-
公开(公告)号：CN119919457A
公开(公告)日：2025-05-02
申请号：CN202510412123.4
申请日：2025-04-02
Applicant: 南京邮电大学
Abstract: 本发明涉及一种基于深度学习分层视频注意力的单目标跟踪方法，包括：读取数据集得到原始视频数据和每帧中目标坐标、目标遮挡比例；利用目标遮挡比例筛选出基准帧，构建以基准帧为第一帧的初始视频序列和初始坐标真值序列；对初始坐标真值序列进行坐标扰动，利用扰动后的坐标对初始视频序列进行裁剪得到裁剪视频序列；对裁剪视频序列和裁剪坐标真值序列进行数据增强得到增强视频序列和增强坐标真值序列；利用增强视频序列和增强坐标真值序列对分层帧间滑动窗口因果注意力网络模型进行训练；利用训练完成分层帧间滑动窗口因果注意力网络模型进行自回归目标跟踪。本发明能够在视频遮挡、模糊、抖动的条件下对目标进行高效、准确的跟踪。
-
公开(公告)号：CN114897842B
公开(公告)日：2024-12-13
申请号：CN202210545081.8
申请日：2022-05-19
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06T7/00
Abstract: 本发明是一种基于纹理增强网络的红外小目标分割检测方法，包括步骤1：从原始视频数据集中获取带有红外小目标的图片，将图片划分为训练集和测试集，然后为图片打上标注，得到数据图片以及与之对应的标签图像数据集；步骤2：将获得的数据图片以及标签图像数据集输入纹理增强网络中，得到三个子输出；步骤3：构建差异性损失来度量得到的3个子输出特征图，得到差异性损失，并根据3个子输出计算出平均输出；步骤4：将得到的平均输出转化成单通道的分割预测图像，得到最终预测图像的输出。本发明在纹理增强网络的基础上构建了差异性损失，以一种更加高效准确的方式逼近网络，检测概率得到了提升，生成的预测分割图片简洁明了，无多余杂波出现。
-
公开(公告)号：CN114842053B
公开(公告)日：2024-12-10
申请号：CN202210545083.7
申请日：2022-05-19
Applicant: 南京邮电大学
Abstract: 本发明是一种基于相对熵的相关滤波跟踪方法，包括步骤1：读取视频第一帧图像与待跟踪目标的位置信息，加入训练集；步骤2：提取当前训练集中的特征，训练相关滤波器，进行初始化，使用相对熵的度量方法对响应图进行拟合；步骤3：以上一帧目标位置为中心提取图像块用于目标检测，对当前帧图像的候选样本提取特征；步骤4：模型优化，生成优化更新后的基于相对熵的相关滤波器；步骤5：使优化更新后的相关滤波器与候选的图像块在频域上进行卷积操作，得到的结果通过逆傅里叶变换到时域的响应图；步骤6：重复步骤3‑5直至读取视频所有帧结束。该方法具有较高的识别精度，能够在光照变化，目标遮挡、变形和快速运动等复杂环境下稳定的跟踪目标。
-
公开(公告)号：CN114662655B
公开(公告)日：2024-07-16
申请号：CN202210192161.X
申请日：2022-02-28
Applicant: 南京邮电大学
IPC: G06N3/092 , G06N3/045 , G06N3/006 , G06F16/2458 , G06Q50/26
Abstract: 本发明公开了一种基于注意力机制的兵棋推演AI分层决策方法及装置，包括进行分层网络建模与强化学习智能体建模，获取到态势推演初始数据进行预处理；获通过智能体局部观察数据，输出当前所有智能体的总体目标；通过智能体局部观察数据和当前所有智能体的总体目标，输出当前所有智能体的当前应采取的决策；通过当前所有智能体的总体目标，筛选并预处理得到此刻的目标态势；利用注意力机制筛选出与目标态势关联最大的智能体局部信息，并进行态势评估；将当前所有智能体的当前应采取的决策输入到兵棋推演环境中，得到更新之后的新态势，通过所述新旧态势之间的差别计算奖励并训练网络，本发明能够有效的解决兵棋推演环境的动态性问题以及稀疏奖励问题，使AI能够实现自主决策，对不同的想定具有一定的适应能力与较高的胜率。
-
公开(公告)号：CN117973568A
公开(公告)日：2024-05-03
申请号：CN202410133574.X
申请日：2024-01-31
Applicant: 南京邮电大学
IPC: G06N20/20 , G06V10/764 , G06V10/774
Abstract: 本发明涉及机器学习技术领域，具体涉及一种基于自监督知识蒸馏策略的多模态学习方法，包括：将数据集中的图像数据集划分为训练集和测试集；构建多模态学习模型；将训练集和测试集分别输入RTN网络和FIN网络中进行处理；进行RTN网络和FIN网络间的培训过程以计算任务学习的交叉熵损失；提取RTN和FIN网络中的融合特征信息；基于RTN网络中的融合特征信息计算预测结果；基于预测结果、RTN和FIN网络中的融合特征信息计算ITN网络的损失；基于FIN网络中的融合特征信息计算WMEN网络的损失；计算模型总损失，并根据模型总损失进行参数优化。本发明通过RTN网络、FIN网络和MNB网络对训练集数据和测试集数据进行处理，并结合WMEN网络应对多模态数据中某些模态缺失的情况，在极大程度上提高了多模态学习模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN115034978B
