【技术实现步骤摘要】
本专利技术涉及敏感图像跟踪和深度学习，具体涉及基于可学习激活算子的神经形态图像变形感知方法及系统。
技术介绍
1、图像运动和变形估计是计算机视觉领域中的一个基本任务，它通过分析单视角或多视角图像序列中相邻帧之间的像素信息变化来推断场景中目标点的运动或者空间变形信息，对于视觉目标跟踪、动作识别、自动驾驶、视觉导航和结构力学行为监测等应用至关重要。典型的图像运动和变形估计方法包括光流法和数字图像相关法，基本依赖于图像灰度守恒和空间平滑性假设，(如lucas-kanade迭代匹配算法)，但这些假设往往不能很好地适应复杂的世界环境(如光照变化、暗光、图像退化和遮挡等)。近年来，基于深度学习的方法，使用光流预测的神经网络模型有效实现了相关工作，如flownet，raft，gmflow及其变体。尽管如此，高精度的模型中运用了注意力机制和相关特征体积的计算使这类方法通常计算量大，对硬件资源要求较高，特别是在实时应用场景。光流模型的训练往往假设亮度恒定性，同时位移场中高阶变形较少，以此为基础进行运动估计。然而，在变形问题中，由于位移场更加复杂，且存在噪...
【技术保护点】
1.一种基于可学习激活算子的神经形态图像变形感知方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可学习激活算子的神经形态图像变形感知方法，其特征在于，所述子区相关体特征表示的获取，包括以下步骤：
3.根据权利要求1所述的基于可学习激活算子的神经形态图像变形感知方法，其特征在于，所述单层的神经激活算子包括多个输入节点和1个输出节点，形成一个线性映射；每个输入节点到输出节点之间具有一个独立的一维激活函数；其中，所述一维激活函数为B样条函数。
4.根据权利要求1所述的基于可学习激活算子的神经形态图像变形感知方法，其特征在于，...
【技术特征摘要】
1.一种基于可学习激活算子的神经形态图像变形感知方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于可学习激活算子的神经形态图像变形感知方法，其特征在于，所述子区相关体特征表示的获取，包括以下步骤：
3.根据权利要求1所述的基于可学习激活算子的神经形态图像变形感知方法，其特征在于，所述单层的神经激活算子包括多个输入节点和1个输出节点，形成一个线性映射；每个输入节点到输出节点之间具有一个独立的一维激活函数；其中，所述一维激活函数为b样条函数。
4.根据权利要求1所述的基于可学习激活算子的神经形态图像变形感知方法，其特征在于，所述将拼接得到特征图进行下采样，并基于神经激活算子预测获得预测的位移场，包括以下步骤：
5.根据权利要求1所述的基于可学习激活算子的神经形态图像变形感知方法，其特征在于，所述将拼接后的特征图依次执...
【专利技术属性】
技术研发人员：苏志龙，张得扬，蔚永励，覃想，左家人，王海坤，毛海斌，汪俊，
申请(专利权)人：上海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。