CN112907600B - 目标检测模型的优化方法及系统 - Google Patents

目标检测模型的优化方法及系统 Download PDF

Info

Publication number
CN112907600B
CN112907600B CN202110260170.3A CN202110260170A CN112907600B CN 112907600 B CN112907600 B CN 112907600B CN 202110260170 A CN202110260170 A CN 202110260170A CN 112907600 B CN112907600 B CN 112907600B
Authority
CN
China
Prior art keywords
features
feature
shuffling
image
convolution
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.)
Active
Application number
CN202110260170.3A
Other languages
English (en)
Other versions
CN112907600A (zh
Inventor
王堃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Yuspace Intelligent Technology Co ltd
Original Assignee
Wuxi Yuspace Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Yuspace Intelligent Technology Co ltd filed Critical Wuxi Yuspace Intelligent Technology Co ltd
Priority to CN202110260170.3A priority Critical patent/CN112907600B/zh
Publication of CN112907600A publication Critical patent/CN112907600A/zh
Application granted granted Critical
Publication of CN112907600B publication Critical patent/CN112907600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标检测模型的优化方法及系统，涉及计算机视觉技术领域，解决了卷积网络的输出通道数较多、卷积过程的计算量大且表征能力不强的技术问题，其技术方案要点是将图像划分成若干个特征图后，再对这些特征图的特征进行划分，将不同特征图的特征共同输入到混洗通道已对全部特征进行混洗，通过不同特征之间的均匀组合使得输入通道和输出通道完全相关，增强表征能力。让卷积核的个数小于特征图的个数，减少输出通道的数量，以降低卷积核卷积过程的计算量。

