-
公开(公告)号：CN115631536A
公开(公告)日：2023-01-20
申请号：CN202211349251.1
申请日：2022-10-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于人体部件层级特征检测的肢体部件跟踪方法，包括以下步骤：步骤S1：获取人体视频或者连贯图片，然后对人体各肢体部位进行目标框标注,构建数据集；步骤S2：基于YOLOv7的目标检测算法构建人体部件级目标检测器，并训练，然后根据训练后人体部件级目标检测器对待跟踪视频逐帧检测，提取肢体部件层级特征，并输出信息；步骤S3：利用步骤S2的输出结果，采用基于BoT‑SORT改进的目标跟踪算法对人体各肢体运动轨迹进行跟踪；步骤S4：利用基于肢体衔接性的方法和基于数据关联的方法对步骤S3的初步跟踪结果进行重识别和再处理，输出最终的跟踪结果。本发明方法能够有效地对视频图像中的人体各部件层级特征进行检测提取，实现对肢体部件的跟踪。
-
公开(公告)号：CN113657252A
公开(公告)日：2021-11-16
申请号：CN202110935194.4
申请日：2021-08-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于编码解码器的高效SAR图像船舶目标检测方法。包括：步骤A、对数据集划分，进行数据增强，提取图像和标签信息用于SAR船舶目标检测训练；步骤B、设计无需大量参数且性能好的编码解码器目标检测网络、基于centerness的样本分配方式、结合船舶角度信息的检测方法；步骤C、根据网络模型设计损失函数，指导网络模型的参数优化；步骤D、设置目标检测网络的训练策略，并进行训练，优化网络参数；步骤E、将待测SAR图像输入到已训练完成的目标检测网络，预测出船舶目标，使用非极大值抑制过滤质量差的冗余检测框，得到检测的船舶目标。本发明方法能有效提高船舶小目标的检测效果，显著提高船舶召回率。
-
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：CN115880177A
公开(公告)日：2023-03-31
申请号：CN202211600774.9
申请日：2022-12-12
Applicant: 福州大学
IPC: G06T5/00 , G06T3/60 , G06V10/82 , G06V10/46 , G06V10/80 , G06V10/77 , G06N3/048 , G06N3/084 , G06N3/0464
Abstract: 本发明提出一种聚合上下文和增强细节的全分辨率低照度图像增强方法，包括：进行数据预处理，包括数据配对、数据随机裁切、数据增强处理，得到训练数据集；设计聚合上下文和增强细节的全分辨率低照度图像增强网络，该网络由全分辨率细节提取模块、频空域上下文信息注意力模块、特征聚合和增强模块组成；设计损失函数，指导步骤B所设计网络的参数优化；使用步骤A得到的训练数据集训练步骤B中的聚合上下文和增强细节的全分辨率低照度图像增强网络，收敛到纳什平衡，得到训练好的聚合上下文和增强细节的全分辨率低照度图像增强模型。本发明能对低照度图像进行增强，解决低照度图像细节缺失、颜色失真、亮度不足等问题。
-
公开(公告)号：CN114972107A
公开(公告)日：2022-08-30
申请号：CN202210663857.6
申请日：2022-06-14
Applicant: 福州大学
Abstract: 本发明提出一种基于多尺度堆叠式注意力网络的低照度图像增强方法，包括以下步骤：步骤A：对原始低照度图像和正常照度图像的训练图像对进行预处理，得到原始低照度图像和正常照度图像组成的训练图像对；步骤B：设计多尺度自适应融合堆叠式注意力网络作为低照度图像增强网络，该网络包含多尺度自适应特征融合模块，堆叠式注意力残差模块和傅里叶重建模块；步骤C：设计低照度图像增强网络的目标损失函数，训练网络至收敛到阈值或迭代次数达到阈值；步骤D：将待测图像输入到所设计的低照度图像增强网络中，利用训练好的网络预测生成正常照度图像。本发明能实现低照度图像增强，生成正常照度下的高质量图像。
-
公开(公告)号：CN114972107B
公开(公告)日：2024-07-26
申请号：CN202210663857.6
申请日：2022-06-14
Applicant: 福州大学
IPC: G06T5/92 , G06T5/50 , G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于多尺度堆叠式注意力网络的低照度图像增强方法，包括以下步骤：步骤A：对原始低照度图像和正常照度图像的训练图像对进行预处理，得到原始低照度图像和正常照度图像组成的训练图像对；步骤B：设计多尺度自适应融合堆叠式注意力网络作为低照度图像增强网络，该网络包含多尺度自适应特征融合模块，堆叠式注意力残差模块和傅里叶重建模块；步骤C：设计低照度图像增强网络的目标损失函数，训练网络至收敛到阈值或迭代次数达到阈值；步骤D：将待测图像输入到所设计的低照度图像增强网络中，利用训练好的网络预测生成正常照度图像。本发明能实现低照度图像增强，生成正常照度下的高质量图像。
-
公开(公告)号：CN115205160A
公开(公告)日：2022-10-18
申请号：CN202210960432.1
申请日：2022-08-11
Applicant: 福州大学
Abstract: 本发明涉及一种基于局部场景感知的无参考低照度图像增强方法，包括以下步骤：步骤S1:获取低照度图像，并对每幅图像进行预处理，得到训练数据集；步骤S2:构建基于局部场景感知的低照度图像增强网络；步骤S3：设计用于训练步骤S2所设计网络的无参考损失函数；步骤S4:基于无参考损失函数，采用训练数据集训练基于局部场景感知的低照度图像增强网络；步骤S5:将待测图像通过训练后的基于局部场景感知的低照度图像增强网络，获取正常照度图像。本发明能有效实现低照度图像的增强。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.018 seconds)
