CN108734679A - 一种计算机视觉*** - Google Patents
一种计算机视觉*** Download PDFInfo
- Publication number
- CN108734679A CN108734679A CN201810504070.9A CN201810504070A CN108734679A CN 108734679 A CN108734679 A CN 108734679A CN 201810504070 A CN201810504070 A CN 201810504070A CN 108734679 A CN108734679 A CN 108734679A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- layer
- unit
- tiling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- HTFVKMHFUBCIMH-UHFFFAOYSA-N 1,3,5-triiodo-1,3,5-triazinane-2,4,6-trione Chemical compound IN1C(=O)N(I)C(=O)N(I)C1=O HTFVKMHFUBCIMH-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 7
- 230000003321 amplification Effects 0.000 claims abstract description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 4
- 238000011084 recovery Methods 0.000 claims abstract description 3
- 230000005284 excitation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30212—Military
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种计算机视觉***,包括:显示模块、图像增强***,所述显示模块包括一个参考***与一个识别***,所述显示模块连接编码模块,所述编码模块连接平铺卷积神经网络,所述平铺卷积神经网络采用TICA方法,所述平铺卷积神经网络连接所述图像增***,所述图像增强***包括一个特征提取模块与一个图像放大模块,所述图像增强模块连接采样模块,所述采样模块包括一个区域图像恢复模块与一个通信模块,所述采样模块连接输出模块。本发明的优点:解决计算机对图像判读,提高判读准确度,使其可以进行大型图像处理,提高图像处理的效率。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种计算机视觉***。
背景技术
随着科技的发展,弹载侦察、无人机侦察等手段不断进步完善,这些侦察手段获取大量图像情报信息,传统图像信息的识别方法是人工判读。人工判读一是速度慢,受人为因素影响较大,难以满足战场作战需要,尤其是精确打击作战的需要,二是随着侦察手段的发展,获取的图像信息越来越多,受判读专业人员数量的影响,难以完成判读任务。因此,采用计算机对图像进行判读,成为当前急需解决的问题。
发明内容
为了解决上述现有技术的不足,本发明提供了一种计算机视觉***,解决计算机对图像判读,提高判读准确度。
为了达到上述目的,本发明采用的技术方案为:
一种计算机视觉***,包括:显示模块、图像增强***,所述显示模块包括一个参考***与一个识别***,所述显示模块连接编码模块,所述编码模块连接平铺卷积神经网络,所述平铺卷积神经网络采用 TICA方法,所述平铺卷积神经网络连接所述图像增***,所述图像增强***包括一个特征提取模块与一个图像放大模块,所述图像增强模块连接采样模块,所述采样模块包括一个区域图像恢复模块与一个通信模块,所述采样模块连接输出模块。
对本发明进一步的描述,所述参考***通信于所述识别***,所述识别***通过粗识别进行简单分类,然后通信至平铺卷积神经网络。
对本发明进一步的描述,所述TICA方法两层网络,第一层中权重W通过学***方和平方根为简单单元和池化单元的激励值,每一个第二层池化单元pi对第一层简单hi临近的小部分单元池化,给定一个输入模式x(t),每一个第二层单元的激励值为:
对本发明进一步的描述,所述参数W通过在第二层中寻找稀疏特征表示,求解式中,输入模式为这里W∈Rm×n和V∈Rm×n,其中n是输入图像或特征图的大小,m是一层中隐层单元的数目,V是一个固定矩阵(Vij=1or 0)用来表示隐层单元hi的二维空间关系,具体的说,hi单元位于一个二维网格,其中每一个pi连接到一个连续的hi单元块,正交约束WWT=I确保学习到的特征多种多样。
对本发明进一步的描述,所述输出模块包括一个光投影装置与一个投影修正装置。
本发明的具有以下有益效果:解决计算机对图像判读,提高判读准确度,使其可以进行大型图像处理,提高图像处理的效率。
附图说明
图1为本发明的模块图
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1,如图1所示:
一种计算机视觉***,包括:显示模块、图像增强***,显示模块包括一个参考***与一个识别***,显示模块连接编码模块,编码模块连接平铺卷积神经网络,平铺卷积神经网络采用TICA方法,平铺卷积神经网络连接图像增***,图像增强***包括一个特征提取模块与一个图像放大模块,图像增强模块连接采样模块,采样模块包括一个区域图像恢复模块与一个通信模块,采样模块连接输出模块。
本实施例的一种优选技术方案,参考***通信于识别***,识别***通过粗识别进行简单分类,然后通信至平铺卷积神经网络。
本实施例的一种优选技术方案,TICA方法两层网络,第一层中权重W通过学***方和平方根为简单单元和池化单元的激励值,每一个第二层池化单元pi对第一层简单hi临近的小部分单元池化,给定一个输入模式x(t),每一个第二层单元的激励值为:
