“蔺素珍”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果22个，建议您升级VIP下载更多相关专利

[发明专利]基于特征融合的多波段图像描述生成方法-CN202310594629.2在审
发明人： 蔺素珍;禄晓飞;贺姗;李大威;王彦博 -专利权人：中北大学
申请日： 2023-05-25 - 公布日： 2023-08-25 - 主分类号： G06V20/70 文献下载
摘要：本发明涉及图像描述方法和图像融合方法，尤其涉及多波段图像描述生成方法，具体为基于特征融合的多波段图像描述生成方法。在将红外探测成像引入图像描述领域并建立可见光图像‑红外图像描述数据集的基础上，首先使用多层卷积神经网络分别对可见光图像和红外图像提取特征；再根据不同探测波段的互补性，设计特征融合增强模块在空间级和通道级实现特征的融合增强；最后，构建注意力机制增强模块，建立图像和文本的深度关系，消除传统加性注意力机制产生的噪声，实现多波段图像描述生成，可用于安防监控和军事侦察等复杂场景理解。
基于特征融合波段图像描述生成方法

[发明专利]一种复杂背景下的红外弱小目标跟踪方法-CN202310268997.8在审
发明人：李大威;蔺素珍;崔晨辉;禄晓飞 -专利权人：中北大学
申请日： 2023-03-17 - 公布日： 2023-07-07 - 主分类号： G06T7/246 文献下载
摘要：针对复杂背景下红外弱小目标难以提取有效特征、易受周围干扰物影响等难题，本发明提出一种复杂背景下的红外弱小目标跟踪方法。本发明网络模型首先将输入的参考区域和待跟踪区域传入双特征提取模块分别获得融合特征图；然后，利用相似性计算模块将融合特征图进行相似性计算，输出的相似度图中包含目标的分类和回归信息；最后，通过精细化模块和头网络输出当前帧图像目标的预测位置和边界框，以实现复杂背景下的红外弱小目标的稳健跟踪。本发明可有效对复杂场景中的真实目标进行稳健跟踪，减少目标周围干扰物的影响，提高跟踪性能，为接下来提取目标特征、判定关键事件提供准确的位置信息。
一种复杂背景红外弱小目标跟踪方法

[发明专利]一种可解释的多尺度红外弱小目标检测网络设计方法-CN202210503167.4在审
发明人：李大威;蔺素珍;武杰;禄晓飞;张海松 -专利权人：中北大学
申请日： 2022-05-09 - 公布日： 2022-09-02 - 主分类号： G06V10/143 文献下载
摘要：针对复杂背景下红外弱小目标检测鲁棒性较低的难题，本发明提出了一种可解释的多尺度红外弱小目标检测网络设计方法。本发明网络模型首先对输入红外源图像进行细节特征提取和目标增强，经过多个多尺度目标增强模块级联处理后得到低层细节特征和高层语义特征；然后利用全局目标响应结构对低层细节特征和高层语义特征进行上下文建模，获取真实目标像素长距离依赖；接着利用多层特征融合结构对低层细节特征、深层语义特征、局部特征及全局特征进行重复性、冗余性融合，在高维数据中完成了对真实目标和背景噪声的像素分类；最后通过多损失联合约束结构联合多个损失函数约束网络输出，使其接近真实目标数据分布，得到真实目标检测结果。
一种可解释尺度红外弱小目标检测网络设计方法

[发明专利]基于残差自注意力图像增强的高倍速采MRI重建方法-CN202010538650.7有效
发明人： 蔺素珍;马凤飞;王丽芳;李大威 -专利权人：中北大学
申请日： 2020-06-13 - 公布日： 2022-08-23 - 主分类号： G06T11/00 文献下载
摘要：本发明涉及MRI加速采集方法，具体为基于残差自注意力图像增强的高倍速采MRI重建方法。本方法采用生成对抗网络构建本发明的网络结构，将基于残差自注意力的特征增强模块内嵌至U‑NET收缩路径底部；将高倍欠采样图像输入生成器，经U‑NET收缩路径提取高级特征图后输入特征增强模块得到特征增强图，再经U‑NET扩展路径解码，并与收缩路径对应的特征图合并，融合扩展时对应级别收缩层的特征，补充缺失的边界信息，准确预测边缘信息，得到重建图像。本方法可以捕获图像更抽象、更丰富的纹理细节特征，融合局部信息和非局部信息以增强全局信息量，整个过程由网络自动选择有效特征，能实现关键区域纹理细节的自适应提取与重构，可以很好地重建高倍速采MR图像。
基于注意力图像增强高倍 mri 重建方法