Description

目标检测模型的优化方法及系统
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种目标检测模型的优化方法及系统。
背景技术
用于移动视觉应用的卷积神经网络是轻量级网络中的一种，该网络主要应用于移动和嵌入式设备，该网络的最大特点在于应用了深度逐点卷积网络以及增加了两个超参数，一个是控制卷积层卷积核个数的超参数，另一个是控制输入图像尺寸的超参数。
标准卷积网络的特点为：卷积核的深度等于输入特征矩阵的深度，输出特征矩阵的深度等于卷积核的个数。例如，输入深度为3的特征矩阵，若使用4个卷积核进行卷积，那么每个卷积核的深度都和输入特征矩阵的深度是相同的，即3。输出特征矩阵的深度是由卷积核的个数决定的，采用了4个卷积核，所以输出矩阵的深度为4，如图1所示。
深度逐点卷积网络包括两个部分，第一部分是深度卷积(Depthwise Conv)，第二部分是逐点卷积(Pointwise Conv)。深度卷积网络的特点为：每一个卷积核的深度都为1，输入特征矩阵的深度与卷积核的个数、输出特征矩阵的深度都相同，如图2所示。逐点卷积网络的特点为：卷积核的尺寸为1，每个卷积核的深度与输入特征矩阵的深度相同，输出特征矩阵的深度与卷积核的个数相同，如图3所示。
逐点卷积采用尺寸为1×1的卷积网络，虽然实现了逐点卷积，但卷积计算量大，从层类型的角度分析，整个网络近95％的计算量以及近3/4的参数集中在尺寸为1×1的卷积网络的逐点卷积过程中。若深度卷积过程的计算量表示为CD，逐点卷积过程的计算量表示为CP，则CD＝H×W×DK×DK×M，CP＝H×W×M×N，其中，DK表示卷积核的尺寸，H×W表示输入特征的尺寸，M表示输入通道数，N表示输出通道数。可知，逐点卷积的计算量同输出通道数N成正比，并随着网络层数的加深输出通道数会不断增大，这直接导致了逐点卷积操作的计算量逐渐升高；另外每个输出通道也没有进行组合产生新特征，没有改变特征的通道数量，就算减少了计算参数数量不同通道间信息也无法流通。
发明内容
本公开提供了一种目标检测模型的优化方法及系统，其技术目的是减少卷积网络的输出通道数，降低卷积过程的计算量，减少参与卷积的参数数量并增强表征能力，从而实现移动视觉应用的卷积神经网络的轻量化，以便于移动设备或嵌入式设备实行目标检测。
本公开的上述技术目的是通过以下技术方案得以实现的：
一种目标检测模型的优化方法，包括：
将图像划分成M个维度为H×W×C的特征图，C表示特征图的深度；
将每个特征图均划分成N份特征，则每份特征含有每个特征图的1/N份的特征；
向每一组混洗通道中的每个混洗通道分别输入每个特征图的一份特征，每一组混洗通道中的M份特征进行混洗后输出一组特征，则混洗通道总共输出N组特征；其中，混洗通道的数量为N×M,将混洗通道分为N组，每组有M个混洗通道，N<M，M、N都为正整数；
将N组特征分别输入到N个维度为1×1×C的卷积核中进行卷积操作，得到N个维度为H×W×C的第一图像特征，根据N个所述第一图像特征得到图像。
进一步地，该方法还包括：
将N组特征分别输入到N个维度为3×3×C的卷积核中进行卷积操作，得到N个第二图像特征；
将N组特征分别输入到N个维度为5×5×C的卷积核中进行卷积操作，得到N个第三图像特征；
对所述第一图像特征、所述第二图像特征、所述第三图像特征进行拼接，得到图像。
进一步地，M为偶数时，N＝M-M/2；M为奇数时，N＝M-(M+1)/2。
一种目标检测模型的优化系统，包括：
第一划分单元，将图像划分成M个维度为H×W×C的特征图，C表示特征图的深度；
第二划分单元，将每个特征图划分成N份特征，则每份特征含有每个特征图的1/N份的特征；
混洗单元，包括N×M个混洗通道，将N×M个混洗通道分为N组，每组则有M个混洗通道；向每一组混洗通道中的每个混洗通道分别输入每个特征图的一份特征，每一组混洗通道中的M份特征进行混洗后输出一组特征，则总共输出N组特征；其中，N<M，M、N都为正整数；
第一卷积单元，将N组特征分别输入到N个维度为1×1×C的卷积核中进行卷积操作，得到N个维度为H×W×C的第一图像特征，根据N个所述第一图像特征得到图像。
进一步地，该系统还包括：
第二卷积单元，将N组特征分别输入到N个维度为3×3×C的卷积核中进行卷积操作，得到N个第二图像特征；
第三卷积单元，将N组特征分别输入到N个维度为5×5×C的卷积核中进行卷积操作，得到N个第三图像特征；
拼接单元，对所述第一图像特征、所述第二图像特征、所述第三图像特征进行拼接，得到图像。
本公开的有益效果在于：本公开所述的目标检测模型的优化方法及系统，将图像划分成若干个特征图后，再对这些特征图的特征进行划分，将不同特征图的特征共同输入到混洗通道已对全部特征进行混洗，通过不同特征之间的均匀组合使得输入通道和输出通道完全相关，增强表征能力。让卷积核的个数小于特征图的个数，减少输出通道的数量，以降低卷积核卷积过程的计算量。
附图说明
图1为标准卷积模型的示意图；
图2为深度卷积模型的示意图；
图3为逐点卷积模型的示意图；
图4为本发明所述方法的流程图；
图5为本发明所述方法实施例一的流程图；
图6为本发明所述系统的示意图；
