-
公开(公告)号：CN115294386B
公开(公告)日：2023-11-24
申请号：CN202210800079.0
申请日：2022-07-06
Applicant: 南通大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/40 , G06V10/774
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于正则化监督损失函数的图像分类方法，该方法首先利用构建好的分类模型对训练图像提取特征，通过网络中的分类器与Softmax层将特征转化为输出概率值；然后基于样本的类别签值计算样本特征之间的监督对比损失函数以及正则化因子，从而得到正则化监督对比损失函数；最后，计算正则化Softmax损失函数和正则化监督对比损失函数的加权和作为总的损失函数对网络中的参数进行优化，利用训练后的网络对测试图像进行分类决策。本发明公开的方法能够使监督损失函数在训练图像数据集上避免过拟合，从而提高网络的泛化性能。
-
公开(公告)号：CN109493275B
公开(公告)日：2023-01-24
申请号：CN201811364228.3
申请日：2018-11-16
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
Abstract: 本发明涉及图像处理以及多媒体技术领域，尤其是一种融合显著图与深度图的缝切割重定向方法。包括：利用GBVS算法获取图像显著图；结合图像梯度图与提出的通过SIFT匹配方法获取图像深度图构建更精确的重要度图；根据重要度图的能量分布，获取能量较低位置的切割缝，记录每条缝的位置与运动过程，对原始图像进行处理，得到最终的重定向结果。本发明同时考虑了图像的显著图和深度图，能够最大程度的保留图像的显著部分，并且改善原有缝切割方法中的扭曲及失真问题。
-
公开(公告)号：CN115294386A
公开(公告)日：2022-11-04
申请号：CN202210800079.0
申请日：2022-07-06
Applicant: 南通大学
IPC: G06V10/764 , G06N3/04 , G06N3/08 , G06V10/40 , G06V10/774
Abstract: 本发明属于计算机视觉技术领域，具体涉及一种基于正则化监督损失函数的图像分类方法，该方法首先利用构建好的分类模型对训练图像提取特征，通过网络中的分类器与Softmax层将特征转化为输出概率值；然后基于样本的类别签值计算样本特征之间的监督对比损失函数以及正则化因子，从而得到正则化监督对比损失函数；最后，计算正则化Softmax损失函数和正则化监督对比损失函数的加权和作为总的损失函数对网络中的参数进行优化，利用训练后的网络对测试图像进行分类决策。本发明公开的方法能够使监督损失函数在训练图像数据集上避免过拟合，从而提高网络的泛化性能。
-
公开(公告)号：CN114387473A
公开(公告)日：2022-04-22
申请号：CN202210033296.1
申请日：2022-01-12
Applicant: 南通大学
IPC: G06V10/764 , G06V10/774 , G06V10/40 , G06K9/62
Abstract: 本发明涉及小样本图像分类技术领域，具体涉及一种基于基类样本特征合成的小样本图像分类方法，本发明利用监督对比损失函数在基类数据集上对模型进行预训练得到特征提取器，提取基类和新类样本特并计算原型，对于每类新类原型，利用Cosine相似性计算其近邻基类原型，并在新类原型与其近邻基类原型之间线性合成若干新的样本特征。本发明在不考虑样本分布的情况下，就能实现少量支持样本特征的增强，从而提高小样本图像分类性能。本发明将基类视为多数类，采用过采样技术对新类中的样本进行扩充，能够解决基类与新类之间样本不平衡问题。
-
公开(公告)号：CN114092747A
公开(公告)日：2022-02-25
申请号：CN202111440323.9
申请日：2021-11-30
Applicant: 南通大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/776 , G06V10/82
Abstract: 本发明公开了一种基于深度元度量模型互学习的小样本图像分类方法。由两个参数不相同的元度量模型组成，每一个模型完成对查询样本的进行预测的同时还为另外一个网络提高正则化项，该正则化项是通过计算两者输出之间的KL散度值得到的。本发明可以与任意深度元度量模型相融合，避免其出现过拟合问题，从而提高其所提取特征的泛化性能；还可以通过互学习技术将任意深度元度量模型的分类决策向最优分类决策边界进一步拉近。
-
Patent Agency Ranking
公开(公告)号：CN107145890A
公开(公告)日：2017-09-08
申请号：CN201710301502.1
申请日：2017-05-02
Applicant: 南通大学 , 南通先进通信技术研究院有限公司
IPC: G06K9/46
