-
公开(公告)号：CN114972753B
公开(公告)日：2024-08-02
申请号：CN202210548515.X
申请日：2022-05-20
Applicant: 暨南大学
IPC: G06V20/70 , G06V10/26 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084 , G06N5/04
Abstract: 本发明涉及基于上下文信息聚合和辅助学习的轻量级语义分割方法及系统，其方法包括步骤：S1、获取图像，对图像进行预处理，得到输入图像；S2、构建语义分割网络，语义分割网络包含上下文信息聚合模块和两阶段可分离卷积模块；S3、对语义分割网络进行训练，得到训练后的语义分割网络；S4、利用训练后的语义分割网络对输入图像进行处理，得到语义分割结果图。本发明引入了多尺度上下文并行聚合模块，在提高少量参数量的前提下均衡地提升了单向架构在大多数类别上的分割精度，在降低尽量少的分割精度的情况下，提高了语义分割网络整体的推断效率，还引入了辅助分支损失函数提升语义分割网络训练时的收敛速度，并且该分支不影响推断过程的推断速度。
-
公开(公告)号：CN114693555B
公开(公告)日：2024-08-02
申请号：CN202210317176.4
申请日：2022-03-29
Applicant: 暨南大学
IPC: G06T5/73 , G06T5/60 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种零样本无监督的图像去雾方法及系统，该方法包括下述步骤：获取有雾图像；构建的零样本无监督去雾神经网络包括大气光照图像预测分支，传输图像预测分支和无雾图像预测分支；有雾图像经大气图像和传输图像预测分支获得大气光值图像和传输图像并计算正则化损失；通过变分自编码器损失和大气光值约束损失计算大气图像预测分支的大气光损失；有雾图像经过无雾图像预测分支获得无雾图像，基于统计特性的先验知识计算去雾图损失；计算重建雾图并计算重建损失；总损失为重建损失、去雾图损失、大气光损失和正则化损失相加；循环迭代更新网络参数，完成网络训练，得到最终的去雾结果。本发明提高无监督去雾的推断速度，去雾效果更优。
-
公开(公告)号：CN115587934A
公开(公告)日：2023-01-10
申请号：CN202211272767.0
申请日：2022-10-18
Applicant: 暨南大学
IPC: G06T3/40 , G06T5/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/766 , G06N3/04 , G06N3/08
Abstract: 本发明涉及基于损失分类与双分支网络的图像超分辨率重建和去雾方法及系统，其方法包括步骤：S1、输入待超分辨率重建或待去雾图像与其对应的真实参考图像，并进行预处理，对待超分辨率重建或待去雾图像与真实参考图像进行相同尺寸和相同位置的裁切；S2、构建双分支网络模型进行训练，并采用编码器‑解码器网络，通过损失分类器和约束函数进行训练；S3、将待超分辨率重建或待去雾图像输入到训练好的双分支网络模型中，通过特征融合的方式获取最终的结果图。本发明采用双分支网络结构，提出了损失分类器的方法，实现双分支中的第一分支侧重平滑区域，而第二分支侧重边缘区域，解决了端对端网络在边缘区域效果不佳的缺点，提高最终结果图的视觉效果。
-
公开(公告)号：CN114359107B
公开(公告)日：2025-01-10
申请号：CN202210026095.9
申请日：2022-01-11
Applicant: 暨南大学
IPC: G06T5/60 , G06T5/77 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于共生双模型的无监督图像去雾方法，包括以下步骤：获取图像，进而得到输入图像；构建图像共生双模型网络，对图像共生双模型网络进行训练，通过训练后图像共生双模型网络对待测图像进行处理，得到去雾结果；本发明引入了相对去雾的概念，对于一张图像，不区分这张图像是退化了还是没有退化，即不区分一张图像是否是有雾图像还是无雾图像。输出一张图像，当作有雾图像，进行处理，也可以当作是清晰图像进行处理，两个模型互利共生，联合训练，共同进步，通过这样一个模型来摆脱对于成对有雾与无雾数据集的依赖，达到去雾的效果。
-
公开(公告)号：CN114581304B
公开(公告)日：2024-06-28
申请号：CN202210207233.3
申请日：2022-03-03
Applicant: 暨南大学
IPC: G06T3/4053 , G06T5/70 , G06T5/50 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于循环网络的图像超分辨率和去雾融合方法及系统，该方法步骤为：获取无需配对的低分辨率有雾图像和高分辨率无雾图像；构建无监督循环网络系统；训练该循环网络系统；在循环网络的第一分支，低分辨率有雾图像L输入到第一生成网络GL2H得到估计的高分辨率去雾图像#imgabs0#图像#imgabs1#又输入到第二生成网络GH2L，得到重建的低分辨率有雾图像～L；在循环网络的第二分支，高分辨率无雾图像H经过类似的估计、重建逆过程。该系统包括图像样本获取模块、循环网络系统构建模块和循环网络系统训练模块，本发明网络采用无监督学习方式，无需配对数据，在对退化的有雾图像进行去雾的同时加入超分辨率重建模块，增强了图像的细节，使还原的图像更加清晰。