图7为本发明所述系统实施例二的示意图；
图8为本发明实施例三的示意图。
具体实施方式
下面将结合附图对本公开技术方案进行详细说明。在本公开的描述，需要理解地是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明所指示的技术特征的数量，仅用来区分不同的组成部分。
图4为本发明所述方法的流程图，如图4所示，用于目标检测模型的优化方法包括：步骤S101：将图像划分成M个维度为H×W×C的特征图，C表示特征图的深度。H×W在本申请中用于表示特征图或卷积核的尺寸。
步骤S102：将每个特征图均划分成N份特征，则每份特征含有每个特征图的1/N份的特征。例如，将每个特征图划分成3份特征，则每份特征含有每个特征图1/3的特征。
步骤S103：向每一组混洗通道中的每个混洗通道分别输入每个特征图的一份特征，每一组混洗通道中的M份特征进行混洗后输出一组特征，则混洗通道总共输出N组特征；其中，混洗通道的数量为N×M,将混洗通道分为N组，每组有M个混洗通道，N<M，M、N都为正整数。
具体地，若一共有5个维度为H×W×C的特征图，每个特征图都被划分成3份特征，则混洗通道的数量为15个，将混洗通道分为3组，每组包括5个混洗通道。将每个特征图的第1份特征分别输入到第一组混洗通道的5个混洗通道中进行特征混洗，依次类推，将每个特征图的第2份特征分别输入到第二组混洗通道的5个混洗通道中进行特征混洗，将每个特征图的第3份特征分别输入到第三组混洗通道的5个混洗通道中进行特征混洗；最终混洗通道输出混洗后的3组特征。
步骤S104：将N组特征分别输入到N个维度为1×1×C的卷积核中进行卷积操作，得到N个维度为H×W×C的第一图像特征，根据N个所述第一图像特征得到图像。例如，将混洗后的3组特征输入到3个维度为1×1×C的卷积核中进行卷积操作，得到3个维度为H×W×C的图像特征，并根据该3个维度为H×W×C的图像特征得到图像。
图5为本发明所述方法实施例一的流程图，该方法还包括：步骤S201：将N组特征分别输入到N个维度为1×1×C的卷积核中进行卷积操作，得到N个维度为H×W×C的第一图像特征。
步骤S202：将N组特征分别输入到N个维度为3×3×C的卷积核中进行卷积操作，得到N个第二图像特征。
步骤S203：将N组特征分别输入到N个维度为5×5×C的卷积核中进行卷积操作，得到N个第三图像特征。
步骤S204：对所述第一图像特征、所述第二图像特征、所述第三图像特征进行拼接，得到图像。
具体地，目标检测模型若只是经过1×1×C维度的卷积核进行卷积操作，提取的图像特征可能不充分，因此可以使用维度为1×1×C、3×3×C、5×5×C这三种卷积核分别进行卷积操作，得到各自提取的特征，最后将这些特征进行拼接得到最终的图像。
若对于维度小于H×W×C/9的稀疏特征，即该特征的深度小于C/9，使用上述三个维度的卷积核进行卷积操作，可以对该特征进行多尺度分解得到多个子密集特征，可以加快收敛速度。
图6为本公开所述系统的示意图，如图6所示，该系统包括第一划分单元、第二划分单元、混洗单元和第一卷积单元，第一划分单元用于将图像划分成M个维度为H×W×C的特征图，C表示特征图的深度。第二划分单元用于将每个特征图划分成N份特征，则每份特征含有每个特征图的1/N份的特征。混洗单元包括N×M个混洗通道，将N×M个混洗通道分为N组，每组则有M个混洗通道，该混洗单元用于向每一组混洗通道中的每个混洗通道分别输入每个特征图的一份特征，每一组混洗通道中的M份特征进行混洗后输出一组特征，则总共输出N组特征；其中，N<M，M、N都为正整数。第一卷积单元用于将N组特征分别输入到N个维度为1×1×C的卷积核中进行卷积操作，得到N个维度为H×W×C的第一图像特征，根据N个所述第一图像特征得到图像。
图7为本发明所述系统实施例二的示意图，该系统还包括第二卷积单元、第三卷积单元和拼接单元，第二卷积单元用于将N组特征分别输入到N个维度为3×3×C的卷积核中进行卷积操作，得到N个第二图像特征。第三卷积单元用于将N组特征分别输入到N个维度为5×5×C的卷积核中进行卷积操作，得到N个第三图像特征。拼接单元用于对所述第一图像特征、所述第二图像特征、所述第三图像特征进行拼接，得到最终的图像。
图8为本发明实施例三的示意图，在图8中，输入特征有3个，并且每个特征被划分成2份，那么混洗通道就一共有6个，将混洗通道分成2组，每组包括3个混洗通道。将第一个特征的第1份特征、第二个特征的第1份特征、第三个特征的第1份特征分别输入到第一组混洗通道的3个混洗通道中进行特征混洗；将第二个特征的第2份特征、第二个特征的第2份特征、第三个特征的第2份特征分别输入到第二组混洗通道的3个混洗通道中进行特征混洗；特征混洗完成后，输出两组特征，将这两组特征输入到2个卷积核中进行卷积操作，最终输出两个特征。
作为具体实施例地，为了对输出通道数进行压缩，输出通道数N要小于输入通道数M,输入通道数M一般指的是输入特征图的个数，输出通道数N一般指的是卷积核的个数。一般地，N采用值M-M/2(M为偶数)或M-(M+1)/2(M为奇数)，实现对输出通道数的压缩。
以上为本公开示范性实施例，本公开的保护范围由权利要求书及其等效物限定。

