本发明公开了一种基于渐进式加权解码的RGB‑D显著性检测方法,属于计算机视觉领域。所述方法包括:通过对称的双流特征提取主干网络分别提取多级RGB图像特征和深度图像特征;利用多尺度自注意力特征增强模块增强提取得到的高级特征;随后采用跨模态特征融合模块将RGB分支特征和深度分支特征进行融合,增强不同分支之间的跨模态信息交互;然后通过渐进式加权融合解码器对融合特征进行逐层解码,充分整合细化不同模态的特征信息;最后,采用混合损失函数对模型进行监督训练,实现初始显著图优化,完成基于渐进式加权解码的RGB‑D显著性检测,实验结果证明,本发明对各种不同场景均具备较高的目标检测精度。
📄 2024107354496
📂 G06V10_46
👤 江南大学
📅 2024-06-07
一种大视点变化下图像特征点提取方法,涉及计算机视觉领域。解决现技术在大于40度的大视点变化下特征点提取的精度和高耗时问题。所述方法包括:根据ASIFT的仿射模拟策略对图像进行经度优化,并获取仿射模拟视点,所述图像包含基准图像和目标图像;根据仿射模拟视点以及图像灰度信息构建自适应阈值的AGAST特征检测器;根据所述AGAST特征检测器将仿射模拟视点进行自适应特征提取,获取模拟视点图像;对所述模拟视点图像进行透视变换,获取透视变换后的图像;将所述透视变换后的图像和优化后的目标图像进行SIFT特征匹配,获取匹配图像之间的特征点对与匹配关系。本发明应用于计算机视觉领域。
📄 2023111627171
📂 G06V10_46
👤 江南大学
📅 2023-09-11
本发明公开了一种快速的图像仿射不变特征提取方法,属于计算机视觉领域。所述方法首先使用两张图像上的对应线段的像素长度关系判断得到缩放关系,并基于此区分基准图像和目标图像;其次,将特征提取过程分成两次:先用效率更高的方式进行第一次特征提取与匹配得到相对最优的仿射变换参数,只对基准图像进行模拟仿射,极大降低和减少了模拟变换、特征提取和特征匹配的次数与耗时,并可以在仿射变换过程引入尺度参数模拟和最近邻插值方式,有效提高特征点对匹配数量、精度和运行效率;实验结果表明,本发明具有良好的仿射不变性,能在小视角时保持优秀性能和精度,也能对抗大角度的视角变化,同时能极大减小内存占用和计算开销。
📄 202310575375X
📂 G06V10_46
👤 江南大学
📅 2023-05-22
本发明公开了一种适应高仿射变换的区域特征描述符构造方法,属于计算机视觉技术领域。本发明对不同仿射程度的图像分类模拟仿射变换生成新的图像集,进而在新的图像集上计算特征点的邻域信息,最后结合特征点所属的最大稳定极值区域的灰度直方图、以及特征点相对区域灰度质心的归一化位置,生成新的描述符。通过比较仿射变换场景下的特征匹配指标,证明了本发明的描述符较现有的经典描述符更具有高精度的稳健性,同时具有与其它描述符融合的鲁棒性。
📄 2023103528723
📂 G06V10_46
👤 江南大学
📅 2023-04-04
本发明公开了一种光场图像显著性检测方法,具体包括以下步骤:获取原始聚焦栈图像;基于所述原始聚焦栈图像,获取新全聚焦栈图像;对所述原始聚焦栈图像和所述新全聚焦栈图像进行特征提取,获取原始聚焦栈特征图和新全聚焦栈特征图;对所述原始聚焦栈特征图和所述新全聚焦栈特征图进行多特征融合,获取目标融合特征图;利用所述目标融合特征图,生成最终显著图。本发明可以获得与输入光场全聚焦图片相同分辨率的显著图,满足目标追踪、语义分割等下游任务的需求。
📄 2023115354370
📂 G06V10_46
👤 安庆师范大学
📅 2023-11-15
本发明公开了一种多模态多拼接的RGB‑D显著性目标检测方法。本发明采用ResNet50对RGB图像和经过处理的三通道深度图像进行预训练,并且从预训练中提取特征信息相互交叉结合,这是在现有方法中基本没有运用过的;在后期设计的模型中又运用到ResNet模块训练,使得训练信息前后相匹配;模型中还设计了一个采用卷积与Denseblock结合的新型模块即细节关联模块,充分结合了卷积和DenseNet的优点,使得预测结果十分优秀。本发明方法得到的真实场景图像的显著性检测结果非常好,表明利用本发明方法来获取真实场景图像对应的预测显著性检测图像是可行性且有效。
📄 2019107401049
📂 G06V10_46
👤 浙江科技学院
📅 2019-08-12
