-
公开(公告)号：CN115619680A
公开(公告)日：2023-01-17
申请号：CN202211374668.3
申请日：2022-11-04
Applicant: 福州大学
IPC: G06T5/00 , G06T7/269 , G06V10/774 , G06V20/40
Abstract: 本发明涉及一种基于时空信息和光流提取的双模态异常骨骼数据修正方法，包括以下步骤：S1:获取人体运动视频数据集并预处理，得到训练数据集，并基于训练数据集训练基于计算机视觉的人体姿态估计器；S2:根据训练后的人体姿态估计器对输入的视频序列生成每个视频帧的初始姿态，并对初始姿态进行异常检测；S3:分别从异常帧前后寻找最近可信前序帧和最近可信后序帧，提取最近可信前后序帧间连续序列的光流信息；S4：根据获得的光流信息，分别按时间顺序进行前向光流修正和逆向前向光流修正，结合双向修正结果，预测并修正异常骨骼数据。本发明能够有效地对视频中的人体异常骨骼数据进行检测，最终预测并修正异常骨骼数据，提高骨骼数据的准确度。
-
公开(公告)号：CN114693930A
公开(公告)日：2022-07-01
申请号：CN202210333902.1
申请日：2022-03-31
Applicant: 福州大学
Abstract: 本发明涉及一种基于多尺度特征和上下文注意力的实例分割方法及系统，该方法包括以下步骤：对训练集中图像进行包括数据增强和标准化处理的数据预处理；构建多尺度特征融合和上下文注意力聚合模块，以利用金字塔结构加强特征表示，并聚焦金字塔特征图中的小目标物体；构建基于多尺度特征融合和上下文注意力聚合的实例分割网络；利用训练集中图像对实例分割网络进行训练，生成实例分割结果并计算损失函数，反向传播优化整个网络的参数，得到训练好的实例分割网络；将待处理图像输入训练好的实例分割网络，得到实例分割结果。该方法及系统不仅能够提高大目标和中等目标的分割精度，同时也聚焦小目标物体，提升小目标的分割性能。
-
公开(公告)号：CN116363011B
公开(公告)日：2025-05-13
申请号：CN202310356172.1
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/90 , G06T5/70 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于频域分频的多分支低照度图像增强方法。包括：对输入图像进行预处理，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；设计基于频域分频的多分支低照度图像增强网络，该网络由基准分支、高频分支和低频分支三个分支组成，每个分支均包含浅层图像增强模块和基于多尺度特征协同注意力模块的UNet结构；设计用于指导步骤B所设计网络参数优化的损失函数；使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照度图像增强网络，得到训练好的基于频域分频的多分支低照度图像增强模型；将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强模型中，预测生成正常照度图像。本发明能增强低照度图像，解决低照度图像细节丢失、噪声多、亮度不足等问题。
-
公开(公告)号：CN114693930B
公开(公告)日：2024-09-06
申请号：CN202210333902.1
申请日：2022-03-31
Applicant: 福州大学
IPC: G06V10/26 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于多尺度特征和上下文注意力的实例分割方法及系统，该方法包括以下步骤：对训练集中图像进行包括数据增强和标准化处理的数据预处理；构建多尺度特征融合和上下文注意力聚合模块，以利用金字塔结构加强特征表示，并聚焦金字塔特征图中的小目标物体；构建基于多尺度特征融合和上下文注意力聚合的实例分割网络；利用训练集中图像对实例分割网络进行训练，生成实例分割结果并计算损失函数，反向传播优化整个网络的参数，得到训练好的实例分割网络；将待处理图像输入训练好的实例分割网络，得到实例分割结果。该方法及系统不仅能够提高大目标和中等目标的分割精度，同时也聚焦小目标物体，提升小目标的分割性能。
-
公开(公告)号：CN118196901A
公开(公告)日：2024-06-14
申请号：CN202410362395.3
申请日：2024-03-28
Applicant: 福州大学
IPC: G06V40/20 , G06V10/774 , G06V20/40 , G06V10/764 , G06V10/82 , G06N3/045 , G06V10/40 , G06V10/74 , G06V10/766
