-
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：CN119850940A
公开(公告)日：2025-04-18
申请号：CN202311350268.3
申请日：2023-10-18
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二维三维卷积的点云语义分割方法。本发明针对现有的方法探索了像素或点之间的依赖关系，而忽略了对象之间的关系的问题，并考虑到ALS点云坐标在XY平面上的方差大于沿Z轴方向的方差，所以首先通过添加2D卷积来增强由3D卷积获得的特征的代表性，以便更多地关注XY平面上的点分布。在特征提取模块，本发明将KPConv中的原有的单个3D KPConv算子替换为2D KPConv和3D KPConv，以二维三维卷积信息来提取更具代表性的点的特征；在在对象级别，应用空间通道注意力机制，以考虑全局信息。通过应用空间注意力矩阵，获取了所有点对之间的信息，并将二维三维卷积的输出嵌入到点对之间，以此进行信息增益，提高了点与对象的联系，增强了语义一致性。
-
公开(公告)号：CN115830311A
公开(公告)日：2023-03-21
申请号：CN202211378833.2
申请日：2022-11-04
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点云数据自动增强的三维点云语义分割方法。该发明可以进一步增强以PointNet++为代表的点云语义分割算法在不同应用场景下的泛化性能。以往点云语义分割算法通常存在两个问题：一是利用传统的数据增强方法；二是将数据增强与网络训练分为两个阶段。本发明提出的基于点云数据自动增强的三维点云语义分割方法，通过考虑样本的基本几何结构，为每个输入样本回归一个特定的增强函数，同时学习点云样本的形状变换和逐点位移，并联合优化增强函数和优化器，解决网络中输入样本多样性不足的问题，增强网络的泛化能力。
-
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：CN115861615A
公开(公告)日：2023-03-28
申请号：CN202211533914.5
申请日：2022-12-01
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二维三维信息双向交互的三维点云语义分割方法。该发明可以进一步增强以U‑Net为代表的U型网络的信息利用效率，加强其在不同场景下的泛化性能。以往的工作，将点云投影到二维平面或直接利用点，只是利用单独的二维或者三维信息，忽略了规则的2D图像具有细粒度的纹理信息，而不规则的3D点云包含了丰富的几何信息，两者所携带的信息是可以相互补充的。本发明提出的基于二维与三维信息双向交互的三维点云语义分割算法，通过构建3D体素与2D像素对应的投影矩阵，在相同的解码器层级，跳跃链接2D和3D的特征，为网络提供具有丰富纹理信息的2D特征和具有丰富几何信息的3D特征，实现了2D信息与3D信息的双向交互。
-
Patent Agency Ranking
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。
-
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：CN115641439A
公开(公告)日：2023-01-24
申请号：CN202211378814.X
申请日：2022-11-04
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点体素联合的三维点云语义分割方法。该发明针对基于体素或基于点的算法处理三维数据的计算效率都很低的问题，提出点体素联合的方法。基于体素的方法在体素化过程中会有信息丢失，且计算成本和内存需求都随着体素分辨率的增加而增加；而基于点的方法会导致高达80％的时间浪费在构造内存局部性较差的稀疏数据上。本发明提出的基于点体素联合的三维点云语义分割方法，将点云体素化，获得规则的体素数据，应用3D CNN来获取低分辨率的局部特征，然后利用最近邻插值去体素化，应用PointNet网络提取高分辨率的逐点特征，并将基于体素的局部特征和基于点的全局特征拼接起来，作为网络提取的特征，以此在保证精度的同时，提高计算效率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.024 seconds)
