公开(公告)号：CN120031726A

公开(公告)日：2025-05-23

申请号：CN202510097155.X

申请日：2025-01-22

Applicant: 浪潮云信息技术股份公司

Inventor： 杨瑞凯

IPC: G06T5/50 ,  G06T5/60 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09

Abstract: 本发明公开了一种多聚焦图像融合方法及系统，属于图像信息处理技术领域，基于联合多级深度监督卷积神经网络实现多聚焦图像融合，包括特征提取、特征融合及增强重建；所述特征提取，基于深度学习的方法设计用于特征提取的特征提取器；所述特征融合，通过通道级别的级联与卷积进行不同图像的特征的融合；所述增强重建，通过多级监督以及不同层级特征的融合与图像重建进行深度的多聚焦图像融合。本发明能够高效地捕捉并融合图像的低频与高频信息，进而增强整体视觉效果；促进特征融合的精确性，强化图像的自然增强能力，整体提升了融合图像的质量和保真度。

公开(公告)号：CN119850436A

公开(公告)日：2025-04-18

申请号：CN202411797960.5

申请日：2024-12-09

Applicant: 浪潮云信息技术股份公司

Inventor： 杨瑞凯 ,  侯永东

IPC: G06T5/50 ,  G06T5/60 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明提供一种学习特定领域和通用领域特征表示的多领域图像融合方法，属于图像信息处理技术领域，本发明包括三个步骤：共享原则网络、适应性领域特征提取策略和领域激活机制。步骤一：共享原则网络。基于深度学习的方法设计用于跨领域通用特征提取的共享网络。步骤二：适应性领域特征提取策略。通过领域特定的子网络进行不同领域的特征提取。步骤三：领域激活机制。通过学习权重分配机制，动态调整不同特征的贡献度，进一步增强领域特定特征的重要性，使融合后的图像更加符合特定领域的外观需求。在通过学习特定领域和通用领域的特征表示来提高跨领域应用的泛化能力和特定领域应用的敏感性。

公开(公告)号：CN119850406A

公开(公告)日：2025-04-18

申请号：CN202411797969.6

申请日：2024-12-09

Applicant: 浪潮云信息技术股份公司

Inventor： 杨瑞凯 ,  侯永东

IPC: G06T3/04 ,  G06V10/26 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明提供一种基于自监督域映射的域泛化方法，属于计算机视觉和机器学习技术领域，本发明包括步骤一：风格去除。通过实例归一化技术对图像的特征图进行标准化处理，调整每个特征图的亮度和对比度，使得它们的平均亮度为零，对比度为一。步骤二：风格获取。通过自适应实例归一化技术将去除风格后的特征图与目标风格的特征图相结合。步骤三：图像重建。通过解码器组件将处理过的特征图转换回图像。通过这种图像重建过程，可以得到既保留原图像内容又融合了新风格的最终结果。并且最终获得了一个具有域泛化性能的编码器，可以用于下游的语义分割任务。

公开(公告)号：CN118351383A

公开(公告)日：2024-07-16

申请号：CN202410620869.X

申请日：2024-05-20

Applicant: 浪潮云信息技术股份公司

Inventor： 杨瑞凯 ,  刘刚 ,  时云智 ,  王阳

IPC: G06V10/764 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06V20/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 本申请公开了一种遥感图像分类模型训练方法、装置、设备及介质，涉及图像处理领域，包括：将原始遥感图像输入遥感图像分类模型，并通过实例归一化从原始遥感图像的图像特征中解耦出风格特征和内容特征；基于与风格特征和内容特征分别对应的分类器输出确定风格分类损失和内容分类损失；对扩充遥感图像滤除风格特征后的内容特征进行重建，并基于重建遥感图像和原始遥感图像确定重建损失；对风格分类损失、内容分类损失和重建损失进行损失融合以判断融合后的模型损失是否趋于收敛，并基于判断结果确定是否完成对遥感图像分类模型的训练。本申请通过实例归一化解耦风格特征和内容特征，并基于内容特征重建遥感图像，降低模型对图像中风格特征的依赖。

公开(公告)号：CN119851005A

公开(公告)日：2025-04-18

申请号：CN202411797967.7

申请日：2024-12-09

Applicant: 浪潮云信息技术股份公司

Inventor： 杨瑞凯 ,  侯永东 ,  蔡相成

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/09 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明提供一种跨网络层级连接的基于卷积神经网络的图像分类方法，属于计算机视觉和机器学习技术领域，本发明通过将增强后的数据映射回原始数据来学习一个映射，该映射在训练阶段能够将未见过的目标域数据映射到源域。这一过程有助于减少不同域间的数据分布差异，从而提高模型的泛化能力。

公开(公告)号：CN119850437A

公开(公告)日：2025-04-18

申请号：CN202411797965.8

申请日：2024-12-09

Applicant: 浪潮云信息技术股份公司

Inventor： 杨瑞凯 ,  侯永东

IPC: G06T5/50 ,  G06T5/60 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096 ,  G06N3/0455 ,  G06N3/0442

Abstract: 本发明提供一种多模态图像融合方法，属于图像处理技术领域，本发明包括三个步骤：特征提取、特征融合及图像重建。步骤一：特征提取：通过卷积神经网络和自注意力机制对图像进行多层次的特征提取，捕捉图像的局部细节和全局上下文信息，从而获得丰富的特征表示。步骤二：特征融合。通过跨模态自蒸馏技术在不同模态的特征之间进行信息传递，增强模态间的信息交互。步骤三：图像重建。通过解码器组件将融合后的特征图转换回图像。通过这种图像重建过程，可以得到高质量的融合图像。并且最终获得了一个具有优异性能的编码器‑解码器网络，可以用于下游的多模态图像融合任务。