CN117830806B - 一种红外图像收集的方法及相关装置 - Google Patents
一种红外图像收集的方法及相关装置 Download PDFInfo
- Publication number
- CN117830806B CN117830806B CN202410255469.3A CN202410255469A CN117830806B CN 117830806 B CN117830806 B CN 117830806B CN 202410255469 A CN202410255469 A CN 202410255469A CN 117830806 B CN117830806 B CN 117830806B
- Authority
- CN
- China
- Prior art keywords
- training
- images
- cyclegan
- infrared
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 97
- 230000006870 function Effects 0.000 claims description 38
- 230000004913 activation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种红外图像收集的方法及相关装置，基于智能计算平台实现，该方法包括：获取图像数据集，其包含多个适用于指定场景的、配对的可见光图像和红外图像；利用图像数据集训练CycleGAN模型，训练完成后将CycleGAN模型部署在智能计算平台上；获取利用指定场景下的摄像头收集的可见光图像，将其输入至智能计算平台后通过CycleGAN模型转换为相应的红外图像，实现指定场景下红外图像的收集；其中，智能计算平台提供可见光图像及红外图像的存储功能，以及在不同计算节点分别同步训练CycleGAN模型的功能。可见，本发明能够以相对容易且代价低的方式实现红外图像的收集。
Description
技术领域
本发明涉及电子围网系统技术领域，更具体地说，涉及一种红外图像收集的方法及相关装置。
背景技术
目前的电子围网系统通常利用可见光图像实现目标检测，但处于低照度或较为恶劣天气时可见光成像所用传感器难以有效地对环境进行监控，而红外成像得益于其成像机理优势，可穿透浓雾、强降水等能见度低的气象条件，实施全天时、全天候的监控监测任务。
如将红外成像应用于电子围网系统的目标检测，则红外图像目标检测模型训练用的数据需求量非常大，因此对数据量依赖已经成为深度学习技术落地的严峻挑战；在图像数据领域而言，大规模的采集和标注红外图像的训练数据集相对困难或代价极高。
发明内容
本发明的目的是提供一种红外图像收集的方法及相关装置，能够以相对容易且代价低的方式实现红外图像的收集。
为了实现上述目的，本发明提供如下技术方案：
一种红外图像收集的方法，基于智能计算平台实现，所述红外图像收集的方法包括：
获取图像数据集，所述图像数据集中包含多个适用于指定场景的、配对的可见光图像和红外图像；
利用所述图像数据集训练CycleGAN模型，并在训练完成后将所述CycleGAN模型部署在所述智能计算平台上；
获取利用所述指定场景下的摄像头收集的可见光图像作为待转换图像，将所述待转换图像输入至所述智能计算平台，并通过所述智能计算平台上的所述CycleGAN模型将所述待转换图像转换为相应的红外图像，实现所述指定场景下红外图像的收集；
其中，所述智能计算平台提供所述可见光图像及所述红外图像的存储功能，以及在不同计算节点分别同步训练所述CycleGAN模型的功能；
所述CycleGAN模型采用ResNet50网络添加感知损失，使得所述CycleGAN模型的循环一致性损失函数与ResNet50网络的损失函数函数相加作为训练所述CycleGAN模型时所用的损失函数；
所述CycleGAN模型包括生成器及判别器；所述生成器采用深度残差网络，且所述深度残差网络包含的每个残差模块都连接有一个SimAM模块，同时所述生成器各层的激活函数为ReLU；所述判别器采用70x70的PatchGAN，同时所述判别器各层的激活函数为LeakyReLU。
优选的，利用所述图像数据集训练CycleGAN模型，包括：
利用所述图像数据集对所述CycleGAN模型进行训练，所述CycleGAN模型包含两个生成器和两个判别器，且所述生成器与所述判别器之间的关系为一一对应；
其中，在实现对任一生成器的训练时，固定该任一生成器所对应的判别器的参数，并训练更新该任一生成器的参数；在实现对任一判别器的训练时，固定另一判别器以及两个生成器的参数，并训练更新该任一判别器的参数。
优选的，利用所述图像数据集训练CycleGAN模型，包括：
使用循环一致性损失作为模型约束，利用所述图像数据集训练CycleGAN模型。
优选的，获取图像数据集，包括：
获取适用于所述指定场景的、包含配对的可见光图像和红外图像的开源数据集，作为图像数据集。
一种红外图像收集的装置，基于智能计算平台实现；所述红外图像收集的装置包括：
