公开(公告)号：CN117036854A

公开(公告)日：2023-11-10

申请号：CN202310962712.0

申请日：2023-08-01

Applicant: 南开大学

Inventor： 程明明 ,  李钟毓 ,  尹博文 ,  高尚华

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06V10/26 ,  G06N3/088 ,  G06N3/047 ,  G06N3/045

Abstract: 本发明提出了一种基于异构网络的自监督学习方法及系统，涉及计算机视觉技术领域，具体方案包括：串联异构的基础网络和辅助网络，构建结构相同的教师模型和学生模型；对无标注图像数据集进行预处理，得到每张图像对应的两张不同视图；基于预处理后的无标注图像数据集，对教师模型和学生模型进行自监督学习，将学习后的基础网络作为自监督模型，用于待处理图像的特征提取；本发明利用异构的辅助网络指导基础网络的表征学习，使基础网络学习不同网络架构的优点，提高基础网络高质量图像特征的表征能力。

公开(公告)号：CN116977718A

公开(公告)日：2023-10-31

申请号：CN202310800277.1

申请日：2023-06-30

Applicant: 南开大学

Inventor： 刘夏雷 ,  曹续生 ,  程明明

IPC: G06V10/764 ,  G06V10/774

Abstract: 本发明属于图像分类技术领域，提供了一种基于类增量学习的图像分类方法及系统，包括：将待分类图像输入训练好的图像分类模型，得到待分类图像的类别；其中，图像分类模型包括图像特征提取器、文本特征提取器以及设置于所述图像特征提取器之后的线性适配器；在训练过程中，保持图像特征提取器和文本特征提取器不变；且，每次训练任务中，对线性适配器的参数进行更新后，计算更新后的参数与未更新的参数的差值的绝对值，并基于所述差值的绝对值，在更新后的参数与未更新的参数中进行选择，以更新线性适配器。实现了在保留先前任务的知识的同时，能够随着新图像数据学习新知识，将旧知识和新知识进行整合，提高了模型进行图像分类的准确性。

公开(公告)号：CN111833363B

公开(公告)日：2023-10-24

申请号：CN201910311911.9

申请日：2019-04-17

Applicant: 南开大学 ,  华为技术有限公司

Inventor： 刘姜江 ,  程明明 ,  彭剑威 ,  于金波

IPC: G06T7/13 ,  G06T5/50 ,  G06T3/40 ,  G06V10/46 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464

Abstract: 本申请公开了人工智能领域的一种检测方法及装置。涉及人工智能领域。具体涉及计算机视觉领域。该方法包括：获取待检测图像；将待检测图像输入到特征检测模型中，得到待检测图像的显著性检测图像和边缘检测图像。本申请的检测方法适用于显著性物体检测和边缘检测的应用场景，实现了在不明显增加模型参数的前提下，有效协同显著性物体检测和边缘检测，并提高了检测结果的精度。

公开(公告)号：CN116883252A

公开(公告)日：2023-10-13

申请号：CN202211572301.2

申请日：2022-12-08

Applicant: 南开大学

Inventor： 郭春乐 ,  李重仪 ,  程明明

IPC: G06T5/00

Abstract: 本发明公开一种基于知识蒸馏的线性微光图像增强方法及系统，包括：对微光图像训练样本及曝光条件图，采用教师网络得到高阶曲线参数图，以此得到教师网络增强结果，以无参考损失函数为目标，对教师网络进行优化训练；对微光图像训练样本及曝光条件图，采用学生网络得到线性增强曲线参数图，根据线性增强曲线参数图对微光图像训练样本进行增强，得到学生网络增强结果，以学生网络增强结果与教师网络增强结果间的损失为目标，对学生网络进行优化训练；对待增强微光图像及曝光条件图，采用训练后的学生网络得到线性增强曲线参数图，从而以此得到待增强微光图像的增强结果。实现轻量级、低功耗、高性能的微光图像增强。

公开(公告)号：CN116739916A

公开(公告)日：2023-09-12

申请号：CN202310517528.5

申请日：2023-05-09

Applicant: 南开大学

Inventor： 郭春乐 ,  程明明 ,  靳鑫 ,  韩凌昊

IPC: G06T5/00 ,  G06T7/90 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种仿照传统ISP流水线的RAW域低光图像增强方法及系统，包括：获取低光条件下的图像RAW数据#imgabs0#并对图像RAW数据进行黑电平饱和标准化；将经过标准化处理后的数据输入RAW数据编码器，得到不同尺度下的特征集#imgabs1#将特征集输入到网络去噪解码器中，得到不同尺度下的去噪特征集#imgabs2#将去噪特征集#imgabs3#反馈给RAW数据编码器，结合特征集#imgabs4#对标准化处理后的数据进行重新编码，得到特征集#imgabs5#将特征集#imgabs6#输入到颜色校正编码器中，计算出低光增强后的RGB图像。本发明方法使得整体结构更有利于RAW域到RGB域的任务，从而提高完成RAW域低光增强的水平。

