-
公开(公告)号：CN116453014A
公开(公告)日：2023-07-18
申请号：CN202310296018.X
申请日：2023-03-24
Applicant: 大连理工大学 , 大连理工大学宁波研究院 , 大连维视科技有限公司
Abstract: 本发明属于计算机视觉和事件相机领域，公开了一种基于图像和事件的多模态道路场景目标检测方法。本发明引入了高效注意力机制模块，融合相邻时刻图像的信息，不仅提升了检测的精度，而且模型参数量和计算量几乎不变。采用一种轻量化的特征提取网络对事件进行特征提取，降低模型的内存大小，符合事件数据高时间分辨率的特性。为了重复利用事件数据的时序信息，本发明引入长短期记忆机制模块，通过控制内部门的状态，融合历史时刻的不同事件特征。在进行图像和事件特征融合时，采用特征融合模块，完成对两种模态数据的信息交互，提高了目标检测的准确率。
-
公开(公告)号：CN115100111A
公开(公告)日：2022-09-23
申请号：CN202210549759.X
申请日：2022-05-17
Applicant: 大连理工大学 , 大连维视科技有限公司
Abstract: 本发明提供一种基于YOLOv5的智能机器人冰壶检测方法，涉及计算机视觉技术领域。本发明方法，包括如下步骤：获取冰壶比赛现场图像；使用标注软件对所述冰壶比赛现场图像进行标注，得到标注后的图像；将所述图像特征图输入至YOLOv5预测网络进行前背景预测，输出不同采样倍数对应的分类预测分数和回归定位系数；将所述预测分数及边框回归值反向映射至原始图像，并在原始图像上打印，得到检测结果图。本发明针对冰壶机器人比赛的数据特点，设计轻量化的目标检测网络，并克服数据分布单一、拍摄光线较暗等困难，设计了不同的数据增强方式，重新设计损失函数。在满足高识别和定位精度的同时实现了高帧率的检测速度。
-
公开(公告)号：CN114998756A
公开(公告)日：2022-09-02
申请号：CN202210541629.1
申请日：2022-05-17
Applicant: 大连理工大学 , 大连维视科技有限公司
IPC: G06V20/13 , G06V10/40 , G06V10/75 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于yolov5的遥感图像检测方法、装置及存储介质。方法包括：S1、获取统一尺寸的遥感图像构成遥感图像数据集，获取每幅遥感图像的检测目标标注结果图像，从而获得遥感图像样本集，所述遥感图像样本集中的样本包括遥感图像和与遥感图像匹配的检测目标标注结果图像；对所述遥感图像样本集中的样本按照预设比例随机划分为训练集和测试集；S2、基于训练集和测试集中的样本数据对改进的yolov5模型的进行模型训练，所述改进的yolov5模型包括特征提取模块、CBAM模块、特征融合模块以及分类输出模块；S3、基于训练完成的改进的yolov5模型对遥感图像进行目标检测。本发明采用改进的yolov5模型能够更好的实现特征融合，给出精准的检测分类结果。
-
公开(公告)号：CN114998756B
公开(公告)日：2024-09-24
申请号：CN202210541629.1
申请日：2022-05-17
Applicant: 大连理工大学 , 大连维视科技有限公司
IPC: G06V20/13 , G06V10/40 , G06V10/75 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于yolov5的遥感图像检测方法、装置及存储介质。方法包括：S1、获取统一尺寸的遥感图像构成遥感图像数据集，获取每幅遥感图像的检测目标标注结果图像，从而获得遥感图像样本集，所述遥感图像样本集中的样本包括遥感图像和与遥感图像匹配的检测目标标注结果图像；对所述遥感图像样本集中的样本按照预设比例随机划分为训练集和测试集；S2、基于训练集和测试集中的样本数据对改进的yolov5模型的进行模型训练，所述改进的yolov5模型包括特征提取模块、CBAM模块、特征融合模块以及分类输出模块；S3、基于训练完成的改进的yolov5模型对遥感图像进行目标检测。本发明采用改进的yolov5模型能够更好的实现特征融合，给出精准的检测分类结果。
-
公开(公告)号：CN115115537B
公开(公告)日：2024-05-28
申请号：CN202210523937.1
申请日：2022-05-13
Applicant: 大连理工大学 , 大连维视科技有限公司
IPC: G06T5/77 , G06T5/60 , G06V10/40 , G06V10/774 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明提供一种基于掩码训练的图像修复方法，涉及计算机视觉技术领域，包括步骤：获取图像训练集中的训练样本；将训练样本输入至待训练的掩码生成模型中对所述训练样本提取特征，得到掩码生成模型输出的掩码结果；将所述掩码生成模型输出的掩码结果与训练样本相乘，得到损坏图像；得到所述图像修复模型的处理层输出的初始修复结果；将所述初始修复结果对应于损坏部分的子图像填充至损坏图像，作为中间修复结果；根据所述纹理特征和初始修复结果，得到该训练样本对的最终修复结果；本发明通过生成动态掩码，确认了图像的可预测区域，减少了对训练过程的损害，使得训练好的图像修复模型输出的修复结果与原始图像接近，保证了图像修复效果。