获取模块，用于：获取图像数据集，所述图像数据集中包含多个适用于指定场景的、配对的可见光图像和红外图像；
训练模块，用于：利用所述图像数据集训练CycleGAN模型，并在训练完成后将所述CycleGAN模型部署在所述智能计算平台上；
收集模块，用于：获取利用所述指定场景下的摄像头收集的可见光图像作为待转换图像，将所述待转换图像输入至所述智能计算平台，并通过所述智能计算平台上的所述CycleGAN模型将所述待转换图像转换为相应的红外图像，实现所述指定场景下红外图像的收集；
其中，所述智能计算平台提供所述可见光图像及所述红外图像的存储功能，以及在不同计算节点分别同步训练所述CycleGAN模型的功能；
所述CycleGAN模型采用ResNet50网络添加感知损失，使得所述CycleGAN模型的循环一致性损失函数与ResNet50网络的损失函数函数相加作为训练所述CycleGAN模型时所用的损失函数；
所述CycleGAN模型包括生成器及判别器；所述生成器采用深度残差网络，且所述深度残差网络包含的每个残差模块都连接有一个SimAM模块，同时所述生成器各层的激活函数为ReLU；所述判别器采用70x70的PatchGAN，同时所述判别器各层的激活函数为LeakyReLU。
优选的，所述训练模块包括：
训练单元，用于：利用所述图像数据集对所述CycleGAN模型进行训练，所述CycleGAN模型包含两个生成器和两个判别器，且所述生成器与所述判别器之间的关系为一一对应；其中，在实现对任一生成器的训练时，固定该任一生成器所对应的判别器的参数，并训练更新该任一生成器的参数；在实现对任一判别器的训练时，固定另一判别器以及两个生成器的参数，并训练更新该任一判别器的参数。
优选的，所述训练单元包括：
训练子单元，用于：使用循环一致性损失作为模型约束，利用所述图像数据集训练CycleGAN模型。
优选的，所述获取模块包括：
获取单元，用于：获取适用于所述指定场景的、包含配对的可见光图像和红外图像的开源数据集，作为图像数据集。
一种红外图像收集的设备，所述设备包括存储器及处理器，所述存储器上存储的程序在被所述处理器运行时可实现如上任一项所述红外图像收集的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储的程序被处理器执行时实现如上任一项所述红外图像收集的方法的步骤。
本发明提供一种红外图像收集的方法及相关装置，基于智能计算平台实现，该方法包括：获取图像数据集，所述图像数据集中包含多个适用于指定场景的、配对的可见光图像和红外图像；利用所述图像数据集训练CycleGAN模型，并在训练完成后将所述CycleGAN模型部署在所述智能计算平台上；获取利用所述指定场景下的摄像头收集的可见光图像作为待转换图像，将所述待转换图像输入至所述智能计算平台，并通过所述智能计算平台上的所述CycleGAN模型将所述待转换图像转换为相应的红外图像，实现所述指定场景下红外图像的收集；其中，所述智能计算平台提供所述可见光图像及所述红外图像的存储功能，以及在不同计算节点分别同步训练所述CycleGAN模型的功能。本发明利用适用于指定场景的配对的可见光图像和红外图像的数据集训练CycleGAN模型，并在训练完成后将CycleGAN模型部署到智能计算平台，从而在获取到指定场景下摄像头收集的可见光图像后，利用智能计算平台上部署的CycleGAN模型将可见光图像转换为相应的红外图像，实现指定场景下红外图像的收集；本发明考虑到红外图像的收集困难或代价高，而可见光图像的收集则相对容易且代价低，因此由收集红外图像转为收集可见光图像，再利用训练并部署到智能计算平台上部署的CycleGAN将收集到的可见光图像转换为对应红外图像，实现红外图像的数据收集；可见，本发明能够以相对容易且代价低的方式实现红外图像的收集。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种红外图像收集的方法的流程图；
图2为本发明实施例提供的一种红外图像收集的方法中的CycleGAN模型的流程示意图；
图3为本发明实施例提供的一种红外图像收集的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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做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。
请参阅图1，其示出了本发明实施例提供的一种红外图像收集的方法的流程图，其基于智能计算平台实现；具体可以包括：
S11：获取图像数据集，所述图像数据集中包含多个适用于指定场景的、配对的可见光图像和红外图像。
指定场景可以为需要实现红外图像收集的任意场景，如电子围网系统应用的场景等。本发明实施例可以获取适用于指定场景的图像数据集，该图像数据集中包含大量的可见光图像和红外图像，且该图像数据集中包含的可见光图像和红外图像为一一对应的，或者说是配对的。需要说明的是，在同样时间同样角度对于同样区域采用普通相机及红外相机分别得到相应的可见光图像及红外图像，那么则认为两者是配对的；当然也可以是通过其他方式获得的（并非必须均为同时拍摄获得），只需要可见光图像和相应的红外图像是针对同一图片的不同表现形式，则认为两者是配对的。
