-
公开(公告)号：CN113743233B
公开(公告)日：2023-08-01
申请号：CN202110912415.6
申请日：2021-08-10
Applicant: 暨南大学
IPC: G06V20/54 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于YOLOv5和MobileNetV2的车辆型号识别方法，包括以下步骤：S1、获取含车辆型号标签的公开车辆图片数据集；S2、对图片数据集按YOLOv5方式打标签；S3、为图片进行预处理；S4、进行YOLOv5训练，反复优化得到模型参数；S5、对原始图片数据集按YOLOv5标签的锚框数据进行裁剪，尽可能裁剪至图片仅含车辆信息；S6、修改MobileNetV2模型，拼接训练好的YOLOv5模型和修改后的MobileNetV2模型；S7、使用标签为车辆型号的原始数据集，预处理后对新拼接得到的模型进行训练，反复优化提升模型性能，得到优化训练完成的识别模型并将其用于实际车辆型号识别。本发明方法解决现有模型识别速率低，不足以满足交通系统的实时性、高效性以及在条件受限的情况下识别的准确率偏低的问题。
-
公开(公告)号：CN116311254A
公开(公告)日：2023-06-23
申请号：CN202310579491.9
申请日：2023-05-23
Applicant: 暨南大学
IPC: G06V20/70 , G06V10/30 , G06V10/36 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种恶劣天气情况下的图像目标检测方法、系统及设备，该方法包括下述步骤：采集在恶劣天气环境下的原始图像，预处理后得到雾霾图像和暗光图像，经过图像去噪滤波器得到对应的清晰化图像，经过掩码自编码器掩码编码再解码还原得到原图，构建正样本集合进行对比学习，更新编码器的参数，对图像数据集中的图像数据进行Prompt文本描述得到文本描述，文本描述经过Bert模型编码得到Prompt向量编码，将Prompt向量编码与有标签的图像数据输入更新参数后的编码器进行训练，待检测的恶劣天气环境图像输入至目标检测模块得到图像分类信息与定位信息。本发明提高恶劣天气条件下图像目标检测的鲁棒性以及识别准确率。
-
公开(公告)号：CN116311254B
公开(公告)日：2023-09-15
申请号：CN202310579491.9
申请日：2023-05-23
Applicant: 暨南大学
IPC: G06V20/70 , G06V10/30 , G06V10/36 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种恶劣天气情况下的图像目标检测方法、系统及设备，该方法包括下述步骤：采集在恶劣天气环境下的原始图像，预处理后得到雾霾图像和暗光图像，经过图像去噪滤波器得到对应的清晰化图像，经过掩码自编码器掩码编码再解码还原得到原图，构建正样本集合进行对比学习，更新编码器的参数，对图像数据集中的图像数据进行Prompt文本描述得到文本描述，文本描述经过Bert模型编码得到Prompt向量编码，将Prompt向量编码与有标签的图像数据输入更新参数后的编码器进行训练，待检测的恶劣天气环境图像输入至目标检测模块得到图像分类信息与定位信息。本发明提高恶劣天气条件下图像目标检测的鲁棒性以及识别准确率。
-
公开(公告)号：CN115100681B
公开(公告)日：2024-10-15
申请号：CN202210721153.X
申请日：2022-06-24
Applicant: 暨南大学
IPC: G06V40/10 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种衣着识别方法、系统、介质及设备，该方法包括下述步骤：获取多场景下的摄像头视频，将其中的黑白视频着色，整合得到全彩色的图像数据库，对图像数据库进行解帧和标注，构建衣着数据集，基于YOLOv5模型构建衣着识别网络，在主干网络层尾部增加坐标注意力模块，在Neck网络层将YOLOv5模型中的拼接模块替换为Concat_bifpn模块；基于衣着数据集训练衣着识别网络；进行复合检测，基于YOLOv5模型对测试集中的人物进行识别，裁剪提取得到人像结果集，输入衣着识别网络得到衣着识别结果图像集。本发明解决了摄像头环境下目标检测难的问题，实现了精度与速度平衡的高效目标检测效果。
-
公开(公告)号：CN117408891A
公开(公告)日：2024-01-16
申请号：CN202311714540.1
申请日：2023-12-14
Applicant: 暨南大学
IPC: G06T5/00 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及计算机视觉的图像分析技术领域，特别是涉及一种基于Cycle‑GAN的图像加雾方法，包括：获取待加雾图像；将所述待加雾图像输入预设的图像生成模型中，输出加雾后的目标图像，其中，所述图像生成模型由训练集训练获得，所述训练集包括无雾的图像数据和文本数据、有雾的图像数据和文本数据，所述图像生成模型采用Cycle‑GAN网络构建。本发明通过输入待处理的图像，将图像与文本信息特征融合，输入在多模态扩散文本语义约束下的Cycle‑GAN网络中生成目标图像，提升图像雾气效果，生成更符合实际效果和目标需求的图像。