本发明涉及图像处理技术领域,尤其涉及一种基于色相信息的快速BRIEF特征匹配方法及系统,所述方法包括:在图像中标记特征点,并提取所述特征点的色相特征,所述图像包括第一图像和第二图像,所述色相特征包括色相值和角度特征;根据BRIEF特征提取算法,在所述第一图像和所述第二图像中提取所述特征点的图像特征,所述图像特征为BRIEF特征;根据所述色相特征和所述图像特征,在所述第一图像和所述第二图像中进行所述特征点的匹配,并输出特征点匹配结果。本发明在图像特征匹配过程中加入了图像的色相信息进行匹配运算,特征不易受光照等信息的影响,具有更强的鲁棒性,同时改进了BRIEF算法的机制和搜索机制,提高了计算速度和匹配效率。
📄 2023101134587
📂 G06V10_46
👤 广东工业大学
📅 2023-02-10
本发明公开了一种用于影像基础矩阵不确定性的评估方法,属于影像重构三维模型技术领域,包括如下步骤:基于立体像对的特征提取点,得到影像基础矩阵F的非齐次8维矢量;基于非齐次8维矢量、矩阵微分理论和立体像对中特征匹配点对的坐标矩阵X,得到影像基础矩阵F的协方差;基于影像基础矩阵F的协方差,构建影像基础矩阵F不确定性函数;基于非齐次8维矢量中影像基础矩阵F元素的最大值和影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性评估结果;本发明通过直接量化函数来判定影像基础矩阵F的不确定性,解决了影像重构三维模型中数据源或算法参数对影像基础矩阵F不确定性判断影响的问题。
📄 2022111357159
📂 G06V10_46
👤 成都信息工程大学
📅 2022-09-19
本申请公开了图像特征的提取方法、训练方法、装置、电子设备及介质,涉及人工智能领域,具体为计算机视觉和深度学习技术。训练方法为:根据训练数据集中每个图像所属的类型,将每个图像分别输入初始图像特征提取模型中对应的参考向量生成网络,获取每种类型的图像的参考向量;将训练数据集输入特征图生成网络,获取训练数据集的初始特征图;利用多个解码网络,分别对每种类型的参考向量及初始特征图解码,确定每种类型图像的预测特征;根据每种类型图像的标注特征与预测特征的差异,分别对参考向量生成网络、特征图生成网络及解码网络进行修正,生成目标图像特征提取模型。该方法利用多种类型数据同时训练,节省了成本,提高了基础网络的能力。
📄 2020115069950
📂 G06V10_46
👤 北京百度网讯科技有限公司
📅 2020-12-18
本发明涉及一种基于深度残差网络的视觉显著性检测方法,包括以下四部分:(1)搭建视觉显著性检测神经网络:包括以深度残差网络为基础网络结构,增加金字塔特征增强模块、基于空间金字塔池化的语义监督模块以及特征融合模块;(2)神经网络训练优化:包括多路损失函数设计和数据集增强;(3)完成对神经网络的训练;(4)使用训练好的神经网络对通用图像进行检测,输出显著性区域的图像。与现有神经网络显著性检测方法相比,本发明具有更好的显著性检测效果,对具有复杂纹理信息、各种颜色背景的图像也能检测出精确的显著性区域,检测结果更接近真实值、噪声更少、分辨率更高、边缘精细,帧率更高,能够满足实时性检测的要求。
📄 2020103893598
📂 G06V10_46
👤 浙江工业大学
📅 2020-05-10
一种手腕部参照骨特征区域自适应提取方法,包括以下步骤:步骤1:参照骨特征区域图像的提取和处理;步骤2:训练生成参照骨特征区域的自适应提取模型;步骤3:参照骨特征区域的自适应提取。本发明通过特征区域自适应的提取方法,准确地提取出手腕部参照骨的特征区域;在保证参照骨特征信息完整的基础上,减少了周边骨块、肌肉组织的干扰。该发明对所有参照骨均有较强的普适性,对骨龄的自动识别和临床医生评测骨龄都有重要意义。
📄 2019111976049
📂 G06V10_46
👤 浙江工业大学
📅 2019-11-29
本发明提供一种基于多尺度特征注意机制的快速显著性检测方法。本发明方法首先通过深度卷积网络对图像进行处理,获得基于不同卷积层的特征,包括较浅层特征和高级语义特征,然后分别对获得基于不同卷积层的特征进行处理,最后将处理后的较浅层特征和高级语义特征输入至解码器中,生成显著性检测图。本发明消除了大部分背景特征的干扰,增加了计算效率并有效地抑制背景信息,对高级语义特征使用金字塔扩张卷积更好的利用语义信息,并采用双解码器结能对特征进行进一步细化,最终生成的显著性图能够以明晰的边界完整的凸显图像中的显著性区域,并有效地抑制背景区域。
📄 2019109880940
📂 G06V10_46
👤 杭州电子科技大学
📅 2019-10-17