公开(公告)号：CN113591868B

公开(公告)日：2023-09-01

申请号：CN202110870786.2

申请日：2021-07-30

Applicant: 南开大学

Inventor： 程明明 ,  范登平 ,  季葛鹏 ,  傅可人 ,  吴哲

IPC: G06V10/26 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明属于视频处理与计算机视觉技术领域，提供了一种基于全双工策略的视频目标分割方法及系统。该方法包括，将待分割的视频通过光流生成器，得到光流图；将表观图、与表观图匹配的光流图输入训练好的视频目标分割模型，得到分割预测图；所述视频目标分割模型包括：依次连接的ResNet50骨架网络、交叉注意力关系模块、全双工模式的双向提纯模块和解码器。本发明通过交叉注意力关系模块，用以实现在特征嵌入空间中的双向信息传递，通过双向全双工模式的双向提纯模块来更新时空特征嵌入上的不一致性，从而有效地提升了模型的分割预测性能。

公开(公告)号：CN116416151A

公开(公告)日：2023-07-11

申请号：CN202211619677.4

申请日：2022-12-15

Applicant: 南开大学

Inventor： 郭春乐 ,  武睿祺 ,  覃楚杰 ,  程明明

IPC: G06T5/00 ,  G06N3/08 ,  G06V10/772 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/094

Abstract: 本发明公开一种基于高质量编码字典先验的图像去雾方法及系统，包括：将给定的清晰图像经图像退化处理后合成对应的有雾图像，将有雾图像与清晰图像形成图像对，以对去雾网络进行训练，所述去雾网络包括编码器和解码器；对待处理的有雾图像采用训练后的去雾网络得到清晰图像；其中，对待处理的有雾图像采用编码器提取图像特征，将图像特征与编码字典进行最邻近特征匹配，以最邻近特征为引导，采用解码器根据图像特征进行去雾处理。通过有雾图像合成方式和利用高质量先验的有雾网络实现更可靠及更有效的去雾效果，解决现有去雾方法中存在的生成数据伪影和先验方法固有缺陷的问题。

公开(公告)号：CN111260662B

公开(公告)日：2023-05-26

申请号：CN202010045961.X

申请日：2020-01-16

Applicant: 南开大学

Inventor： 程明明 ,  高尚华 ,  谭永强 ,  陆承泽

IPC: G06T7/11 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 超小参数量的分割模型的实现方法，属于计算机视觉技术领域。本发明利用可同时处理多种尺寸特征图的卷积构建超轻量级的神经网络主干结构，能够在提取多尺度特征信息的同时减少计算量；提出一种特征融合模块将来源于主干网络结构中不同阶段的特征进行融合，以较小的计算成本充分提取不同尺度的特征信息，从而输出具有高分辨率的高质量图像分割结果。为进一步压缩网络参数量，本发明提出一种动态权重衰减辅助的神经网络训练策略，在训练过程中依照当前输入图像产生的特征对不同参数进行不同程度的稀疏化约束；通过剔除训练完成模型中数值为零的参数，可以在保持性能不变的情况下压缩轻量级模型的参数量，从而获取一个具有极低参数量的分割模型。

公开(公告)号：CN110458859B

公开(公告)日：2023-05-05

申请号：CN201910582883.4

申请日：2019-07-01

Applicant: 南开大学

Inventor： 杨巨峰 ,  夏爽 ,  冀晓东 ,  陈松 ,  程明明

IPC: G06T7/136

Abstract: 一种基于多序列MRI的多发性骨髓瘤病灶分割系统。包括：输入模块，预处理模块，ROI选择模块，多序列MRI的特征描述模块，阈值计算模块，疑似病灶分割模块和输出模块。该系统基于专家预先标定的先验知识数据库确定RoI区域的坐标限定值集合、病灶区域的长宽比阈值、面积阈值、灰度值差异阈值，并依据其统计特性得到阳性病灶的特征阈值来分割疑似病灶区域，可准确有效的实现多序列MRI中具有多区域特性的多发性骨髓瘤病灶分割。本发明不仅融合了影像图像自有的特征，且依据人类高级先验知识使得确立的ROI更具灵活性，可显著提高多序列MRI中多发性骨髓瘤病灶分割的准确性，降低现有基于聚类分割系统中因初始随机化引起的分割结果不可靠的风险。

公开(公告)号：CN113223037B

公开(公告)日：2023-04-07

申请号：CN202110600887.8

申请日：2021-05-31

Applicant: 南开大学

Inventor： 程明明 ,  高尚华 ,  李钟毓

IPC: G06T7/136 ,  G06N3/08

Abstract: 本公开提供了一种面向大规模数据的无监督语义分割方法及系统，获取待分割的多张图像；将获取的图像输入到分割网络模型中，得到语义分割结果；其中，分割网络模型采用无监督方式训练，训练过程为：对获取的训练图像进行基于像素注意力机制的表征学习，得到图像表征结果；根据得到的图像表征结果进行聚类，得到多个伪标签；根据得到的伪标签进行分割网络模型的训练；本公开通过像素注意力机制和像素对齐机制，使用基于无监督方法生成的前景显著性信息监督像素注意力机制的学习，提高了语义分割的效率和精度。