[发明专利]一种多波段图像的自监督学习融合方法-CN202010784272.0有效
发明人： 蔺素珍;田嵩旺;禄晓飞;李大威;李毅;王丽芳 -专利权人：中北大学
申请日： 2020-08-06 - 公布日： 2022-07-05 - 主分类号： G06T5/50 文献下载
摘要：本发明涉及多波段图像融合方法，具体为基于多判别器生成对抗网络的多波段图像自监督融合方法，本方法按如下步骤进行：设计并构建生成对抗网络，网络由一个生成器和多个判别器组成，且标签图像为多波段源图像自身；生成器网络结构采用构思的特征增强模块、特征融合模块两部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到多波段图像融合结果。本发明实现了多波段图像端到端自监督融合的神经网络，结果具有更好的清晰度、信息量，细节信息更丰富，更符合人眼视觉特性。
一种波段图像监督学习融合方法

[发明专利]基于密集网络和局部亮度遍历算子的多波段低分辨率图像同步融合方法-CN202110480624.8有效
发明人： 蔺素珍;禄晓飞;田嵩旺;李大威 -专利权人：中北大学
申请日： 2021-04-30 - 公布日： 2022-04-26 - 主分类号： G06T5/50 文献下载
摘要：本发明涉及多波段图像同步超分与融合方法，即同步实现多波段图像融合和图像超分辨率，具体为基于密集网络和局部亮度遍历算子的多波段低分辨率图像同步融合方法,本方法按如下步骤进行：设计并构建生成对抗网络，网络结构采用构思的特征提取模块、特征融合模块和图像超分辨率模块三部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到融合增强结果。损失函数中内容损失的亮度提取部分采用构造的局部亮度遍历算子。本发明实现了多波段图像端到端同步超分与融合神经网络，由于在网络最后一层才放大源图像，大大提升网络的效率，降低资源耗费。
基于密集网络局部亮度遍历算子波段分辨率图像同步融合方法

[发明专利]基于注意力机制生成对抗网络的多波段图像特征级融合方法-CN201910672081.2有效
发明人： 蔺素珍;李大威;杨晓莉;王丽芳;田嵩旺 -专利权人：中北大学
申请日： 2019-07-24 - 公布日： 2022-04-19 - 主分类号： G06V10/80 文献下载
摘要：本发明涉及图像融合方法，尤其涉及多波段图像融合方法，具体为基于注意力机制生成对抗网络的多波段图像特征级融合方法。本方法按如下步骤进行：设计并构建生成对抗网络，生成器中包含混合注意力机制的特征增强模块，通过生成器和判别器的动态平衡训练得到一个生成模型；本方法实现了多波段图像端到端的神经网络融合，显著提高了融合图像的细节质量。
基于注意力机制生成对抗网络波段图像特征融合方法

[发明专利]基于改进WGAN-GP的多波段图像同步融合与增强方法-CN202010538631.4有效
发明人：李大威;田嵩旺;蔺素珍;杨博;张海松 -专利权人：中北大学
申请日： 2020-06-13 - 公布日： 2022-04-19 - 主分类号： G06T5/50 文献下载
摘要：本发明涉及多波段图像同步融合与增强方法，即同步实现多波段图像融合和图像超分辨率，具体为基于改进WGAN‑GP的多波段图像同步融合与增强方法,本方法按如下步骤进行：设计并构建生成对抗网络，网络结构采用构思的特征提取（编码）网络、特征组合网络和解码网络三部分组成，通过生成器和判别器的动态平衡训练得到一个生成模型并得到融合增强结果。本发明实现了多波段图像端到端同步融合与增强的神经网络，使得低分辨率源图像融合出高质量融合结果。
基于改进 wgan gp 波段图像同步融合增强方法

