-
公开(公告)号：CN119942077A
公开(公告)日：2025-05-06
申请号：CN202510032796.7
申请日：2025-01-09
Applicant: 福州大学
IPC: G06V10/25 , G06V10/774 , G06V10/82 , G06N3/096 , G06N3/084
Abstract: 本发明涉及一种基于教师学生网络互教互学的半监督伪装目标检测方法。包括：进行数据预处理，进行训练数据集和验证数据集的划分，然后对训练的数据进行数据增强处理，得到训练数据集；设计基于教师学生网络互教互学的半监督伪装目标检测框架，该框架由一个学生分割网络和一个教师分割网络组成；设计损失函数，指导步骤B所设计框架的参数优化；使用步骤A得到的训练数据集训练步骤B中的基于教师学生网络互教互学的半监督伪装目标检测框架，得到训练好的学生分割网络；将待测图像输入训练好的学生分割网络，输出伪装目标的掩码图像。
-
公开(公告)号：CN118469884A
公开(公告)日：2024-08-09
申请号：CN202410628686.2
申请日：2024-05-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于频域感知与调和的多退化低照度图像增强方法。包括：对输入图像进行预处理，包括图像配对、裁剪和数据增强处理，以得到训练数据集；设计一个基于频域感知与调和的多退化低照度图像增强网络，由输入映射层、三阶段编码器、瓶颈层、三阶段解码器以及输出映射层组成；设计损失函数；使用训练数据集训练基于频域感知与调和的多退化低照度图像增强网络；将待测图像输入到该网络中，利用训练好的网络生成正常照度的清晰图像。本发明利用频域感知解耦不同类型的退化，并通过调和方式加强局部和全局处理之间的联系，有助于促进模型在现实世界低光照场景中出现的复杂未知退化问题的泛化性，实现高保真度的场景重现和增强效果。
-
公开(公告)号：CN116797491A
公开(公告)日：2023-09-22
申请号：CN202310853029.3
申请日：2023-07-12
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于任务解耦的暗光模糊图像增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对暗光模糊图像的每幅图像进行预处理，得到训练数据集；步骤S2、设计任务解耦的暗光模糊图像增强网络，该网络由颜色变换分支、融合增强分支和高频信息重建分支组成；步骤S3、设计用于训练步骤S2所设计网络的损失函数；步骤S4、使用训练数据集训练基于任务解耦的暗光模糊图像增强网络；步骤S5、将待测暗光模糊图像输入到所设计的网络中，利用训练好的网络预测生成具有更好视觉感知的最终结果。
-
公开(公告)号：CN116128807B
公开(公告)日：2025-05-09
申请号：CN202211554537.3
申请日：2022-12-05
Applicant: 福州大学
IPC: G06T7/00 , G06T5/50 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于多尺度特征融合的无参考图像质量评价方法，包括以下步骤：步骤S1：将失真图像数据集中的数据进行数据预处理；步骤S2：设计多尺度特征融合模块；步骤S3：设计通道注意力模块；步骤S4：设计基于多尺度特征融合的无参考图像质量评分预测网络，使用所设计的网络训练基于多尺度特征融合的无参考图像质量评分预测网络模型；步骤S5：将图像输入到训练好的基于多尺度特征融合的无参考图像质量评分预测网络模型中，输出对应的图像质量评分分数。该算法能有效的融合多尺度图像的特征，且不用对原图做裁切或改变其原始比例，并进行图像质量评分分数预测，提高无参考图像质量评估算法的性能。
-
公开(公告)号：CN116703783A
公开(公告)日：2023-09-05
申请号：CN202310859559.9
申请日：2023-07-13
Applicant: 福州大学
Abstract: 本发明涉及一种基于CNN‑Transformer混合建模及双边交互的低照度图像增强方法。包括：对输入图像进行预处理，包括图像配对、裁剪和数据增强处理，以得到训练数据集；设计一个基于CNN‑Transformer的低照度图像交互增强网络，该网络由输入映射模块、L个交互增强块和输出映射模块组成；设计用于训练步骤B中所设计网络的损失函数；使用训练数据集训练基于CNN‑Transformer的低照度图像交互增强网络；将待测图像输入到该网络中，利用训练好的网络生成正常照度图像。本发明利用CNN‑Transformer混合建模方法，通过双边交互促进局部感知和全局感知模块之间相互促进、互补，能够在低照度条件下更好地增强图像的细节和亮度、改善全局一致性问题，进一步提高图像增强的效果。
-
Patent Agency Ranking
公开(公告)号：CN116309182A
公开(公告)日：2023-06-23
申请号：CN202310356275.8
