-
公开(公告)号：CN111242846B
公开(公告)日：2022-03-22
申请号：CN202010013198.2
申请日：2020-01-07
Applicant: 福州大学
Abstract: 本发明涉及一种基于非局部增强网络的细粒度尺度图像超分辨率方法，该方法包括以下步骤：步骤A：对原始高分辨率训练图像进行预处理，得到不同尺度的低质量的高分辨率图像块和原始高分辨率训练图像块组成的图像块对数据集；步骤B：使用图像块对数据集训练非局部增强的深度网络；步骤C：将低质量测试图像的高分辨率图像输入到深度网络进行重建，得到超分辨率结果。该方法使用非局部增强的深层残差结构，通过将非局部操作与普通卷积相结合，可以有效地捕获并利用局部和非局部图像属性进行图像超分辨率，对比现有超分辨率模型，该方法能显著提高图像超分辨率在细粒度尺度上的性能。
-
公开(公告)号：CN112766221B
公开(公告)日：2022-06-14
申请号：CN202110134342.2
申请日：2021-02-01
Applicant: 福州大学
IPC: G06V20/10 , G06V20/54 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明涉及一种基于船舶方向和位置多任务的SAR图像船舶目标检测方法。包括：步骤A：划分数据集，进行数据增强，将图像和标签数据转化成用于SAR图像船舶目标检测的数据；步骤B：设计基于SAR图像船舶特征的目标检测网络的多尺度特征提取模块、船舶方向分类模块和用于多任务检测的双分支检测头；步骤C：设计目标检测网络的损失函数，指导网络梯度计算和参数优化；步骤D：使用步骤C设计的损失函数对步骤B设计的目标检测网络进行训练，优化网络参数；步骤E：将待测试的图像输入训练好的网络预测船舶目标，使用非极大值抑制过滤冗余的船舶目标，得到最终检测结果。本发明方法能有效减少预测结果与真实船舶目标之间的差异。
-
公开(公告)号：CN113657252A
公开(公告)日：2021-11-16
申请号：CN202110935194.4
申请日：2021-08-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于编码解码器的高效SAR图像船舶目标检测方法。包括：步骤A、对数据集划分，进行数据增强，提取图像和标签信息用于SAR船舶目标检测训练；步骤B、设计无需大量参数且性能好的编码解码器目标检测网络、基于centerness的样本分配方式、结合船舶角度信息的检测方法；步骤C、根据网络模型设计损失函数，指导网络模型的参数优化；步骤D、设置目标检测网络的训练策略，并进行训练，优化网络参数；步骤E、将待测SAR图像输入到已训练完成的目标检测网络，预测出船舶目标，使用非极大值抑制过滤质量差的冗余检测框，得到检测的船舶目标。本发明方法能有效提高船舶小目标的检测效果，显著提高船舶召回率。
-
Patent Agency Ranking
公开(公告)号：CN112766221A
公开(公告)日：2021-05-07
申请号：CN202110134342.2
申请日：2021-02-01
Applicant: 福州大学
Abstract: 本发明涉及一种基于船舶方向和位置多任务的SAR图像船舶目标检测方法。包括：步骤A：划分数据集，进行数据增强，将图像和标签数据转化成用于SAR图像船舶目标检测的数据；步骤B：设计基于SAR图像船舶特征的目标检测网络的多尺度特征提取模块、船舶方向分类模块和用于多任务检测的双分支检测头；步骤C：设计目标检测网络的损失函数，指导网络梯度计算和参数优化；步骤D：使用步骤C设计的损失函数对步骤B设计的目标检测网络进行训练，优化网络参数；步骤E：将待测试的图像输入训练好的网络预测船舶目标，使用非极大值抑制过滤冗余的船舶目标，得到最终检测结果。本发明方法能有效减少预测结果与真实船舶目标之间的差异。
-
公开(公告)号：CN111951207A
公开(公告)日：2020-11-17
申请号：CN202010861879.4
申请日：2020-08-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度增强学习和语义损失的图像质量增强方法，步骤S1：构造两种数据集，分别为单一程度单一失真类型数据集和不同程度混合失真类型的数据集；步骤S2：设计一种卷积神经网络模型和一个深度增强学习网络，并为深度增强学习网络设计一种包含综合失真损失和语义损失的损失函数；训练深度增强学习网络，得到训练好的图像质量增强模型；步骤S3：将待测的失真图像划分为图像块，利用训练好的图像质量增强模型恢复待测失真图像的质量，得到最终的图像质量增强结果。本发明利用预训练好的应对单一失真类型的工具集合，通过找出使恢复结果最佳的工具及其使用顺序，最终显著增强混合失真类型图像的质量。
-
公开(公告)号：CN113657252B
公开(公告)日：2023-07-28
申请号：CN202110935194.4
申请日：2021-08-16
Applicant: 福州大学
IPC: G06V20/13 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/73 , G06N3/0455
Abstract: 本发明涉及一种基于编码解码器的高效SAR图像船舶目标检测方法。包括：步骤A、对数据集划分，进行数据增强，提取图像和标签信息用于SAR船舶目标检测训练；步骤B、设计无需大量参数且性能好的编码解码器目标检测网络、基于centerness的样本分配方式、结合船舶角度信息的检测方法；步骤C、根据网络模型设计损失函数，指导网络模型的参数优化；步骤D、设置目标检测网络的训练策略，并进行训练，优化网络参数；步骤E、将待测SAR图像输入到已训练完成的目标检测网络，预测出船舶目标，使用非极大值抑制过滤质量差的冗余检测框，得到检测的船舶目标。本发明方法能有效提高船舶小目标的检测效果，显著提高船舶召回率。
-
公开(公告)号：CN111951207B
公开(公告)日：2022-06-14
申请号：CN202010861879.4
申请日：2020-08-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度增强学习和语义损失的图像质量增强方法，步骤S1：构造两种数据集，分别为单一程度单一失真类型数据集和不同程度混合失真类型的数据集；步骤S2：设计一种卷积神经网络模型和一个深度增强学习网络，并为深度增强学习网络设计一种包含综合失真损失和语义损失的损失函数；训练深度增强学习网络，得到训练好的图像质量增强模型；步骤S3：将待测的失真图像划分为图像块，利用训练好的图像质量增强模型恢复待测失真图像的质量，得到最终的图像质量增强结果。本发明利用预训练好的应对单一失真类型的工具集合，通过找出使恢复结果最佳的工具及其使用顺序，最终显著增强混合失真类型图像的质量。
-
公开(公告)号：CN111242846A
公开(公告)日：2020-06-05
申请号：CN202010013198.2
申请日：2020-01-07
Applicant: 福州大学
Abstract: 本发明涉及一种基于非局部增强网络的细粒度尺度图像超分辨率方法，该方法包括以下步骤：步骤A：对原始高分辨率训练图像进行预处理，得到不同尺度的低质量的高分辨率图像块和原始高分辨率训练图像块组成的图像块对数据集；步骤B：使用图像块对数据集训练非局部增强的深度网络；步骤C：将低质量测试图像的高分辨率图像输入到深度网络进行重建，得到超分辨率结果。该方法使用非局部增强的深层残差结构，通过将非局部操作与普通卷积相结合，可以有效地捕获并利用局部和非局部图像属性进行图像超分辨率，对比现有超分辨率模型，该方法能显著提高图像超分辨率在细粒度尺度上的性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