S12：利用所述图像数据集训练CycleGAN模型，并在训练完成后将所述CycleGAN模型部署在所述智能计算平台上。
在获取到图像数据集后，可以将利用该图像数据集实现CycleGAN模型的训练，并在训练完成后将CycleGAN模型部署到智能计算平台上，从而在需要时可以直接在智能计算平台上调用CycleGAN模型，实现红外图像的数据收集功能。
S13：获取利用所述指定场景下的摄像头收集的可见光图像作为待转换图像，将所述待转换图像输入至所述智能计算平台，并通过所述智能计算平台上的所述CycleGAN模型将所述待转换图像转换为相应的红外图像，实现所述指定场景下红外图像的收集。
其中，所述智能计算平台提供所述可见光图像及所述红外图像的存储功能，以及在不同计算节点分别同步训练所述CycleGAN模型的功能。
具体来说，在指定场景下拍摄得到可见光图像后，可以将可见光图像输入至智能计算平台，智能计算平台将可见光图像输入至CycleGAN模型后，即可得到模型输出的、与输入的可见光图像配对的红外图像，从而实现指定场景下红外图像的收集。
本发明红外图像收集的方法可基于智能计算平台实现，当然也可以基于其他类似智能计算平台实现。具体来说，基于智能计算平台可实施步骤可以包括：
确定智能计算平台中的计算节点（MLU集群或专用AI加速卡型号）；安装并配置所选超算平台的软件和驱动程序，使得其能够与CycleGAN模型兼容，实现平台环境的配置；将图像数据集上传至超算平台上的存储设备，以供CycleGAN模型训练时使用；接着利用图像数据集实现CycleGAN模型的训练，在训练过程中充分利用超算平台的并行计算能力，将训练的过程分配给多个MLU或者计算节点，并使用分布式训练算法以提高训练效率，同时通过在超算平台上同时运行多个训练作业可同时尝试不同的参数组合（如学习率、批大小及网络结构等），以最快速度确定出最佳的参数组合实现参数配置；完成CycleGAN模型的训练后，可以使用超算平台上的测试数据集评估CycleGAN模型的性能并进行相应的调整和改进，以提高CycleGAN模型的模型性能；将CycleGAN模型部署到超算平台上，以通过相应引擎实现红外图像的实时收集。
可见，本发明实施例提供的所述红外图像收集的方法可融合智能计算云平台及其他类似智能计算平台实现计算结果，可确保红外图像数据和模型参数在不同计算节点间的高效同步。
本发明利用适用于指定场景的配对的可见光图像和红外图像的数据集训练CycleGAN模型，并在训练完成后将CycleGAN模型部署到智能计算平台，从而在获取到指定场景下摄像头收集的可见光图像后，利用智能计算平台上部署的CycleGAN模型将可见光图像转换为相应的红外图像，实现指定场景下红外图像的收集；本发明考虑到红外图像的收集困难或代价高，而可见光图像的收集则相对容易且代价低，因此由收集红外图像转为收集可见光图像，再利用训练并部署到智能计算平台上部署的CycleGAN将收集到的可见光图像转换为对应红外图像，实现红外图像的数据收集；可见，本发明能够以相对容易且代价低的方式实现红外图像的收集。
本发明实施例提供的一种红外图像收集的方法，利用所述图像数据集训练CycleGAN模型，可以包括：利用所述图像数据集对所述CycleGAN模型进行训练，所述CycleGAN模型包含两个生成器和两个判别器，且所述生成器与所述判别器之间的关系为一一对应；其中，在实现对任一生成器的训练时，固定该任一生成器所对应的判别器的参数，并训练更新该任一生成器的参数；在实现对任一判别器的训练时，固定另一判别器以及两个生成器的参数，并训练更新该任一判别器的参数。
利用所述图像数据集训练CycleGAN模型，可以包括：使用循环一致性损失作为模型约束，利用所述图像数据集训练CycleGAN模型。
CycleGAN模型是用域迁移思想实现图像数据增强。假设两个数据集X和Y分别为可见光图像和红外图像，理论上CycleGAN可以输入X或Y生成Y或X，即。为实现此目标，该模型还需要训练两个判别器/>和/>来分别判断生成数据/>和原始数据x, y的相似性，同时还需要判断和y, x的相似性。因此CycleGAN可使用循环一致性损失(Cycle Consistency Loss)作为约束来训练模型，即构建生成器F使得输入图像/>时生成的/>与图像尽可能相似，等价于构建函数：F(G(x)) = x，其流程表示如图2所示，其中F和G均为生成器， DX及DY均为判别器。
因此，CycleGAN模型的loss不同于常见的GAN模型，而是由两部分组成，，/>负责生成器和判别器的迭代训练，确保生成器能生成更真实的照片，而/>负责确保输入和生成的照片内容相同但域不同。
对CycleGAN模型的训练包括对其生成器和判别器的训练，具体来说，训练生成器时采用残差模块，激活函数主要为ReLU，训练过程如下：