[发明专利]一种复杂背景下的红外弱小目标检测方法-CN202110480586.6有效
发明人： 蔺素珍;禄晓飞;张海松;李大威 -专利权人：中北大学
申请日： 2021-04-30 - 公布日： 2022-03-18 - 主分类号： G06V10/25 文献下载
摘要：本发明提出了一种复杂背景下的红外弱小目标检测方法，涉及红外目标检测领域。首先，定义滑动窗口并将其划分为多个单元，将中心单元的像素灰度值降序排列后计算其前K个灰度均值；其次，分别构建中心单元的相接邻域和相隔邻域并计算它们各自的灰度均值；再次，分别提取相接邻域和相隔邻域的显著图；然后，通过点乘两显著图抑制复杂背景并增强弱小目标；最后自适应提取目标，以实现复杂背景下红外弱小目标的高效准确检测。
一种复杂背景红外弱小目标检测方法

[发明专利]基于侧窗滤波和多尺度变换的红外与可见光图像同步融合降噪方法-CN202111375716.6在审
发明人： 蔺素珍;禄晓飞;余东;李大威;王彦博 -专利权人：中北大学
申请日： 2021-11-19 - 公布日： 2022-03-01 - 主分类号： G06V10/30 文献下载
摘要：本发明涉及图像融合方法，尤其涉及红外与可见光图像融合方法，具体为基于侧窗滤波和多尺度变换的红外与可见光图像同步融合降噪方法，本方法按如下步骤进行：用改进的侧窗滤波分解红外与可见光图像，分别得到其所对应的基层与细节层信息；以基于自适应的幂次变换方法进行红外图像基层显著区域提取；对提取到的红外图像基层区域和可见光图像基层应用融合规则进行融合，得到基层融合图像；采用基于全变分的方法对细节层图像进行同步融合降噪处理，得到基层融合图像；对得到的基层融合图像和细节层融合图像进行重建，得到最终融合图像，该融合图像的对比度明显，显著区域突出，噪声大幅下降。
基于滤波尺度变换红外可见光图像同步融合方法

[发明专利]基于多特征融合的红外弱小目标检测方法-CN202111078520.0在审
发明人： 蔺素珍;武杰;禄晓飞;李大威;余东;张海松;樊小宇;赵亚丽 -专利权人：中北大学
申请日： 2021-09-15 - 公布日： 2021-12-21 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了基于多特征融合的红外弱小目标检测方法，先基于红外弱小目标局部灰度值大的特性，利用目标与邻域背景的灰度对比度对真实目标进行增强、部分复杂背景进行抑制。其次，利用红外弱小目标自身灰度信息符合二维高斯分布的特性，通过计算红外弱小目标边缘像素点与中心像素点之间的距离和灰度差的协方差来检测目标，得到显着图一。再次，利用红外弱小目标与邻域相似度低的特性，通过计算相似性因子来检测目标，得到显着图二。最后，将显着图一与显着图二进行点乘，通过融合红外弱小目标多种特性得到最终显着图，对最终显着图计算简单阈值进行分割得到最终检测结果。本发明有效抑制了红外图像中的复杂杂波，同时提升了弱小目标检测的精度。
基于特征融合红外弱小目标检测方法