-
Patent Agency Ranking
公开(公告)号：CN115115537A
公开(公告)日：2022-09-27
申请号：CN202210523937.1
申请日：2022-05-13
Applicant: 大连理工大学 , 大连维视科技有限公司
IPC: G06T5/00 , G06V10/40 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于掩码训练的图像修复方法，涉及计算机视觉技术领域，包括步骤：获取图像训练集中的训练样本；将训练样本输入至待训练的掩码生成模型中对所述训练样本提取特征，得到掩码生成模型输出的掩码结果；将所述掩码生成模型输出的掩码结果与训练样本相乘，得到损坏图像；得到所述图像修复模型的处理层输出的初始修复结果；将所述初始修复结果对应于损坏部分的子图像填充至损坏图像，作为中间修复结果；根据所述纹理特征和初始修复结果，得到该训练样本对的最终修复结果；本发明通过生成动态掩码，确认了图像的可预测区域，减少了对训练过程的损害，使得训练好的图像修复模型输出的修复结果与原始图像接近，保证了图像修复效果。
-
公开(公告)号：CN114155436B
公开(公告)日：2024-05-24
申请号：CN202111471933.5
申请日：2021-12-06
Applicant: 大连理工大学
IPC: G06V20/10 , G06N3/045 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/096 , G06N3/0895 , G06N3/09
Abstract: 本发明属于图像信息处理技术领域，提出了一种逐步蒸馏学习的长尾分布的遥感图像目标识别方法，具体为一种利用头尾数据之间的联系，并结合知识蒸馏完成遥感图像分类的方法。我们使用结构相同的三个教师模型与一个学生模型。提出了渐进式教师模型的学习以及自校正采样算法，在学生模型训练过程中可以很好的解决长尾问题，使最终的分类准确度得到提升。本发明利用蒸馏的方法以及提出的渐进式教师学习和自校正采样学习算法，增强了网络特征提取能力，目前存在的解决长尾问题的各种方法仍然存在各种弊端，比如不能充分利用头部数据的优势、对超参数敏感等等，本发明的逐步蒸馏学习方法方法有效的解决了这些问题，本发明方法能够提升分类网络的准确度。
-
公开(公告)号：CN113610732B
公开(公告)日：2024-02-09
申请号：CN202110911218.2
申请日：2021-08-10
Applicant: 大连理工大学
IPC: G06T5/70 , G06T7/13 , G06N3/0464 , G06N3/08
Abstract: 本发明属于图像信息处理技术领域，提供了一种基于交互对抗学习的全聚焦图像生成方法。本发明的全聚焦图像生成方法利用了交互对抗学习的方式，首先利用了非聚焦模糊检测任务与边缘检测任务的互补关系，更好地定位聚焦到非聚焦过渡区域的边界和检测纹理信息较少的同质区域；其次，目前常见的方法大多需要成对的非聚焦图像及其对应的全聚焦真值图像，而这种成对的图像难以获得。而本发明的方法不存在这个问题，仅利用不成对的全聚焦图像作参考，便可以实现具有全局一致性的、自然的全聚焦图像生成网络。
-
公开(公告)号：CN116434024A
公开(公告)日：2023-07-14
申请号：CN202310434441.1
申请日：2023-04-21
Applicant: 大连理工大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明属于图像信息处理技术领域，公开了一种目标特征嵌入的红外与可见光图像融合方法。本方法构建一个目标特征嵌入的红外与可见光图像融合方法，解决了目标检测任务与图像融合任务不匹配的问题，让目标检测任务有效的提升了图像融合的结果，并且目标检测元特征嵌入过程仅在训练过程中使用，训练完毕后在测试阶段并没有增加额外的计算量。
-
公开(公告)号：CN113887504A
公开(公告)日：2022-01-04
申请号：CN202111232231.1
申请日：2021-10-22
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，针对提升遥感网络准确度和泛化性的问题，提供了一种强泛化性的遥感图像目标识别方法。使用特征提取主干与多个预测分支的结构。在对有监督的数据进行训练时，我们将不同预测分支的特征通过余弦相似度的方式进行分离增加多样性，在后续的训练过程中获取无监督图像的真值，使最终的预测准确度和泛化性均得到提升。本发明的遥感图像目标识别泛化性增强方法，利用了半监督的方法通过大量无标签数据的训练增强网络特征提取能力，目前存在的蒸馏方法不能有效解决训练网络泛化性低的问题，本发明的一致性轮次学习方法有效的解决了这个问题，本发明方法能够提升识别网络的准确度和泛化性。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.044 seconds)