固定的参数，更新F的参数使/>对F生成图片的相似评价/>最大；
固定的参数，更新G的参数使/>对G生成图片的相似评价/>最大。
训练判别器时采用70 x 70 PatchGAN，激活函数为LeakyReLU，训练过程如下：
固定的参数，更新/>的参数，使/>最大化的同时极小化；
固定的参数，更新/>的参数，使/>最大化的同时极小化。
本发明实施例提供的一种红外图像收集的方法，获取图像数据集，包括：
获取适用于所述指定场景的、包含配对的可见光图像和红外图像的开源数据集，作为图像数据集。
需要说明的是，本发明实施例可以直接收集适用于指定场景的开源数据集作为图像数据集，实现CycleGAN模型的训练。从而能够直接利用已有数据实现所需模型的训练，避免因训练所用数据的收集需要投入大量人工的问题。
本发明实施例还提供了一种红外图像收集的装置，基于智能计算平台实现；如图3所示，具体可以包括：
获取模块11，用于：获取图像数据集，所述图像数据集中包含多个适用于指定场景的、配对的可见光图像和红外图像；
训练模块12，用于：利用所述图像数据集训练CycleGAN模型，并在训练完成后将所述CycleGAN模型部署在所述智能计算平台上；
收集模块13，用于：获取利用所述指定场景下的摄像头收集的可见光图像作为待转换图像，将所述待转换图像输入至所述智能计算平台，并通过所述智能计算平台上的所述CycleGAN模型将所述待转换图像转换为相应的红外图像，实现所述指定场景下红外图像的收集；
其中，所述智能计算平台提供所述可见光图像及所述红外图像的存储功能，以及在不同计算节点分别同步训练所述CycleGAN模型的功能。
本发明实施例提供的一种红外图像收集的装置，所述训练模块可以包括：
训练单元，用于：利用所述图像数据集对所述CycleGAN模型进行训练，所述CycleGAN模型包含两个生成器和两个判别器，且所述生成器与所述判别器之间的关系为一一对应；其中，在实现对任一生成器的训练时，固定该任一生成器所对应的判别器的参数，并训练更新该任一生成器的参数；在实现对任一判别器的训练时，固定另一判别器以及两个生成器的参数，并训练更新该任一判别器的参数。
本发明实施例提供的一种红外图像收集的装置，所述训练单元可以包括：
训练子单元，用于：使用循环一致性损失作为模型约束，利用所述图像数据集训练CycleGAN模型。
本发明实施例提供的一种红外图像收集的装置，所述获取模块可以包括：
获取单元，用于：获取适用于所述指定场景的、包含配对的可见光图像和红外图像的开源数据集，作为图像数据集。
本发明实施例还提供了一种红外图像收集的设备，所述设备包括存储器及处理器，所述存储器上存储的程序在被所述处理器运行时可实现如上任一项所述红外图像收集的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储的程序被处理器执行时实现如上任一项所述红外图像收集的方法的步骤。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种红外图像收集的方法，其特征在于，基于智能计算平台实现，所述红外图像收集的方法包括：
获取图像数据集，所述图像数据集中包含多个适用于指定场景的、配对的可见光图像和红外图像；
利用所述图像数据集训练CycleGAN模型，并在训练完成后将所述CycleGAN模型部署在所述智能计算平台上；
获取利用所述指定场景下的摄像头收集的可见光图像作为待转换图像，将所述待转换图像输入至所述智能计算平台，并通过所述智能计算平台上的所述CycleGAN模型将所述待转换图像转换为相应的红外图像，实现所述指定场景下红外图像的收集；
其中，所述智能计算平台提供所述可见光图像及所述红外图像的存储功能，以及在不同计算节点分别同步训练所述CycleGAN模型的功能；
所述CycleGAN模型采用ResNet50网络添加感知损失，使得所述CycleGAN模型的循环一致性损失函数与ResNet50网络的损失函数相加作为训练所述CycleGAN模型时所用的损失函数；
所述CycleGAN模型包括生成器及判别器；所述生成器采用深度残差网络，且所述深度残差网络包含的每个残差模块都连接有一个SimAM模块，同时所述生成器各层的激活函数为ReLU；所述判别器采用70x70的PatchGAN，同时所述判别器各层的激活函数为LeakyReLU；
利用所述图像数据集训练CycleGAN模型，包括：
利用所述图像数据集对所述CycleGAN模型进行训练，所述CycleGAN模型包含两个生成器和两个判别器，且所述生成器与所述判别器之间的关系为一一对应；
其中，在实现对任一生成器的训练时，固定该任一生成器所对应的判别器的参数，并训练更新该任一生成器的参数；在实现对任一判别器的训练时，固定另一判别器以及两个生成器的参数，并训练更新该任一判别器的参数，所述参数为相应生成器或判别器在训练过程中的网络权重。
2.根据权利要求1所述的方法，其特征在于，获取图像数据集，包括：
获取适用于所述指定场景的、包含配对的可见光图像和红外图像的开源数据集，作为图像数据集。