Claims (4)

1.一种目标检测模型的优化方法，其特征在于，包括：
将图像划分成M个维度为H×W×C的特征图，C表示特征图的深度；
将每个特征图均划分成N份特征，则每份特征含有每个特征图的1/N份的特征；
向每一组混洗通道中的每个混洗通道分别输入每个特征图的一份特征，每一组混洗通道中的M份特征进行混洗后输出一组特征，则混洗通道总共输出N组特征；其中，混洗通道的数量为N×M,将混洗通道分为N组，每组有M个混洗通道，N<M，M、N都为正整数；
将N组特征分别输入到N个维度为1×1×C的卷积核中进行卷积操作，得到N个维度为H×W×C的第一图像特征；
将N组特征分别输入到N个维度为3×3×C的卷积核中进行卷积操作，得到N个第二图像特征；
将N组特征分别输入到N个维度为5×5×C的卷积核中进行卷积操作，得到N个第三图像特征；
对所述第一图像特征、所述第二图像特征、所述第三图像特征进行拼接，得到图像。
2.如权利要求1所述的目标检测模型的优化方法，其特征在于，M为偶数时，N＝M-M/2；M为奇数时，N＝M-(M+1)/2。
3.一种目标检测模型的优化系统，其特征在于，包括：
第一划分单元，将图像划分成M个维度为H×W×C的特征图，C表示特征图的深度；
第二划分单元，将每个特征图划分成N份特征，则每份特征含有每个特征图的1/N份的特征；
混洗单元，包括N×M个混洗通道，将N×M个混洗通道分为N组，每组则有M个混洗通道；向每一组混洗通道中的每个混洗通道分别输入每个特征图的一份特征，每一组混洗通道中的M份特征进行混洗后输出一组特征，则总共输出N组特征；其中，N<M，M、N都为正整数；
第一卷积单元，将N组特征分别输入到N个维度为1×1×C的卷积核中进行卷积操作，得到N个维度为H×W×C的第一图像特征；
第二卷积单元，将N组特征分别输入到N个维度为3×3×C的卷积核中进行卷积操作，得到N个第二图像特征；
第三卷积单元，将N组特征分别输入到N个维度为5×5×C的卷积核中进行卷积操作，得到N个第三图像特征；
拼接单元，对所述第一图像特征、所述第二图像特征、所述第三图像特征进行拼接，得到图像。
4.如权利要求3所述的目标检测模型的优化系统，其特征在于，M为偶数时，N＝M-M/2；M为奇数时，N＝M-(M+1)/2。
CN202110260170.3A 2021-03-10 2021-03-10 目标检测模型的优化方法及系统 Active CN112907600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110260170.3A CN112907600B (zh) 2021-03-10 2021-03-10 目标检测模型的优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110260170.3A CN112907600B (zh) 2021-03-10 2021-03-10 目标检测模型的优化方法及系统

Publications (2)

Publication Number Publication Date
CN112907600A CN112907600A (zh) 2021-06-04
CN112907600B true CN112907600B (zh) 2024-05-24

Family

ID=76108340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110260170.3A Active CN112907600B (zh) 2021-03-10 2021-03-10 目标检测模型的优化方法及系统

Country Status (1)

Country Link
CN (1) CN112907600B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106095392A (zh) * 2016-06-20 2016-11-09 龙芯中科技术有限公司 混洗模式生成方法和装置
CN109829868A (zh) * 2019-02-28 2019-05-31 华南理工大学 一种轻量级深度学习模型图像去雾方法、电子设备及介质
CN110309876A (zh) * 2019-06-28 2019-10-08 腾讯科技（深圳）有限公司 目标检测方法、装置、计算机可读存储介质和计算机设备
CN110532878A (zh) * 2019-07-26 2019-12-03 中山大学 一种基于轻量化卷积神经网络的驾驶员行为识别方法
GB201919298D0 (en) * 2019-12-24 2020-02-05 Nchain Holdings Ltd Computer-implemented system and method
CN111259983A (zh) * 2020-02-13 2020-06-09 电子科技大学 基于深度学习的图像语义分割方法及存储介质
US10713589B1 (en) * 2016-03-03 2020-07-14 Amazon Technologies, Inc. Consistent sort-based record-level shuffling of machine learning data
CN111445019A (zh) * 2020-04-30 2020-07-24 南京大学 一种分组卷积中通道混洗操作的实现装置及方法
CN111914987A (zh) * 2019-05-10 2020-11-10 北京京东尚科信息技术有限公司 基于神经网络的数据处理方法及装置、设备和可读介质
CN112418418A (zh) * 2020-11-11 2021-02-26 江苏禹空间科技有限公司 基于神经网络的数据处理方法、装置、存储介质及服务器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11593637B2 (en) * 2019-04-30 2023-02-28 Samsung Electronics Co., Ltd. Convolution streaming engine for deep neural networks
TWI719512B (zh) * 2019-06-24 2021-02-21 瑞昱半導體股份有限公司 使用像素通道置亂的卷積神經網路的演算方法與系統