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/00 , G06V10/774 , G06N3/084 , G06V10/82 , G06V10/77 , G06N3/0464
Abstract: 本发明涉及一种基于递归交互式注意力的低照度图像增强方法。包括：对输入图像进行预处理，包括图像配对、裁剪、数据增强处理，得到训练数据集；设计递归交互式注意力增强网络，该网络由输入映射模块、递归交互式注意力增强网络和输出映射模块组成；设计用于训练步骤B所设计网络的损失函数；使用步骤A得到的训练数据集训练递归交互式注意力增强网络；将待测图像输入到该网络中，使用训练好的网络生成正常照度图像。本发明利用递归交互式注意力机制，能够在局部和全局范围内对图像进行注意力调整和增强，从而提高了图像的质量和清晰度，有效解决了低照度图像亮度不均衡、细节丢失、颜色失真等问题。
-
公开(公告)号：CN116258849A
公开(公告)日：2023-06-13
申请号：CN202211487842.5
申请日：2022-11-24
Applicant: 福州大学
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明涉及一种基于生成对抗网络的昼夜域自适应语义分割方法。包括：将待训练的数据集，进行数据预处理；设计两个基于生成对抗网络的语义分割分支，分支A用来预测源域图像和目标域白天图像，分别获得对应的语义分割预测结果，分支B用来预测源域图像和目标域夜晚图像，获得对应的语义分割预测结果；根据设计的目标损失函数loss，利用反向传播方法计算昼夜域自适应语义分割网络中各参数的梯度，并利用随机梯度下降方法更新参数，学习到模型的最优参数；将待测的夜晚图像输入到分支B网络中，获得相应的语义分割预测结果。本发明利用有限的白天语义分割数据集，结合生成对抗网络思想和域自适应方法，显著提高对夜晚图像的语义分割的性能。
-
公开(公告)号：CN119941581A
公开(公告)日：2025-05-06
申请号：CN202510037210.6
申请日：2025-01-09
Applicant: 福州大学
IPC: G06T5/77 , G06T5/92 , G06T5/60 , G06T5/50 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种基于多状态视角RWKV模型的低光图像复原方法。包括：对输入图像进行预处理，包括图像配对以及数据增强操作，以构建训练数据集；设计一个多状态视角RWKV模型的低光图像复原网络，由输入映射层、若干RWKV块组成的三阶段编码器、状态感知选择性融合模块、若干RWKV块组成的三阶段解码器、以及输出映射层构成；设计用于优化步骤B中所述复原网络的损失函数；使用步骤A中构建的训练数据集，训练基于多状态视角RWKV模型的低光图像复原网络；将待测图像输入已训练好的复原网络，生成正常光照条件下的复原图像。本发明利用多状态视角RWKV模型，通过阶段内和阶段间多种状态的协同感知与分析，实现了对低光图像中复杂耦合退化的灵活处理。
-
公开(公告)号：CN115937121A
公开(公告)日：2023-04-07
申请号：CN202211513003.6
申请日：2022-11-28
Applicant: 福州大学
IPC: G06T7/00 , G06V10/774 , G06V10/80
Abstract: 本发明提出一种基于多维度特征融合的无参考图像质量评价方法及系统，包括以下步骤：步骤S1：将失真图像数据集中的数据进行数据预处理：首先将数据进行配对处理，接着对其做数据增强，并将数据集划分为训练集与测试集；步骤S2：训练获得基于多维度特征融合的无参考图像质量评分预测网络模型；训练过程基于基于多维度特征融合的无参考图像质量评分预测网络，至少包括：全局特征提取子网络、多尺度特征融合模块、多维度特征融合模块和局部注意力模块；步骤S3：将待测图像输入到训练好的基于多维度特征融合的无参考图像质量评分预测网络模型中，输出对应的图像质量评分分数。
-
公开(公告)号：CN116128807A
公开(公告)日：2023-05-16
申请号：CN202211554537.3
申请日：2022-12-05
Applicant: 福州大学
IPC: G06T7/00 , G06T5/50 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于多尺度特征融合的无参考图像质量评价方法，包括以下步骤：步骤S1：将失真图像数据集中的数据进行数据预处理；步骤S2：设计多尺度特征融合模块；步骤S3：设计通道注意力模块；步骤S4：设计基于多尺度特征融合的无参考图像质量评分预测网络，使用所设计的网络训练基于多尺度特征融合的无参考图像质量评分预测网络模型；步骤S5：将图像输入到训练好的基于多尺度特征融合的无参考图像质量评分预测网络模型中，输出对应的图像质量评分分数。该算法能有效的融合多尺度图像的特征，且不用对原图做裁切或改变其原始比例，并进行图像质量评分分数预测，提高无参考图像质量评估算法的性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
