-
公开(公告)号：CN110210608A
公开(公告)日：2019-09-06
申请号：CN201910483957.9
申请日：2019-06-05
Applicant: 国家广播电视总局广播电视科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于注意力机制和多层次特征融合的低照度图像增强方法，包括以下步骤：在输入端对低照度图像进行处理，输出四通道特征图；使用基于注意力机制的卷积层作为特征提取模块，用于提取基础特征作为低层特征；将低层特征与相应的高层特征和卷积层最深层次的特征融合，经过反卷积层后，获得最终特征图；输出映射将最终的特征图还原成RGB图片。本发明充分利用了深度卷积神经网络模型的多层次特征，将不同层次特征融合，并通过通道注意力机制，给予特征通道不同的权重，获得了更优的特征表示，提高了图像处理的准确率，获取了高质量图像，可广泛用于计算机低层次视觉任务技术领域。
-
公开(公告)号：CN109190752A
公开(公告)日：2019-01-11
申请号：CN201810841610.2
申请日：2018-07-27
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于深度学习的全局特征和局部特征的图像语义分割方法，包括以下步骤：在编码端，使用基于深度学习卷积神经网络模型提取图像的基础深度特征，同时根据卷积层的深度将特征分为低层特征和高层特征；应用特征融合模块将低层特征和高层特征融合成增强型的深度特征；在获取深度特征后，将其输入到解码端；以交叉熵损失函数为目标训练网络，使用mIoU评价网络性能。本发明设计合理，其使用深度卷积神经网络模型提取图像的全局和局部特征，充分利用了全局特征和局部特征的互补性，并且利用了堆叠池化层进一步提高性能，有效地提高了图像语义分割地准确率。
-
公开(公告)号：CN107886117A
公开(公告)日：2018-04-06
申请号：CN201711038002.X
申请日：2017-10-30
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
CPC classification number: G06K9/6267 , G06K9/3233 , G06K9/342 , G06K9/6288 , G06K2209/21
Abstract: 本发明涉及一种基于多特征提取和多任务融合的目标检测算法，其技术特点是：基于深度学习卷积神经网络架构提取图像特征，提取多层卷积输出结果形成多特征图，在多特征图上提取不同可视野的目标感兴趣区域并进行特征连接；对原图实现语义分割提取目标分割区域结果，并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测；上述结果通过最后的全连接层后，通过组合分类定位损失函数对图像特征进行分类和回归定位，得到最终目标检测的结果。本发明通过深度学习卷积神经网络提取特征、对图像特征进行多组多层融合连接及组合损失函数实现了高精度的目标检测定位和分类，获得了良好的目标检测结果。
-
公开(公告)号：CN107590489A
公开(公告)日：2018-01-16
申请号：CN201710899578.9
申请日：2017-09-28
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明涉及一种基于级联卷积神经网络的目标检测方法，其主要技术特点是：利用卷积神经网络提取图像特征，并使用区域候选网络生成一定数量的目标候选框；使用优化网络对候选框进行优化；将优化后的目标候选框输入含多分类器的检测网络中，产生初步的检测结果；利用二值分类器对每一类目标进行再检测，排除错误目标得到最终精确的检测结果。本发明利用深度卷积网络对目标的强大的表示能力，构建了用于目标检测的级联卷积神经网络，提出了一种新的优化目标候选框的方法和排除错误检测样本的策略，提高了算法的检测精度，能够获得了良好的目标检测结果。
-
公开(公告)号：CN107563381A
公开(公告)日：2018-01-09
申请号：CN201710816619.3
申请日：2017-09-12
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
Abstract: 本发明设计了一种基于全卷积网络的多特征融合的目标检测方法，其主要技术特点是：搭建具有六个卷积层组的全卷积神经网络；利用卷积神经网络的前五组卷积层提取图像特征，并将其输出进行融合，形成融合特征图；对融合后的特征图进行卷积处理，直接产生固定数目的不同大小的目标边框；计算卷积神经网络生成的目标边框与真实边框之间的分类误差与定位误差，利用随机梯度下降法降低训练误差，得到最终训练模型的参数，最后进行测试得到目标检测结果。本发明利用了深度卷积网络对目标的强大的表示能力，构建了用于目标检测的全卷积神经网络，提出了新的融合特征方法，提高了算法的检测速度和精度，获得了良好的目标检测结果。
-
Patent Agency Ranking
公开(公告)号：CN107240122A