3.一种红外图像收集的装置，其特征在于，基于智能计算平台实现；所述红外图像收集的装置包括：
获取模块，用于：获取图像数据集，所述图像数据集中包含多个适用于指定场景的、配对的可见光图像和红外图像；
训练模块，用于：利用所述图像数据集训练CycleGAN模型，并在训练完成后将所述CycleGAN模型部署在所述智能计算平台上；
收集模块，用于：获取利用所述指定场景下的摄像头收集的可见光图像作为待转换图像，将所述待转换图像输入至所述智能计算平台，并通过所述智能计算平台上的所述CycleGAN模型将所述待转换图像转换为相应的红外图像，实现所述指定场景下红外图像的收集；
其中，所述智能计算平台提供所述可见光图像及所述红外图像的存储功能，以及在不同计算节点分别同步训练所述CycleGAN模型的功能；
所述CycleGAN模型采用ResNet50网络添加感知损失，使得所述CycleGAN模型的循环一致性损失函数与ResNet50网络的损失函数相加作为训练所述CycleGAN模型时所用的损失函数；
所述CycleGAN模型包括生成器及判别器；所述生成器采用深度残差网络，且所述深度残差网络包含的每个残差模块都连接有一个SimAM模块，同时所述生成器各层的激活函数为ReLU；所述判别器采用70x70的PatchGAN，同时所述判别器各层的激活函数为LeakyReLU；
所述训练模块包括：
训练单元，用于：利用所述图像数据集对所述CycleGAN模型进行训练，所述CycleGAN模型包含两个生成器和两个判别器，且所述生成器与所述判别器之间的关系为一一对应；其中，在实现对任一生成器的训练时，固定该任一生成器所对应的判别器的参数，并训练更新该任一生成器的参数；在实现对任一判别器的训练时，固定另一判别器以及两个生成器的参数，并训练更新该任一判别器的参数，所述参数为相应生成器或判别器在训练过程中的网络权重。
4.根据权利要求3所述的装置，其特征在于，所述获取模块包括：
获取单元，用于：获取适用于所述指定场景的、包含配对的可见光图像和红外图像的开源数据集，作为图像数据集。
5.一种红外图像收集的设备，其特征在于，所述设备包括存储器及处理器，所述存储器上存储的程序在被所述处理器运行时可实现如权利要求1至2中任一项所述红外图像收集的方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储的程序被处理器执行时实现如权利要求1至2中任一项所述红外图像收集的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410255469.3A CN117830806B (zh) | 2024-03-06 | 2024-03-06 | 一种红外图像收集的方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410255469.3A CN117830806B (zh) | 2024-03-06 | 2024-03-06 | 一种红外图像收集的方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117830806A CN117830806A (zh) | 2024-04-05 |
| CN117830806B true CN117830806B (zh) | 2024-05-07 |
Family
ID=90517766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410255469.3A Active CN117830806B (zh) | 2024-03-06 | 2024-03-06 | 一种红外图像收集的方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830806B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633698A (zh) * | 2019-09-30 | 2019-12-31 | 上海依图网络科技有限公司 | 基于循环生成对抗网络的红外图片识别方法、设备及介质 |
| CN113723535A (zh) * | 2021-09-02 | 2021-11-30 | 北京大学 | 基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质 |
| CN114119356A (zh) * | 2021-11-24 | 2022-03-01 | 北京理工大学 | 基于CycleGAN的热红外图像转类可见光彩色图像方法 |
| WO2023070695A1 (zh) * | 2021-10-26 | 2023-05-04 | 烟台艾睿光电科技有限公司 | 一种红外图像的转换训练方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220414838A1 (en) * | 2021-06-25 | 2022-12-29 | Nanjing University Of Posts And Telecommunications | Image dehazing method and system based on cyclegan |