公开(公告)日：2024-04-05
申请号：CN202210565981.9
申请日：2022-05-23
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于子空间表示结合图嵌入约束的高光谱图像去噪方法，通过获取含有混合噪声的高光谱图像Y，建立观测模型：Y＝X+N；并将原始高光谱图像X进行光谱低秩表示，分解为子空间的基E与系数表示矩阵Z两个低维的待求解子矩阵；对混合噪声进行子空间学习；对光谱之间的图嵌入约束；构建基于子空间表示结合图嵌入约束的高光谱图像去噪模型；采用交替方向乘子法ADMM对模型进行优化求解得到解#imgabs0#进行去噪图像估计，进而获得去除加性混合噪声后的高光谱图像即得到原始干净的图像。该方法能够高效完全处理包括高斯噪声、泊松噪声以及条带噪声的多种混合加性噪声，能够获得优越的去噪效果，在去除混合噪声方面上的有效性和高效性均有提升。
-
公开(公告)号：CN117809338A
公开(公告)日：2024-04-02
申请号：CN202311867336.3
申请日：2023-12-29
Applicant: 南京邮电大学
Abstract: 本发明属于目标检测领域，公开了一种基于空频域定位和边缘扩散增强的伪装目标检测方法，步骤为：步骤S1、将伪装目标图像输入到主干网络来提取多尺度特征；步骤S2、将主干网络的特征输入到空频域定位网络实现对于伪装目标的图像全局定位，得到伪装目标的初始定位图；步骤S3、将主干网络的特征输入到上下文信息融合网络，获得多尺度融合特征；步骤S4、将伪装目标的初定位图和多尺度融合特征输入到边缘扩散增强网络，逐层获得更为精细的伪装目标分割图；步骤S5、将初定位图和伪装目标分割图同训练集真值图计算损失，训练整个模型。本发明解决了现有模型对于伪装目标定位不准确和对于边缘分割不精细的问题，能够提高伪装目标分割图的质量。
-
公开(公告)号：CN116263937A
公开(公告)日：2023-06-16
申请号：CN202310150306.4
申请日：2023-02-22
Applicant: 南京邮电大学
Abstract: 本发明属于计算机视觉领域，具体地说，是一种基于多级联金字塔模型的深度图像超分辨率网络算法，提出的模型构建了基于多级联金字塔的深度图像超分辨率网络，解决了跨模态特征提取以及RGB纹理过渡转移等问题。具体来说，首先，模型学习图像R和深度D之间的差异并逼近真值X作为输入信息；接着，输入信息经过四级金字塔训练，合成更高质量的图像信息并通过金字塔最底端输出；最后，将经过训练的残差H与深度图像D相加反向传播矫正H用于恢复超分辨率的图像O。值得注意的是，引入的多尺度金字塔不仅能起到分离高频信息与背景信息的作用，更能一定程度上减少参数量，降低训练难度。
-
公开(公告)号：CN116229068A
公开(公告)日：2023-06-06
申请号：CN202310165792.7
申请日：2023-02-24
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/80 , G06V10/42 , G06V10/774 , G06T5/50 , G06N3/0464 , G06N3/094
Abstract: 本发明提供一种基于渐进式多感受野生成对抗网络的红外图像生成方法及系统，获得配对的原始可见光图像与红外图像，对原始可见光图像与红外图像进行数据预处理，获得可见光图像和真实红外图像，得到数据集；构建渐进式多感受野生成对抗网络模型，渐进式多感受野生成对抗网络模型包括语义分割模块、一级生成对抗网络和二级生成对抗网络；对渐进式多感受野生成对抗网络模型进行训练，获得训练后的渐进式多感受野生成对抗网络模型；对输入的图像，通过训练后的渐进式多感受野生成对抗网络模型，生成红外图像；本发明能够实现生成逼真的红外图像，具备泛化能力强，能够在短时间内生成大量高质量红外图像数据的优势。
-
公开(公告)号：CN116228702A
公开(公告)日：2023-06-06
申请号：CN202310157199.8
申请日：2023-02-23
Applicant: 南京邮电大学
IPC: G06T7/00 , G06T7/70 , G06T7/13 , G06V10/42 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/44 , G06N3/044 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制和卷积神经网络的伪装目标检测方法，属于伪装目标检测领域，具体包括：将训练集图像输入至主干网络提取含有伪装目标图像的多尺度特征；将主干网络的Stage3、Stage4、Stage5输出的特征分别输入进位置感知循环卷积模块输出全局特征；利用边缘提取模块提取伪装目标的边缘轮廓信息，得到边缘预测图，并通过伪装目标的边缘标签对进行边界监督；将上述获得的全局特征与边缘轮廓信息融合后，继而进行多尺度特征融合得到多尺度聚合特征，获得伪装目标预测图，并通过伪装目标的二值标签图对其进行深度监督。本发明的伪装目标检测方法能够全面感知伪装目标并细化其边界轮廓，提高伪装目标的检测性能。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.034 seconds)