-
Patent Agency Ranking
公开(公告)号：CN115905602A
公开(公告)日：2023-04-04
申请号：CN202211365199.9
申请日：2022-11-03
Applicant: 暨南大学
Abstract: 本发明实施例公开了一种新闻人物识别方法及装置，该方法包括：采集任意一个新闻文本，所述新闻文本至少包括图像数据；基于所述图像数据识别所述新闻文本中的人物图像，提取所述人物图像；根据预设的关系库识别所述人物图像对应的人物名称，所述关系库用于记录不同的人物分别所对应的人物图像和人物名称。通过先构建关系库，使得人物名称与人物图像有了对应的匹配关系，因此当对应于所采集的任意一个新闻文本，通过提取新闻文本中的人物图像，结合关系库中的匹配关系，可以快速识别到与人物图像对应的人物名称，准确度高，整体性能好。
-
公开(公告)号：CN113920455A
公开(公告)日：2022-01-11
申请号：CN202111009898.5
申请日：2021-08-31
Applicant: 暨南大学
IPC: G06V20/40 , G06V20/52 , G06V10/25 , G06V10/56 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于深度神经网络的夜间视频着色方法，包括步骤：S1、建立目标检测神经网络模型，输入待处理的视频图像，利用目标检测算法，检测目标实例并生成裁剪的目标图像；S2、建立着色网络，通过构建两个端到端训练的骨干网络，包括实例着色网络和全图像着色网络，进行实例着色和全图像着色；再构建两个着色网络对应层级，进行端到端训练的全卷积神经网络；S3、建立融合模块，选择性地融合从实例着色网络和全图像着色网络中提取到的特征，最终获得着色后的夜间视频图像。本发明通过输入待处理的视频图像，将图像经过目标检测网络，实例图像着色和全图像着色的全卷积网络，以及融合模块的处理，最终获得着色后的夜间视频图像。
-
公开(公告)号：CN113920455B
公开(公告)日：2024-08-06
申请号：CN202111009898.5
申请日：2021-08-31
Applicant: 暨南大学
IPC: G06V20/40 , G06V20/52 , G06V10/25 , G06V10/56 , G06N3/0464 , G06N3/047 , G06N3/08 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于深度神经网络的夜间视频着色方法，包括步骤：S1、建立目标检测神经网络模型，输入待处理的视频图像，利用目标检测算法，检测目标实例并生成裁剪的目标图像；S2、建立着色网络，通过构建两个端到端训练的骨干网络，包括实例着色网络和全图像着色网络，进行实例着色和全图像着色；再构建两个着色网络对应层级，进行端到端训练的全卷积神经网络；S3、建立融合模块，选择性地融合从实例着色网络和全图像着色网络中提取到的特征，最终获得着色后的夜间视频图像。本发明通过输入待处理的视频图像，将图像经过目标检测网络，实例图像着色和全图像着色的全卷积网络，以及融合模块的处理，最终获得着色后的夜间视频图像。
-
公开(公告)号：CN115100681A
公开(公告)日：2022-09-23
申请号：CN202210721153.X
申请日：2022-06-24
Applicant: 暨南大学
Abstract: 本发明公开了一种衣着识别方法、系统、介质及设备，该方法包括下述步骤：获取多场景下的摄像头视频，将其中的黑白视频着色，整合得到全彩色的图像数据库，对图像数据库进行解帧和标注，构建衣着数据集，基于YOLOv5模型构建衣着识别网络，在主干网络层尾部增加坐标注意力模块，在Neck网络层将YOLOv5模型中的拼接模块替换为Concat_bifpn模块；基于衣着数据集训练衣着识别网络；进行复合检测，基于YOLOv5模型对测试集中的人物进行识别，裁剪提取得到人像结果集，输入衣着识别网络得到衣着识别结果图像集。本发明解决了摄像头环境下目标检测难的问题，实现了精度与速度平衡的高效目标检测效果。
-
公开(公告)号：CN117800981A
公开(公告)日：2024-04-02
申请号：CN202311799243.1
申请日：2023-12-25
Applicant: 暨南大学
IPC: C07D491/056
Abstract: 本发明属于有机合成技术领域，具体涉及一种手性二氢喹诺酮类化合物的制备方法。本发明利用N‑杂环卡宾(NHC)作为催化剂，氯代醛与氮杂邻苯醌前体在NHC、碱性试剂的作用下通过氮杂双烯狄尔斯–阿尔德反应生成手性二氢喹诺酮。本发明的制备方法无需使用过渡金属作为催化剂，可在较温和的条件下进行反应，具有绿色环保、成本低、底物选择性广、反应条件温和等优势。此外，通过优化制备方法的反应条件使其产物的产率高、纯度高，以及具有独特的顺式选择性和优良的对映选择性。本发明为手性二氢喹诺酮类化合物提供了全新路线和新思路，可在药物中间体等领域中发挥重要作用具有良好的应用价值和潜力。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.01 seconds)
