-
公开(公告)号：CN111353964A
公开(公告)日：2020-06-30
申请号：CN202010120862.3
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络的结构一致立体图像风格迁移方法，包括以下步骤：S1、对输入的参考图像和立体图像的左、右视图分别进行语义分割，并提取卷积层特征；S2、分别计算参考图像和左、右视图的特征损失函数；S3、在特征损失函数中添加正则化损失函数，引入拉普拉斯惩罚项，防止图像结构失真，生成风格化后的左、右视图；S4、利用两种质量评估算法分别评估风格化后的左、右视图与输入图像的相似度，对比两个相似性度量值，用相似性度量值较高的图像来校正相似度较低的图像，获得最终的结果图像。该方法有利于在对立体图像进行风格迁移的同时保持立体结构一致性，获得风格化后结构一致的立体图像。
-
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。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN111724370B
公开(公告)日：2022-07-08
申请号：CN202010563396.6
申请日：2020-06-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于不确定性和概率的多任务无参考图像质量评估方法及系统，首先将待训练的数据进行数据预处理；然后设计能够预测失真类型和图像质量分数的多任务卷积神经网络，并训练该多任务卷积神经网络；最后将待测图像进行预处理，生成图像块，利用训练好的多任务卷积神经网络预测所生成的图像块的质量分数和失真类型，根据图像块的质量分数和失真类型计算待测图像的质量分数和失真类型。本发明通过提出的多任务卷积神经网络提取图像特征、学习图像质量和失真类型之间的不确定性，不仅能够评估图像质量，也能够预测失真类型，并显著提高无参考图像质量评估的性能。
-
公开(公告)号：CN111311517B
公开(公告)日：2022-07-08
申请号：CN202010120345.6
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于抠图的颜色校正优化方法，包括以下步骤：S1：输入参考图像和目标图像，生成颜色校正结果图像和初始残差图像；S2：利用初始残差图像建立损失函数并使其最小化，获得关于最优残差图像的二次型损失函数；S3：利用MDSI和GSM方法分别生成目标图像和颜色校正结果图像的结构一致性置信图和梯度相似性置信图，进而得到图像一致性置信图；S4：在二次型损失函数中添加结构数据项来约束图像的结构，生成最优残差图像，进而生成结果图像；S5：利用梯度优化算法对结果图像进行梯度一致性优化，增强结果图像的边缘结构，生成最终结果图像。该方法有利于在对图像进行颜色校正优化的同时保证图像的清晰度。
-
公开(公告)号：CN111311517A
公开(公告)日：2020-06-19
申请号：CN202010120345.6
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于抠图的颜色校正优化方法，包括以下步骤：S1：输入参考图像和目标图像，生成颜色校正结果图像和初始残差图像；S2：利用初始残差图像建立损失函数并使其最小化，获得关于最优残差图像的二次型损失函数；S3：利用MDSI和GSM方法分别生成目标图像和颜色校正结果图像的结构一致性置信图和梯度相似性置信图，进而得到图像一致性置信图；S4：在二次型损失函数中添加结构数据项来约束图像的结构，生成最优残差图像，进而生成结果图像；S5：利用梯度优化算法对结果图像进行梯度一致性优化，增强结果图像的边缘结构，生成最终结果图像。该方法有利于在对图像进行颜色校正优化的同时保证图像的清晰度。
-
公开(公告)号：CN111353964B
公开(公告)日：2022-07-08
申请号：CN202010120862.3
申请日：2020-02-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络的结构一致立体图像风格迁移方法，包括以下步骤：S1、对输入的参考图像和立体图像的左、右视图分别进行语义分割，并提取卷积层特征；S2、分别计算参考图像和左、右视图的特征损失函数；S3、在特征损失函数中添加正则化损失函数，引入拉普拉斯惩罚项，防止图像结构失真，生成风格化后的左、右视图；S4、利用两种质量评估算法分别评估风格化后的左、右视图与输入图像的相似度，对比两个相似性度量值，用相似性度量值较高的图像来校正相似度较低的图像，获得最终的结果图像。该方法有利于在对立体图像进行风格迁移的同时保持立体结构一致性，获得风格化后结构一致的立体图像。
-
公开(公告)号：CN111724370A
公开(公告)日：2020-09-29
申请号：CN202010563396.6
申请日：2020-06-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于不确定性和概率的多任务无参考图像质量评估方法及系统，首先将待训练的数据进行数据预处理；然后设计能够预测失真类型和图像质量分数的多任务卷积神经网络，并训练该多任务卷积神经网络；最后将待测图像进行预处理，生成图像块，利用训练好的多任务卷积神经网络预测所生成的图像块的质量分数和失真类型，根据图像块的质量分数和失真类型计算待测图像的质量分数和失真类型。本发明通过提出的多任务卷积神经网络提取图像特征、学习图像质量和失真类型之间的不确定性，不仅能够评估图像质量，也能够预测失真类型，并显著提高无参考图像质量评估的性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