Abstract: 本发明公开了一种远距离多视角环境下的指针式仪表盘自动读数方法，包括表盘区域确定、分割处理、指针提取拟合和读数估算几个步骤。首先通过匹配待识别图像和模板表盘的关键点确定图像中的表盘区域，然后根据直方图分布二值化表盘，通过对二值图形态学处理得到表盘内部信息，之后对采用概率霍夫变换拟合得到的直线归纳合并得到指针角度，最后根据先验指针计算出指针读数。本发明解决了远距离斜视角度下表盘变形严重、刻度模糊至肉眼无法完全识别读数的问题，并且具有较高的准确率。
-
公开(公告)号：CN118298268B
公开(公告)日：2025-01-14
申请号：CN202410462258.7
申请日：2024-04-17
Applicant: 南通大学
IPC: G06V10/80 , G06N3/0464 , G06F17/16 , G06V10/82 , G06V10/74 , G06V10/764
Abstract: 本发明涉及人工智能技术领域，尤其涉及一种基于一阶和二阶无损统计自适应融合的深度表征算法，包括：对于利用深度卷积网络中的骨干网络提取的张量特征，进行粗粒度和细粒度的无损运算。然后，对于进行两阶段信息无损运算的张量特征，计算一阶和二阶统计特征，构建构建一阶和二阶自补偿转化矩阵，对一阶和二阶统计特征进行补偿运算。最后，对于完成自补偿运算的一阶统计特征和二阶统计特征，构建适配矩阵，完成一阶和二阶无损统计特征的自适应融合。本发明过张量特征的信息无损运算，一阶和二阶统计特征的补偿计算，自适应融合，能够减少张量特征中所蕴含的大量有限信息的损失，提高深度表征性能。
-
公开(公告)号：CN119295347A
公开(公告)日：2025-01-10
申请号：CN202411339773.2
申请日：2024-09-25
Applicant: 南通大学
IPC: G06T5/77 , G06T5/60 , G06N3/0464 , G06N3/08
Abstract: 本发明公开基于可学习函数的空间状态序列模型的图像去雨方法，将待去雨图像输入构建的具有基于可学习函数的空间状态序列模块的去雨网络，得到去雨后图像，包括以下步骤：S1、构建面向2D图像的空间状态序列模型；S2、构建基于可学习函数的KAN层；S3、融合基于可学习函数的空间状态序列模块SKLayer；S4、构建去雨网络结构S5、输入去雨网络结构中进行训练迭代，完成对网络的训练；S6、训练迭代后，将待去雨的图像输入至训练后的去雨网络结构，得到去雨图像。本发明引入基于可学习函数的空间状态序列模块，以具备全局感受野和线性计算复杂度，取得了较好的去雨效果。
-
公开(公告)号：CN118781396A
公开(公告)日：2024-10-15
申请号：CN202410775192.7
申请日：2024-06-17
Applicant: 南通大学
IPC: G06V10/764 , G06V10/80 , G06V10/42 , G06V10/44 , G06V10/774 , G06N3/0464 , G06N3/09 , G06N3/0895 , G06N3/098 , G06N3/084
Abstract: 本发明公开了一种基于局部和全局特征多阶段融合的小样本图像分类方法，首先构建局部和全局特征网络，利用深度互学习在训练阶段对它们进行融合，然后使用局部和全局特征网络对支持样本集和查询集中的图像提取特征并进行串行融合，最后利用支持样本特征训练逻辑回归分类器完成对查询样本的分类决策。本发明采用相互学习的并行融合方法，最小化二者输出概率分布之间的Kullback‑Leibler散度值。而在小样本图像分类测试阶段采用拼接的串行融合方法，将样本映射到高维特征空间，增加分类任务的线性可分性，从而提高小样本图像分类性能。
-
公开(公告)号：CN118052259B
公开(公告)日：2024-08-30
申请号：CN202410264000.6
申请日：2024-03-08
Applicant: 南通大学
IPC: G06N3/0495 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0895 , G06N3/09 , G06N3/096 , G06V10/82 , G06V10/764 , G06V10/774
Abstract: 本发明涉及人工智能技术领域，尤其涉及一种基于课堂学习的小样本图像分类模型压缩方法，包括：首先，构建末端三分支型教师网络模型，使用欧式空间监督、球面空间监督以及欧式自监督的联合学习方式利用基类数据集对三分支型教师网络模型中的参数进行训练。然后，构建基于末端单分支型学生网络班级，利用新类数据集淘汰落后的班级。接下来，构建基于分组再分组卷积的辅助教具帮助学生网络完成预习。之后，使用基于多阶段特征偏差的竞争机制产生学生网络班长。最后，末端单分支型学生网络在末端三分支型教师网络的指导下，相互学习，完成课堂学习。本发明能够提高轻量级模型的小样本图像分类性能，促进其在移动终端以及嵌入式设备等实际场合的应用。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.023 seconds)