本实施例的一种优选技术方案,参数W通过在第二层中寻找稀疏特征表示,求解式中,输入模式为这里W∈Rm×n和V∈Rm×n,其中n是输入图像或特征图的大小,m是一层中隐层单元的数目, V是一个固定矩阵(Vij=1or 0)用来表示隐层单元hi的二维空间关系,具体的说,hi单元位于一个二维网格,其中每一个pi连接到一个连续的hi单元块,正交约束WWT=I确保学习到的特征多种多样。
本实施例的一种优选技术方案,输出模块包括一个光投影装置与一个投影修正装置。
在本实施例中,通过平铺卷积神经网络利用TICA方法进行运算,然后带入求解式,将运算出来的数据传输到图像增强***增强,然后通过采样模块进行采样处理,最后由输出模块对图像进行图像输出,在图像处理过程中可以利用识别***进行粗识别进行简单分类,然后通信至平铺卷积神经网络,增加图像识别的精准度,根据TICA方法两层网络,第一层中权重W通过学***方和平方根为简单单元和池化单元的激励值,每一个第二层池化单元pi对第一层简单hi临近的小部分单元池化,给定一个输入模式x(t),对图像进行详细运算处理。同时利用参数W通过在第二层中寻找稀疏特征表示,求解式中,输入模式为这里W∈Rm ×n和V∈Rm×n,其中n是输入图像或特征图的大小,m是一层中隐层单元的数目,V是一个固定矩阵(Vij= 1or 0)用来表示隐层单元hi的二维空间关系,具体的说,hi单元位于一个二维网格,其中每一个pi连接到一个连续的hi单元块,正交约束WWT=I确保学习到的特征多种多样,确保图像处理的准确度与处理效率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种计算机视觉***,包括:显示模块、图像增强***,其特征在于,所述显示模块包括一个参考***与一个识别***,所述显示模块连接编码模块,所述编码模块连接平铺卷积神经网络,所述平铺卷积神经网络采用TICA方法,所述平铺卷积神经网络连接所述图像增***,所述图像增强***包括一个特征提取模块与一个图像放大模块,所述图像增强模块连接采样模块,所述采样模块包括一个区域图像恢复模块与一个通信模块,所述采样模块连接输出模块。
2.根据权利要求1所述的一种计算机视觉***,其特征在于,所述参考***通信于所述识别***,所述识别***通过粗识别进行简单分类,然后通信至平铺卷积神经网络。
3.根据权利要求1所述的一种计算机视觉***,其特征在于,所述TICA方法两层网络,第一层中权重W通过学***方和平方根为简单单元和池化单元的激励值,每一个第二层池化单元pi对第一层简单hi临近的小部分单元池化,给定一个输入模式x(t),每一个第二层单元的激励值为:
4.根据权利要求1所述的一种计算机视觉***,其特征在于,所述参数W通过在第二层中寻找稀疏特征表示,求解式中,输入模式为这里W∈Rm×n和V∈Rm×n,其中n是输入图像或特征图的大小,m是一层中隐层单元的数目,V是一个固定矩阵(Vij=1 or 0)用来表示隐层单元hi的二维空间关系,具体的说,hi单元位于一个二维网格,其中每一个pi连接到一个连续的hi单元块,正交约束WWT=I确保学习到的特征多种多样。
5.根据权利要求1所述的一种计算机视觉***,其特征在于,所述输出模块包括一个光投影装置与一个投影修正装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504070.9A CN108734679A (zh) | 2018-05-23 | 2018-05-23 | 一种计算机视觉*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810504070.9A CN108734679A (zh) | 2018-05-23 | 2018-05-23 | 一种计算机视觉*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734679A true CN108734679A (zh) | 2018-11-02 |
Family
ID=63936203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810504070.9A Pending CN108734679A (zh) | 2018-05-23 | 2018-05-23 | 一种计算机视觉*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734679A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881003A (zh) * | 2012-08-30 | 2013-01-16 | 暨南大学 | 一种消除ccd天文图像中宇宙射线的方法 |
CN104598916A (zh) * | 2014-09-11 | 2015-05-06 | 单勇 | 一种火车识别***的构建方法和火车识别的方法 |
CN106897673A (zh) * | 2017-01-20 | 2017-06-27 | 南京邮电大学 | 一种基于retinex算法和卷积神经网络的行人再识别方法 |
CN106991440A (zh) * | 2017-03-29 | 2017-07-28 | 湖北工业大学 | 一种基于空间金字塔的卷积神经网络的图像分类算法 |
CN107481233A (zh) * | 2017-08-22 | 2017-12-15 | 广州辰创科技发展有限公司 | 一种应用于fod异物检测雷达中的图像识别方法 |
-
2018
- 2018-05-23 CN CN201810504070.9A patent/CN108734679A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102881003A (zh) * | 2012-08-30 | 2013-01-16 | 暨南大学 | 一种消除ccd天文图像中宇宙射线的方法 |