Abstract: 本发明涉及一种基于时序动态适应和层级对比的动作评估方法，包括以下步骤：步骤S1：获取数据集并预处理，训练基于计算机视觉的关键点检测算法；步骤S2：采用修改后的关键点检测算法对输入的视频图像识别提取骨骼关键点，并输出信息；步骤S3：采用基于余弦相似度的肢体整齐度算法对关键点的信息进行处理，计算肢体整齐度；步骤S4：采用基于距离度量的关节整齐度算法计算关节整齐度，基于肢体和关节整齐度计算综合整齐度，完成最终的评估。
-
Patent Agency Ranking
公开(公告)号：CN113657252B
公开(公告)日：2023-07-28
申请号：CN202110935194.4
申请日：2021-08-16
Applicant: 福州大学
IPC: G06V20/13 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T7/73 , G06N3/0455
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：CN115205147A
公开(公告)日：2022-10-18
申请号：CN202210828621.3
申请日：2022-07-13
Applicant: 福州大学
Abstract: 本发明涉及一种基于Transformer的多尺度优化低照度图像增强方法。包括：将数据进行数据预处理；构建基于Transformer的多任务恢复和增强子网络；设计基于Transformer的多尺度优化低照度图像增强网络，该网络由多尺度浅层特征提取子网络、多尺度特征融合子网络、基于Transformer的低照度图像特征增强子网络和多尺度低照度图像增强子网络组成；根据网络结构设计损失函数，指导网络模型的参数优化；用图像块数据训练网络，优化网络模型参数，收敛到平衡状态；将低照度图像进行切块处理，然后将图像块分别输入训练好的图像增强网络，得到相应增强后的图像块后，将图像块拼接成增强后的完整图像。本发明能对低照度图像进行增强，综合解决低照度图像存在的退化问题。
-
公开(公告)号：CN116797491A
公开(公告)日：2023-09-22
申请号：CN202310853029.3
申请日：2023-07-12
Applicant: 福州大学
IPC: G06T5/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于任务解耦的暗光模糊图像增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对暗光模糊图像的每幅图像进行预处理，得到训练数据集；步骤S2、设计任务解耦的暗光模糊图像增强网络，该网络由颜色变换分支、融合增强分支和高频信息重建分支组成；步骤S3、设计用于训练步骤S2所设计网络的损失函数；步骤S4、使用训练数据集训练基于任务解耦的暗光模糊图像增强网络；步骤S5、将待测暗光模糊图像输入到所设计的网络中，利用训练好的网络预测生成具有更好视觉感知的最终结果。
-
公开(公告)号：CN116385298A
公开(公告)日：2023-07-04
申请号：CN202310355905.X
申请日：2023-04-06
Applicant: 福州大学
Abstract: 本发明涉及一种用于无人机夜间采集图像的无参考增强方法。包括以下步骤：步骤S1、构建用于训练的数据集，对无人机夜间采集的每幅图像进行预处理，得到训练数据集；步骤S2、设计用于无人机夜间采集图像的增强网络，该网络由增强曲线估计网络、增强运算公式和感知复原网络组成；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、使用训练数据集训练无人机夜间采集图像的增强网络；步骤S5、将待测无人机采集的夜间图像输入到所设计的网络中，利用训练好的网络预测生成具有更好感知的最终结果。
-
公开(公告)号：CN116363011A
公开(公告)日：2023-06-30
申请号：CN202310356172.1
申请日：2023-04-06
Applicant: 福州大学
IPC: G06T5/00 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于频域分频的多分支低照度图像增强方法。包括：对输入图像进行预处理，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；设计基于频域分频的多分支低照度图像增强网络，该网络由基准分支、高频分支和低频分支三个分支组成，每个分支均包含浅层图像增强模块和基于多尺度特征协同注意力模块的UNet结构；设计用于指导步骤B所设计网络参数优化的损失函数；使用步骤A得到的训练数据集训练步骤B中的基于频域分频的多分支低照度图像增强网络，得到训练好的基于频域分频的多分支低照度图像增强模型；将待测低照度图像输入训练好的基于频域分频的多分支低照度图像增强模型中，预测生成正常照度图像。本发明能增强低照度图像，解决低照度图像细节丢失、噪声多、亮度不足等问题。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.028 seconds)
