-
公开(公告)号：CN111507276A
公开(公告)日：2020-08-07
申请号：CN202010314285.1
申请日：2020-04-20
Applicant: 福建帝视信息科技有限公司
Abstract: 本发明涉及一种基于隐藏层增强特征的工地安全帽检测方法，该方法以隐藏层的方式，把上一次图像的卷积特征融合到当前帧的卷积特征，减少因为光线变化、遮挡而容易丢失的目标，同时引入FGRM模块对输出的目标检测结果作进一步修正。该方法有利于提高工地安全帽检测的准确性。
-
公开(公告)号：CN111339847A
公开(公告)日：2020-06-26
申请号：CN202010091759.0
申请日：2020-02-14
Applicant: 福建帝视信息科技有限公司
Abstract: 本发明涉及一种基于图卷积神经网络的人脸情绪识别方法。本发明在图像数据库中，利用非人脸区域的图卷积神经网络提取背景图，并将把图片的欧式结构转换成图结构，通过提取图结构中节点和边的空间特征信息分析背景中人物的情绪状态进行人脸情绪分类，最终极大地提高了人脸情绪识别率；对于视频序列的数据，图卷积神经网络不仅对于空间域上的特征信息提取也有所提高，而且对于视频序列中的背景变化信息进行了推理，从而极大地提高了人脸情绪识别率。
-
公开(公告)号：CN107123091B
公开(公告)日：2020-02-14
申请号：CN201710282054.5
申请日：2017-04-26
Applicant: 福建帝视信息科技有限公司
IPC: G06T3/40
Abstract: 本发明公开一种基于深度学习的近红外人脸图像超分辨率重建方法，其包括如下步骤：步骤1，利用人脸图像中两个眼睛的相对位置，把原始近红外人脸图像中所有人脸图像位置对齐；步骤2，将对齐后获得的人脸训练集以固定比例转换获得包含K幅超分辨率人脸图像训练图步骤3，将超分辨率人脸图像训练图以缩放比例S生成其一一对应的K幅低分辨率人脸图像训练图步骤4，利用低分辨率人脸图像训练图获得重建的超分辨率人脸图像Fl″(Y)；步骤5，计算重建的超分辨率人脸图像Fl″(Y)与超分辨率人脸图像训练图中的对应的图像之间的欧式距离；步骤6，基于欧式距离优化获得最优的卷积权值参数和偏置参数。本发明极大的提高了人脸图像重建效果。
-
公开(公告)号：CN107463989B
公开(公告)日：2019-09-27
申请号：CN201710613740.6
申请日：2017-07-25
Applicant: 福建帝视信息科技有限公司
Abstract: 本发明公开一种基于深度学习的图像去压缩伪影方法，能够对图像在高度压缩中产生的伪影进行有效消除。本发明的创新性主要体现在两个方面：第一，本发明运用了最新的深度学习技术，将深度残差网络作为基本模块应用于网络模型当中，有效地缓解了深度网络模型的梯度扩散问题。同时，网络学习得到的底层特征和高层特征通过跳跃式连接相融合，为重建去伪影图像提供了更加丰富的特征信息，进一步提升了模型的去伪影性能。第二，本发明进一步提出了模型选择的方案，可以针对不同程度的压缩伪影，合理选择更加适合的模型进行去伪影操作。通过在两套公开数据集上进行测试，本发明的方法比目前最好的去伪影算法在性能上有了显著的提升。
-
公开(公告)号：CN109118432A
公开(公告)日：2019-01-01
申请号：CN201811124147.6
申请日：2018-09-26
Applicant: 福建帝视信息科技有限公司
Abstract: 本发明涉及图像处理领域并公开一种基于快速循环卷积网络的图像超分辨率重建方法，其包括以下步骤：步骤1：将训练数据集中的每张高分辨率图像下采样对应的低分辨率图像，并分别切成若干子图像，步骤2：将训练数据集中的低分辨率图像输入网络分别执行特征提取阶段、快速循环卷积层计算阶段和特征融合阶段以及反卷积计算阶段，最终重建出其对应的高分辨率图像；步骤3：将反卷积重建的高分辨率图像与训练数据集中的高分辨率图像进行比较，计算Charbonnier惩罚函数；步骤4，基于Charbonnier惩罚函数不断更新并优化获得最优的卷积权值参数和偏置参数。本发明克服现有由于计算代价昂贵而无法在移动设备上运行的缺点，显著地提高了重建效果。
-
Patent Agency Ranking
公开(公告)号：CN108830813A
公开(公告)日：2018-11-16