CN104598916A (zh) * | 2014-09-11 | 2015-05-06 | 单勇 | 一种火车识别***的构建方法和火车识别的方法 |
CN106897673A (zh) * | 2017-01-20 | 2017-06-27 | 南京邮电大学 | 一种基于retinex算法和卷积神经网络的行人再识别方法 |
CN106991440A (zh) * | 2017-03-29 | 2017-07-28 | 湖北工业大学 | 一种基于空间金字塔的卷积神经网络的图像分类算法 |
CN107481233A (zh) * | 2017-08-22 | 2017-12-15 | 广州辰创科技发展有限公司 | 一种应用于fod异物检测雷达中的图像识别方法 |
Non-Patent Citations (1)
Title |
---|
QUOC V.LE等: "Tiled convolutional neural networks", 《ANNUAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS 2010》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807210B (zh) | 一种基于金字塔切分注意力模块的遥感图像语义分割方法 | |
CN110210486B (zh) | 一种基于素描标注信息的生成对抗迁移学习方法 | |
CN106372648A (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
Petrovska et al. | Aerial scene classification through fine-tuning with adaptive learning rates and label smoothing | |
CN113239954B (zh) | 基于注意力机制的图像语义分割特征融合方法 | |
CN115457531A (zh) | 用于识别文本的方法和装置 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN112102165B (zh) | 一种基于零样本学习的光场图像角域超分辨***及方法 | |
CN110704649B (zh) | 一种用于构建流量图像数据集的方法及*** | |
You et al. | Traffic sign detection method based on improved SSD | |
CN114078218B (zh) | 一种自适应融合的森林烟火识别数据增广方法 | |
CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、***及介质 | |
Chen et al. | Assessing the effects of convolutional neural network architectural factors on model performance for remote sensing image classification: An in-depth investigation | |
CN116108917A (zh) | 一种无标记样本增强的半监督图神经网络方法 | |
CN115456093A (zh) | 一种基于注意力图神经网络的高性能图聚类方法 | |
Yang et al. | Deep learning-based method for detection of external air conditioner units from street view images | |
Piątkowski et al. | TinyML-based concept system used to analyze whether the face mask is worn properly in battery-operated conditions | |
Zhang et al. | HcNet: a point cloud object detection network based on height and channel attention | |
Xie et al. | Compressing convolutional neural networks with cheap convolutions and online distillation | |
Wang et al. | A multivariate hierarchical regionalization method to discovering spatiotemporal patterns | |
CN108734679A (zh) | 一种计算机视觉*** | |
Min et al. | The floor plan design method of exhibition halls in CGAN-assisted museum architecture | |
CN116301914A (zh) | 基于gap8微处理器的卷积神经网络部署方法 | |
Yang et al. | A novel approach to maritime image dehazing based on a large kernel encoder–decoder network with multihead pyramids | |
Wang et al. | Detection Method of Infected Wood on Digital Orthophoto Map–Digital Surface Model Fusion Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |
|
RJ01 | Rejection of invention patent application after publication |