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10713589B1 (en) * 2016-03-03 2020-07-14 Amazon Technologies, Inc. Consistent sort-based record-level shuffling of machine learning data
CN106095392A (zh) * 2016-06-20 2016-11-09 龙芯中科技术有限公司 混洗模式生成方法和装置
CN109829868A (zh) * 2019-02-28 2019-05-31 华南理工大学 一种轻量级深度学习模型图像去雾方法、电子设备及介质
CN111914987A (zh) * 2019-05-10 2020-11-10 北京京东尚科信息技术有限公司 基于神经网络的数据处理方法及装置、设备和可读介质
CN110309876A (zh) * 2019-06-28 2019-10-08 腾讯科技（深圳）有限公司 目标检测方法、装置、计算机可读存储介质和计算机设备
CN110532878A (zh) * 2019-07-26 2019-12-03 中山大学 一种基于轻量化卷积神经网络的驾驶员行为识别方法
GB201919298D0 (en) * 2019-12-24 2020-02-05 Nchain Holdings Ltd Computer-implemented system and method
CN111259983A (zh) * 2020-02-13 2020-06-09 电子科技大学 基于深度学习的图像语义分割方法及存储介质
CN111445019A (zh) * 2020-04-30 2020-07-24 南京大学 一种分组卷积中通道混洗操作的实现装置及方法
CN112418418A (zh) * 2020-11-11 2021-02-26 江苏禹空间科技有限公司 基于神经网络的数据处理方法、装置、存储介质及服务器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Go Wider: An Efficient Neural Network for Point Cloud Analysis via Group Convolutions;Can Chen;Luca Zanotti Fragonara;Antonios Tsourdos;Applied Sciences;20201231;第10卷(第2391期);全文 *
Gopal Chandra Jana ; Ratna Sharma ; Anupam Agrawal.A 1D-CNN-Spectrogram Based Approach for Seizure Detection from EEG Signal.Procedia Computer Science.2020,第167卷全文. *
多通道融合可分离卷积神经网络下的脑部磁共振图像分割;郭彤宇;王博;刘悦;魏颖;中国图象图形学报;20191231;第24卷(第011期);全文 *

Also Published As

Publication number Publication date
CN112907600A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN103778900B (zh) 一种图像处理方法及系统
CN111542839B (zh) 一种反卷积神经网络的硬件加速方法、装置和电子设备
CN111199518B (zh) Vr设备的图像呈现方法、装置、设备和计算机存储介质
CN116416561A (zh) 一种视频图像处理方法和装置
CN108629291B (zh) 一种抗网格效应的人脸深度预测方法
CN109829868B (zh) 一种轻量级深度学习模型图像去雾方法、电子设备及介质
CN109949693B (zh) 一种地图绘制方法、装置、计算设备及存储介质
KR20090085704A (ko) 스테레오-가능 디스플레이 상에의 ３ｄ 비디오 이미지의 렌더링
CN104063844A (zh) 一种缩略图生成方法及系统
US20210350205A1 (en) Convolution Processing Method and Apparatus for Convolutional Neural Network, and Storage Medium
CN104823437A (zh) 一种图片处理方法、装置
CN110443874B (zh) 基于卷积神经网络的视点数据生成方法和装置
JP2020191046A (ja) 画像処理装置、画像処理方法、及びプログラム
CN113902658B (zh) 基于密集多尺度网络的rgb图像到高光谱图像重建方法
CN114638950A (zh) 一种绘制虚拟物体阴影的方法及设备
CN111652921A (zh) 一种单目深度预测模型的生成方法及单目深度预测方法
CN112907600B (zh) 目标检测模型的优化方法及系统
CN111553296A (zh) 一种基于fpga实现的二值神经网络立体视觉匹配方法
CN105488470A (zh) 确定人物属性信息的方法及装置
CN112489103B (zh) 一种高分辨率深度图获取方法及系统
CN113808246B (zh) 一种贴图的生成方法、装置、计算机设备及计算机可读存储介质
CN114885144B (zh) 基于数据融合的高帧率3d视频生成方法及装置
CN112949504B (zh) 立体匹配方法、装置、设备及存储介质
CN104899833B (zh) 一种图像去雾方法及装置
CN114663570A (zh) 贴图生成方法、装置、电子装置及可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220107

Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000

Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd.

Address before: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant before: Jiangsu Yu Space Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220919

Address after: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant after: Jiangsu Yu Space Technology Co.,Ltd.

Address before: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000

Applicant before: Wuxi yuspace Intelligent Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230829

Address after: 2209-c1, No. 19, Erquan East Road, Huizhi enterprise center, Xishan District, Wuxi City, Jiangsu Province, 214000

Applicant after: Wuxi yuspace Intelligent Technology Co.,Ltd.

Address before: Room 1101, block C, Kangyuan smart port, No. 50, Jiangdong Street, Jialing, Jianye District, Nanjing City, Jiangsu Province, 210000

Applicant before: Jiangsu Yu Space Technology Co.,Ltd.

GR01 Patent grant