公开(公告)日：2017-10-10
申请号：CN201710450319.8
申请日：2017-06-15
Applicant: 国家新闻出版广电总局广播科学研究院 , 北京邮电大学
CPC classification number: G06T7/246 , G06T7/262 , G06T2207/10016 , G06T2207/20056 , G06T2207/20081
Abstract: 本发明涉及一种基于时空连续相关滤波的视频目标跟踪方法，其主要技术特点是：构造并计算损失函数；对输入帧进行深度卷积特征提取，利用深度卷积网络的第3～5层特征信息估计当前帧中目标的位置；根据每层估计的目标位置的准确度分配不同权重，将三层目标位置加权求和得到当前帧目标的最终位置；根据之前所有帧的估计结果更新模板。本发明结合了判别相关滤波器、深度学习技术，其利用多层特征进行目标位置估计，并根据之前所有帧的位置信息连续更新学习率，增加了整体算法的跟踪精度，提高了跟踪结果的稳定性，获得了很好的目标跟踪效果。
-
公开(公告)号：CN106713136A
公开(公告)日：2017-05-24
申请号：CN201611056675.3
申请日：2016-11-25
Applicant: 北京邮电大学
IPC: H04L12/715 , H04L12/733
Abstract: 本发明提供一种基于堆结构扩张软件定义网络的方法，所述方法包括：步骤1，将网络系统中的数据层抽象为多层次的斐波那契堆结构；步骤2，在所述得到的多层次斐波那契堆中依照自上而下顺序，利用双权重扩展Dijkstra路由算法解析得到最短路由路径。本申请有效的化简了软件定义网络的扩展过程，并结合堆结构改良了网络中的最短路由算法，同时有效的降低了各节点运算设备的负担。
-
公开(公告)号：CN104243973B
公开(公告)日：2017-01-11
申请号：CN201410432154.8
申请日：2014-08-28
Applicant: 北京邮电大学 , 北京广电天地科技有限公司 , 国家广播电影电视总局广播电视规划院
IPC: H04N17/00
Abstract: 本发明涉及一种基于感兴趣区域的视频感知质量无参考客观评价方法，其技术特点是：在待测视频中提取包括运动区域和人类皮肤区域的感兴趣区域，对两个感兴趣区域进行融合得到最终的感兴趣区域，并赋予感兴趣区域/非感兴趣区域不同的评价权重；逐帧对图像失真程度进行评价；将上述每帧图像的评价权重及两种评价结果进行结合和转换，以匹配主观评价结果。本发明设计合理，综合考虑了运动区域和人类皮肤区域并结合两种图像中的块效应和模糊失真特征，实现了对视频质量无参考评价功能，具有较好的场景适应性并表现出了较好的与主观评价结果的相关性，不仅可以用于视频质量评价，而且还可用于图片质量的评价。
-
公开(公告)号：CN104215238A
公开(公告)日：2014-12-17
申请号：CN201410415407.0
申请日：2014-08-21
Applicant: 北京空间飞行器总体设计部 , 北京邮电大学
IPC: G01C21/00
CPC classification number: G01C21/18
Abstract: 本发明涉及一种智能手机室内定位方法，其技术特点是：步骤1、在行人行进过程中，利用智能手机内置的加速度传感器和陀螺仪进行行人航位推算，包括判断行人运动状态、计算发生的步伐数、计算行进距离并推算行人方向变化，得到推算的位置信息；步骤2、建立室内环境磁场地图，利用室内环境磁场地图和磁场传感器实时获得的信息，通过粒子滤波算法进行磁场匹配，进而对推算的位置信息进行校正，得到行人的最终位置。本发明从抵御多种手持手机的方法和不同步伐长度处理两方面来提升室内定位的鲁棒性；从提高磁场匹配判决权重的稳定性和降低系统累计误差两方面来提高匹配精度，避免长时间累积误差的出现；从减少外部设备数量上来降低系统复杂度。
-
公开(公告)号：CN102595140B
公开(公告)日：2014-05-28
申请号：CN201210060588.0
申请日：2012-03-09
Applicant: 北京邮电大学
IPC: H04N19/593
Abstract: 本发明涉及一种基于图像修复和矢量预测算子的帧内预测视频编码方法，其技术特点是：(1)计算当前块基于HEVC中传统帧内预测模式的率失真代价值RD1；(2)计算当前块基于拉普拉斯方程图像修复方法的帧内预测模式的率失真代价值RD2，若RD2小于RD1，则计算当前块基于全变分模型图像修复方法的帧内预测模式的率失真代价值RD2；(3)计算当前块基于矢量预测算子的帧内预测模式的率失真代价值RD3；(4)编码端根据RD1、RD2和RD3的比较结果，计算得到当前块的预测像素值并对当前块进行预测、压缩和编码。本发明设计合理，提高了已有的基于图像修复的帧内预测模式的预测准确性，能够在编解码后视频质量基本不变的情况下，降低编码码率，从而提高视频编码的压缩效率。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.034 seconds)
