-
公开(公告)号：CN118823685A
公开(公告)日：2024-10-22
申请号：CN202411298363.8
申请日：2024-09-18
Applicant: 厦门众联世纪股份有限公司 , 福州大学
IPC: G06V20/52 , G06V10/24 , G06V10/774 , G06V10/82 , G06V10/44 , G06V10/75 , G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/09 , G06N3/0495 , G06N3/042
Abstract: 本发明涉及一种基于混合专家网络的人群定位方法、系统和存储介质，具体包括以下步骤：步骤S1：将人群数据集划分为训练集、验证集和测试集，对数据集中的人群图像及对应的人群位置标签执行预处理；步骤S2：构建卷积神经网络编码器，将训练图像输入进行编码以及深度特征提取；步骤S3：构建混合专家Transformer模块，结合其自注意力机制和混合专家网络，针对输入特征的不同区域进行专门处理，进一步提炼人群位置特征；步骤S4：构建KMO匹配器，用于匹配真实人群坐标与预测人群坐标，监督模型训练；步骤S5：构建并训练基于混合专家网络的人群定位模型；步骤S6：将人群图像输入到人群定位模型中，输出预测的人群位置信息。
-
公开(公告)号：CN118470630A
公开(公告)日：2024-08-09
申请号：CN202410535056.0
申请日：2024-04-30
Applicant: 福州大学
Abstract: 本发明提出基于元学习的跨域小样本人群计数方法，包括以下步骤；步骤S1：对合成的人群计数数据集和真实世界的人群计数数据集分别进行采样构建出元训练集和元测试集；步骤S2：构建根据场景上下文信息动态调整网络的场景自适应模块；步骤S3：构建人群计数模型；步骤S4：设计基于元学习的训练策略；步骤S5：利用步骤S4中得到的模型，通过基于知识蒸馏的正则化微调方法，在元测试集上进行测试；本发明显著降低了数据收集和标注的成本；使用基于知识蒸馏的正则化微调方法，解决了过拟合问题；还在模型中引入根据场景上下文信息调整网络的场景自适应模块，用于提升模型在跨域情况下的泛化能力。
-
公开(公告)号：CN111669563B
公开(公告)日：2021-06-25
申请号：CN202010563773.6
申请日：2020-06-19
Applicant: 福州大学
IPC: H04N13/106 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于强化学习的立体图像视觉舒适度增强方法，首先构造两种数据集，然后设计立体图像几何校正网络，依次采用不同的单一变换数据集训练该网络分别得到不同的立体图像几何校正工具；接着设计视觉舒适度增强模型，利用混合变化数据集并采用强化学习算法来训练该视觉舒适度增强模型；最后将待调整的立体图像输入训练好的视觉舒适度增强模型中，以提高其视觉舒适度。本发明可以显著提高视觉不适的立体图像的质量，给予观看者舒适的观看体验。
-
公开(公告)号：CN114693558B
公开(公告)日：2024-09-06
申请号：CN202210335753.2
申请日：2022-03-31
Applicant: 福州大学
IPC: G06T5/70 , G06T5/60 , G06T5/50 , G06T7/90 , G06N3/0464
Abstract: 本发明涉及一种基于渐进融合多尺度策略的图像去摩尔纹方法及系统，该方法包括以下步骤：步骤S1、对原始数据集中图像进行处理，得到摩尔纹图像和干净图像对，并对每幅图像进行预处理，得到训练数据集；步骤S2、构建基于渐进融合多尺度策略的多尺度去摩尔纹网络，所述多尺度去摩尔纹网络采用多尺度设计，由两个渐进纹理融合模块和多个残差摩尔纹去除模块组成；步骤S3、构建用于训练所述多尺度去摩尔纹网络的损失函数；步骤S4、采用训练数据集训练所述多尺度去摩尔纹网络；步骤S5、将待处理的摩尔纹图像输入训练好的多尺度去摩尔纹网络，输出去除摩尔纹后的干净图像。该方法及系统有利于实现高质量的图像去摩尔纹。
-
公开(公告)号：CN112767451B
公开(公告)日：2022-09-06
申请号：CN202110134261.2
申请日：2021-02-01
Applicant: 福州大学
Abstract: 本发明涉及一种基于双流卷积神经网络的人群分布预测方法及其系统。该方法包括：对从视频中提取的待训练图像序列进行数据预处理，归一化图像序列及其对应的人群密度图序列；设计双流卷积神经网络结构，包括F2D‑Net子网络、D2D‑Net子网络、融合模块；使用归一化图像序列中的最后两张图像计算光流，将光流映射到最后一张归一化图像对应的人群密度图作为光流法预测的密度图，并将其与两个子网络预测的特征通过融合模块融合的特征图进行融合，生成未来的人群分布密度图；对所设计网络设计损失函数，使用所设计网络训练人群分布预测模型；利用训练好的人群分布预测模型预测未来的人群分布密度图并估计人群数量。本发明可以预测未来的人群分布、估计未来人群数量。