[发明专利]一种基于深度学习的图像融合方法-CN201710211621.8有效
发明人： 蔺素珍;韩泽;郑瑶 -专利权人：中北大学
申请日： 2017-04-01 - 公布日： 2020-06-16 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及图像融合方法，具体为一种基于深度学习的图像融合方法，本方法按如下步骤进行：基于自动编码器利用卷积层构建基本单元；将多个基本单元堆叠起来训练得到深度堆叠神经网络，并采用端对端的方式调整堆叠网络；利用该堆叠网络分解输入图像，得到各自的高频和低频特征映射图，分别利用局部方差取大和区域匹配度合并高频和低频特征映射图；并将高频融合特征映射图和低频融合特征映射图放回最后一层网络，得到最终的融合图像。本方法可以对图像进行自适应分解和重构，融合时只需高频和低频特征映射图各一幅，不需要人工定义滤波器个数和类型，也不需要选择图像的分解层数和滤波方向数，可以极大改善融合算法对先验知识的依赖性。
一种基于深度学习图像融合方法

[发明专利]基于回溯双向波前法的青铜器点云孔洞修补方法-CN201710265351.9有效
发明人： 蔺素珍;张琦;白佳璐 -专利权人：中北大学
申请日： 2017-04-21 - 公布日： 2020-05-19 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及青铜器文物虚拟复原方法，尤其涉及青铜器孔洞虚拟修补方法，具体为基于回溯双向波前法的青铜器点云孔洞修补方法，本方法按如下步骤进行：对青铜器点云三角网格化并提取其孔洞边界，再依据边界点集曲率波动幅度去除伪孔洞边界；以边界回溯结果为初始点集，对凹、凸点分别采用正反向波前法逐圈新增点集直至补全；用孔洞边界替换该点集的第一圈后，从第二圈开始利用最小二乘法拟合曲面微调新增点集，获得修补结果，该方法在结构相似度和曲率连续性均得到了显著提高，可有效修补青铜器点云孔洞。
基于回溯双向波前法青铜器孔洞修补方法

[发明专利]一种基于深度学习的空中目标跟踪方法-CN201710676396.5有效
发明人： 蔺素珍;郑瑶;任之俊 -专利权人：中北大学
申请日： 2017-08-09 - 公布日： 2020-04-07 - 主分类号： G06T7/246 文献下载
摘要：本发明涉及空中目标跟踪方法，具体为基于深度学习的空中目标跟踪方法，本方法按如下步骤进行：MDNet采集第一帧图像的正样本并进行随机取样，将随机取样后的样本作为数据集训练bounding‑box模型；其次，训练利用最小信息准则和最小二乘法确定阶数和参数的AR模型，估计目标运动轨迹并预测目标位置；然后，将该目标位置作为MDNet的采样中心，再利用bounding‑box回归模型调整目标位置，精确完成跟踪。本方法可以自适应提取空中目标特征，并结合AR模型有效利用目标的运动信息，可极大改善MDNet对目标特征的依赖性，在解决伪目标干扰的同时，提高跟踪精度。
一种基于深度学习空中目标跟踪方法

[发明专利]基于PCA和FFT的青铜器三维碎片虚拟拼接方法-CN201610894716.X有效
发明人： 蔺素珍;王栋娟;张琦;白佳璐 -专利权人：中北大学
申请日： 2016-10-13 - 公布日： 2019-05-10 - 主分类号： G06T3/00 文献下载
摘要：本发明涉及青铜器文物虚拟复原方法，尤其涉及青铜器三维碎片特征匹配和拼接方法，具体为基于PCA和FFT的青铜器三维碎片虚拟拼接方法。本方法按如下步骤进行：提取碎片轮廓线；以轮廓曲线上局部曲率极大值点为角点，将轮廓曲线表示为由角点及其周围若干点组成的特征曲线段；将每个特征曲线段变换到利用主成分分析法建立的局部坐标系，进而投影到两个坐标平面；分别提取投影结果的特征函数，并计算各函数的傅里叶能量值在对应平面的差异，选择差异值较小的匹配对为粗匹配结果；将两个碎片轮廓分别通过平移旋转变换到与其粗匹配特征曲线段对应的局部坐标系中，以二者在第三个投影平面的公共曲线长度为度量进行精化匹配。
基于 pca fft 青铜器三维碎片虚拟拼接方法

1
2
下一页»
尾页
共 22 条