公告)日：2024-09-03
申请号：CN202310194858.5
申请日：2023-03-03
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于局部非局部特征聚合的三维点云语义分割方法。该发明针对现有的特征学习过程是噪声敏感的，且其只考虑相邻区域的局部信息交互，然后通过层次结构获取全局上下文，通常会导致自下而上的特征学习，从而导致提取的特征信息受离群点的影响，且存在特征冗余的情况，提出了一种基于局部信息与非局部特征信息加权求和的方法。本发明以3D点云为输入，在点局部单元中采用相对坐标作为局部特征；在点的非局部特征提取模块中，我们使用采样点作为查询点，通过注意力机制来计算采样点在这一层中与整个点云的相关度，然后进行MLP作为非局部信息，最后进行加权和，以实现点局部特征和点非局部特征的融合，以此提取更具代表性的特征。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.037 seconds)