-
Patent Agency Ranking
公开(公告)号：CN116309283A
公开(公告)日：2023-06-23
申请号：CN202211683181.3
申请日：2022-12-27
Applicant: 暨南大学
IPC: G06T7/00 , G06T7/90 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于图像特征融合的PM2.5浓度估计方法、系统、介质和设备，该方法包括下述步骤：获取雾霾图像和PM2.5浓度真实测量值的匹配数据集并进行数据预处理；估计雾霾图像的暗通道图和饱和度图，将饱和度图进行逆转，构建双分支网络，双分支网络包括主分支网络和辅助分支网络，将暗通道图和逆转饱和度图拼接后输入辅助分支网络进行自学习的特征提取；特征融合注意力模块将双分支网络输出的特征进行融合，并输出PM2.5浓度估计值，训练得到基于图像特征融合的网络模型，雾霾图像输入至训练好的的网络模型，输出PM2.5浓度值。本发明对双分支网络提取到的信息进行自适应融合，具有更好的泛化性能和健壮性能，且在部署上更为方便灵活，易于拓展。
-
公开(公告)号：CN113240580B
公开(公告)日：2022-12-27
申请号：CN202110380519.7
申请日：2021-04-09
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法，该方法步骤包括：教师网络预处理；数据集预处理生成低分辨率图像；将低分辨率图像输入构建的学生网络中，输出学生网络重建的超分辨率图像；将低分辨率图像输入到多个教师网络中用于得到重建的超分辨率图像组；将学生网络重建的超分辨率图与教师网络重建的超分辨率图像组分别进行L1损失和感知损失计算，通过反向传播更新训练得到最终的学生网络模型；将低分辨率图片输入最终的网络模型，输出超分辨率图像。本发明的超分辨率训练方式减少了参数量，获得与成对数据训练出来的全监督教师网络可比的指标和视觉效果，同时模型大小得到了有效减少，与传统训练方式相比有明显提升。
-
公开(公告)号：CN114359107A
公开(公告)日：2022-04-15
申请号：CN202210026095.9
申请日：2022-01-11
Applicant: 暨南大学
IPC: G06T5/00 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于共生双模型的无监督图像去雾方法，包括以下步骤：获取图像，进而得到输入图像；构建图像共生双模型网络，对图像共生双模型网络进行训练，通过训练后图像共生双模型网络对待测图像进行处理，得到去雾结果；本发明引入了相对去雾的概念，对于一张图像，不区分这张图像是退化了还是没有退化，即不区分一张图像是否是有雾图像还是无雾图像。输出一张图像，当作有雾图像，进行处理，也可以当作是清晰图像进行处理，两个模型互利共生，联合训练，共同进步，通过这样一个模型来摆脱对于成对有雾与无雾数据集的依赖，达到去雾的效果。
-
公开(公告)号：CN113450273A
公开(公告)日：2021-09-28
申请号：CN202110676400.4
申请日：2021-06-18
Applicant: 暨南大学
Abstract: 本发明公开了一种基于多尺度多阶段神经网络的图像去雾方法及系统，该方法包括以下步骤：预处理步骤：对获取的原始有雾图像进行裁剪成预设图像尺寸得到待去雾图像；去雾处理步骤：将待去雾图像输入到多尺度去雾模型中进行去雾处理得到去雾图像，其中多尺度去雾模型为使用多组数据通过机器学习训练得出，多组数据中的每组数据包括有雾图像和对应的真实无雾图像；多尺度去雾模型设有残差卷积块、注意力卷积块以及特征解码卷积块，注意力卷积块分别与残差卷积块、特征解码卷积块连接。本发明利用特征融合将不同的分辨率的特征进行关联得全局特征，使得网络学习到更准确的特征，从而提高了图像的感知质量和视觉效果。
-
公开(公告)号：CN110097519B
公开(公告)日：2021-03-19
申请号：CN201910350268.0
申请日：2019-04-28
Applicant: 暨南大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于深度学习的双监督轻量级图像去雾方法、系统、介质和设备，该方法步骤为：获取有雾图像、标签无雾图像；构建神经网络系统；训练神经网络系统；有雾图像输入到神经网络系统得到第一传输图，有雾图像经图像恢复算法后得第二传输图；第一、第二传输图进行均方差计算得到损失函数Lt；第一传输图进行大气散射模型逆运算，得到去雾图像；去雾图像与标签无雾图像对比得到损失函数Ld；Lt和Ld按设定的比例结合得到Ltotal；有雾图像输入到训练好的神经网络系统得到去雾图像；该系统包括有雾、无雾图像样本获取模块、神经网络系统构建模块和神经网络系统训练模块，本发明的网络参数量级小，训练时间少，能避免主观设定，增强去雾效果。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.025 seconds)