申请号：CN201810603516.3
申请日：2018-06-12
Applicant: 福建帝视信息科技有限公司
Abstract: 本发明公开一种基于知识蒸馏的图像超分辨率增强方法，其包括以下步骤：1）训练数据和测试数据的获取；2）教师网络的训练；教师网络拥有较深卷积层的神经网络模型，3）学生网络的训练；4）教师网络对学生网络的指导学习；通过三组指导实验由学生网络学习吸收教师网路的特征图；5）测试评估图像重建效果；6）根据输出特征图之间不同的矩阵关系对学生网络进行进一步指导。本发明利用知识蒸馏的相关思想，将教师网络的性能传递给学生网络，学生网络模型可以高效地运行在低功耗限制的移动设备和嵌入式设备上，学生网络网络结构不变的前提下，经过教师网络指导后的学生网络的PSNR有显著提升，得到更好的重建效果。
-
公开(公告)号：CN106683067A
公开(公告)日：2017-05-17
申请号：CN201710044857.7
申请日：2017-01-20
Applicant: 福建帝视信息科技有限公司
CPC classification number: G06T5/50 , G06N3/084 , G06T3/4076
Abstract: 本发明公开一种基于残差子图像的深度学习超分辨率重建方法，有效结合残差子图像和基于卷积神经网络的深度学习方法，不仅使得超分辨率重建的图像更加清晰，同时也使得重建速度更快。首先通过加深卷积神经网络的深度，从而使得学习得到的网络模型具有更强的非线性表示能力和图像重建能力。同时，通过引入残差子图像的方法，移除了基于传统插值算法的预处理，避免了插值算法带来的模糊效应。本发明巧妙地利用残差子图像，可以将深度学习的卷积运算过程由高分辨率空间转移到低分辨率空间，从而在提升超分辨率的重建效果的基础上，同时也提高了超分辨率算法的重建效率。
-
公开(公告)号：CN110826500B
公开(公告)日：2023-04-14
申请号：CN201911085729.2
申请日：2019-11-08
Applicant: 福建帝视信息科技有限公司
IPC: G06V40/20 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于运动链接空间的对抗性网络估计3D人体姿态的方法。采用卷积神经网络，从单目设备采集的图像中估计人体关键节点的三维坐标，具体以单目RGB图像作为输入，采用运动链接空间和对抗网络技术，不仅解决了过拟合现象，而且提高了3D人体姿态估计精度和准确性。
-
公开(公告)号：CN109118432B
公开(公告)日：2022-09-13
申请号：CN201811124147.6
申请日：2018-09-26
Applicant: 福建帝视信息科技有限公司
Abstract: 本发明涉及图像处理领域并公开一种基于快速循环卷积网络的图像超分辨率重建方法，其包括以下步骤：步骤1：将训练数据集中的每张高分辨率图像下采样对应的低分辨率图像，并分别切成若干子图像，步骤2：将训练数据集中的低分辨率图像输入网络分别执行特征提取阶段、快速循环卷积层计算阶段和特征融合阶段以及反卷积计算阶段，最终重建出其对应的高分辨率图像；步骤3：将反卷积重建的高分辨率图像与训练数据集中的高分辨率图像进行比较，计算Charbonnier惩罚函数；步骤4，基于Charbonnier惩罚函数不断更新并优化获得最优的卷积权值参数和偏置参数。本发明克服现有由于计算代价昂贵而无法在移动设备上运行的缺点，显著地提高了重建效果。
-
公开(公告)号：CN108830812B
公开(公告)日：2021-08-31
申请号：CN201810601639.3
申请日：2018-06-12
Applicant: 福建帝视信息科技有限公司
Abstract: 本发明公开一种基于网格结构深度学习的视频高帧率重制方法，采用网格结构的方式估计到的三维像素流能够在各种运动量的运动场景中得到较为精准的结果。本发明的方法比现有的技术都更加鲁棒。为了进一步提高三维像素流的精度和高帧率重制的效果，本发明提出了一种卷积特征提取层与网格网络结构组合的方式。采用本发明的方法得到的高帧率重制的结果比其他现有技术，在合成帧的细节纹理更加细腻真实。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.099 seconds)