-
Patent Agency Ranking
公开(公告)号：CN111723822B
公开(公告)日：2022-06-14
申请号：CN202010570806.X
申请日：2020-06-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于多层次融合的RGBD图像显著性检测方法及系统，包括：步骤S1：进行数据增强，同时对彩色图像以及对应的深度图和人工标注图进行处理；步骤S2：设计多层次卷积神经网络结构，提取并融合深度图与彩色图像特征，融合多层次的特征，得到各个层次预测的显著性图Sk；步骤S3：设计一个融合优化模块,然后融合各个层次的显著性图Sk，得到最终的显著性图Sfinal；步骤S4：通过求解最小化损失函数，学习到RGBD图像显著性检测模型的最优参数，得到训练好的RGBD图像显著性检测模型；步骤S5：最后，将RGBD图像输入训练好的模型，计算得到输入图像的显著性检测结果，即显著性图。本发明解决了RGBD图像显著性检测边缘粗糙问题，能显著提升RGBD图像显著性检测的性能。
-
公开(公告)号：CN112767451A
公开(公告)日：2021-05-07
申请号：CN202110134261.2
申请日：2021-02-01
Applicant: 福州大学
Abstract: 本发明涉及一种基于双流卷积神经网络的人群分布预测方法及其系统。该方法包括：对从视频中提取的待训练图像序列进行数据预处理，归一化图像序列及其对应的人群密度图序列；设计双流卷积神经网络结构，包括F2D‑Net子网络、D2D‑Net子网络、融合模块；使用归一化图像序列中的最后两张图像计算光流，将光流映射到最后一张归一化图像对应的人群密度图作为光流法预测的密度图，并将其与两个子网络预测的特征通过融合模块融合的特征图进行融合，生成未来的人群分布密度图；对所设计网络设计损失函数，使用所设计网络训练人群分布预测模型；利用训练好的人群分布预测模型预测未来的人群分布密度图并估计人群数量。本发明可以预测未来的人群分布、估计未来人群数量。
-
公开(公告)号：CN111723822A
公开(公告)日：2020-09-29
申请号：CN202010570806.X
申请日：2020-06-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于多层次融合的RGBD图像显著性检测方法及系统，包括：步骤S1：进行数据增强，同时对彩色图像以及对应的深度图和人工标注图进行处理；步骤S2：设计多层次卷积神经网络结构，提取并融合深度图与彩色图像特征，融合多层次的特征，得到各个层次预测的显著性图Sk；步骤S3：设计一个融合优化模块,然后融合各个层次的显著性图Sk，得到最终的显著性图Sfinal；步骤S4：通过求解最小化损失函数，学习到RGBD图像显著性检测模型的最优参数，得到训练好的RGBD图像显著性检测模型；步骤S5：最后，将RGBD图像输入训练好的模型，计算得到输入图像的显著性检测结果，即显著性图。本发明解决了RGBD图像显著性检测边缘粗糙问题，能显著提升RGBD图像显著性检测的性能。
-
公开(公告)号：CN116883667B
公开(公告)日：2025-05-09
申请号：CN202310958101.9
申请日：2023-08-01
Applicant: 福州大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/54 , G06V10/40
Abstract: 本发明的目的是提出基于困难类别感知机制的夜间街景语义分割方法。利用曝光纹理图，通过梯度反向传播，使得编码器隐式的学习图像中的曝光特征和纹理特征，同时使用困难类别感知模块加强困难类别语义分割网络对困难类别的识别和定位能力，有效地提高了夜间街景语义分割算法的性能。
-
公开(公告)号：CN112613303B
公开(公告)日：2023-02-21
申请号：CN202110020656.X
申请日：2021-01-07
Applicant: 福州大学
IPC: G06F40/253 , G06F40/242 , G06F40/284 , G06F40/30 , G06V30/18 , G06V30/19 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于知识蒸馏的跨模态图像美学质量评价方法。包括以下步骤：S1：设计图文多模态美学质量评价的教师网络；S2：设计用于图像美学质量评价的学生网络；S3：设计用于进行对抗训练的判别器网络；S4：设计用于训练教师网络和学生网络的损失函数；S5：使用损失函数对步骤S1、S2及S3所设计网络进行训练；S6：将用于测试的图像输入训练好的学生网络预测其美学质量。本发明方法能显著提高美学质量预测精度。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.031 seconds)