-
2024
- 2024-03-06 CN CN202410255469.3A patent/CN117830806B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633698A (zh) * | 2019-09-30 | 2019-12-31 | 上海依图网络科技有限公司 | 基于循环生成对抗网络的红外图片识别方法、设备及介质 |
| CN113723535A (zh) * | 2021-09-02 | 2021-11-30 | 北京大学 | 基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质 |
| WO2023070695A1 (zh) * | 2021-10-26 | 2023-05-04 | 烟台艾睿光电科技有限公司 | 一种红外图像的转换训练方法、装置、设备及存储介质 |
| CN114119356A (zh) * | 2021-11-24 | 2022-03-01 | 北京理工大学 | 基于CycleGAN的热红外图像转类可见光彩色图像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117830806A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10748324B2 (en) | Generating stylized-stroke images from source images utilizing style-transfer-neural networks with non-photorealistic-rendering | |
| WO2019177738A1 (en) | Systems and methods for reducing data storage in machine learning | |
| CN109658445A (zh) | 网络训练方法、增量建图方法、定位方法、装置及设备 | |
| CN108734120A (zh) | 标注图像的方法、装置、设备和计算机可读存储介质 | |
| CN110675483B (zh) | 基于稠密视觉slam的无人机三维地图快速重建方法 | |
| CN108073909B (zh) | 合成模糊人脸图像的方法和装置、计算机装置及存储介质 | |
| CN110060331A (zh) | 一种基于全卷积神经网络的单目相机室外三维重建方法 | |
| CN112991389B (zh) | 一种目标跟踪方法、装置及移动机器人 | |
| CN110415297A (zh) | 定位方法、装置及无人驾驶设备 | |
| CN117830806B (zh) | 一种红外图像收集的方法及相关装置 | |
| CN113901931A (zh) | 一种基于知识蒸馏模型的红外和可见光视频的行为识别方法 | |
| CN104463962A (zh) | 基于gps信息视频的三维场景重建方法 | |
| CN112233231B (zh) | 一种基于云计算的城市三维实景漫游方法及系统 | |
| CN111680640B (zh) | 一种基于领域迁移的车型识别方法及系统 | |
| CN115115847B (zh) | 三维稀疏重建方法、装置及电子装置 | |
| CN114529689B (zh) | 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及系统 | |
| CN115937452A (zh) | 一种基于分布式计算的地图重建方法与系统 | |
| CN116612235A (zh) | 一种多视图几何无人机图像三维重建方法及存储介质 | |
| WO2023086398A1 (en) | 3d rendering networks based on refractive neural radiance fields | |
| CN108596964B (zh) | 深度数据获取方法、装置及可读存储介质 | |
| CN215833948U (zh) | 一种植物叶片动画生成系统 | |
| CN117808685B (zh) | 一种红外图像数据增强的方法、装置 | |
| CN117333626B (zh) | 图像采样数据获取方法、装置、计算机设备及存储介质 | |
| CN113379821B (zh) | 一种基于深度学习的稳定单目视频深度估计方法 | |
| JP2024008351A (ja) | 情報処理装置、情報処理方法及び情報処理システム |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |