-
公开(公告)号：CN113838130B
公开(公告)日：2023-07-18
申请号：CN202111004064.5
申请日：2021-08-30
Applicant: 厦门大学
IPC: G06V10/24 , G06V10/25 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0895
Abstract: 一种基于特征扩展性学习的弱监督目标定位方法，涉及计算机图像视觉处理。提供基于弱监督的训练方式以低成本的图像标注，以仅有的弱标签信息获取更好的特征，达到比较好的训练结果的一种基于特征扩展性学习的弱监督目标定位方法。包括如下步骤：1)对待检测的图片进行预处理，然后将预处理后待检测的图片及其对应的图片级别的标签送入神经网络；2)神经网络对图片进行处理，在训练过程中输出待检测图片对应每一个类别的概率数值，在测试过程中输出待检测图片预测的框的坐标、类别、得分。通过擦除来促进整体目标定位，并通过最大凸显学习来提高分类性能的准确性；将从多个平行定位头中学习到的目标区域动态地与接收场的有向扩展相结合。
-
公开(公告)号：CN117173396A
公开(公告)日：2023-12-05
申请号：CN202311122506.5
申请日：2023-09-01
Applicant: 厦门大学
IPC: G06V10/25 , G06V10/52 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 一种基于分级聚焦特征金字塔的小目标检测方法，涉计算机视觉技术。模型训练阶段：1，预处理后待检测的图片及其对应的类别送入神经网络；2，神经网络对图片提取特征，将特征送入到分级聚焦特征金字塔中融合；3，模型利用融合后得到的特征输出待检测图片中目标的位置和类别。模型测试阶段：待检测图片经过特征提取后进入分级聚焦特征金字塔，利用融合后的特征输出待检测图片预测的框的坐标、类别、得分。分级聚焦特征金字塔包含HFSM和FFGA。HFSM引入特征相减操作获取细节信息，引入分级策略。FFGA利用特征融合时的全局信息引导本层特征聚焦于有效信息、抑制噪声信息。实验表明，实现显著和一致的性能改进。
-
公开(公告)号：CN119648788A
公开(公告)日：2025-03-18
申请号：CN202411674602.5
申请日：2024-11-21
Applicant: 厦门大学
IPC: G06T7/73 , G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种基于语义驱动Transformer模型的弱监督目标定位方法，包括以下步骤：S1、对待检测的图片进行预处理，用于将待检测的图片转换为适合神经网络处理的格式；S2、将预处理后待检测的图片及其对应的图片级别的标签送入神经网络；所述神经网络包括Transformer主干网络、语义内核集成模块SKI和语义增强适配模块SBA；S3、神经网络对图片进行处理，在训练过程中输出待检测图片对应每一个类别的概率数值；S4、在测试过程中输出待检测图片预测的框的坐标、类别和得分；本发明通过使注意力图更加专注于前景区域，在弱监督环境下实现了更精确的、语义感知的目标定位，从而提高了模型的解释精度和相关性。
-
Patent Agency Ranking
公开(公告)号：CN118229964A
公开(公告)日：2024-06-21
申请号：CN202410652793.9
申请日：2024-05-24
Applicant: 厦门大学
IPC: G06V10/25 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766
Abstract: 本发明公开一种基于全流水线改良的小目标检测方法，在目标检测流水线的三个阶段都进行了改进，综合提高了对小目标的检测性能，其包括以下步骤：对待检测图片进行预处理，然后将预处理后的待检测图片及其对应的标签送入神经网络；神经网络在检测流水线的上游对待检测图片进行特征提取和特征融合并进行提纯操作得到特征图；在检测流水线的中游使用IoU、位置偏移指标和尺寸约束指标共同为特征图的候选框评分并分配正标签和负标签；在检测流水线的下游，将分配好标签的训练样本和特征图一起送到频率解耦检测头中进行分类和回归，输出待检测图片中的待检测目标对应每一个类别的概率数值以及对应的位置信息。
-
公开(公告)号：CN113838130A
公开(公告)日：2021-12-24
申请号：CN202111004064.5
申请日：2021-08-30
Applicant: 厦门大学
Abstract: 一种基于特征扩展性学习的弱监督目标定位方法，涉及计算机图像视觉处理。提供基于弱监督的训练方式以低成本的图像标注，以仅有的弱标签信息获取更好的特征，达到比较好的训练结果的一种基于特征扩展性学习的弱监督目标定位方法。包括如下步骤：1)对待检测的图片进行预处理，然后将预处理后待检测的图片及其对应的图片级别的标签送入神经网络；2)神经网络对图片进行处理，在训练过程中输出待检测图片对应每一个类别的概率数值，在测试过程中输出待检测图片预测的框的坐标、类别、得分。通过擦除来促进整体目标定位，并通过最大凸显学习来提高分类性能的准确性；将从多个平行定位头中学习到的目标区域动态地与接收场的有向扩展相结合。
-
公开(公告)号：CN118229964B
公开(公告)日：2024-10-08
申请号：CN202410652793.9
申请日：2024-05-24
Applicant: 厦门大学
IPC: G06V10/25 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766
Abstract: 本发明公开一种基于全流水线改良的小目标检测方法，在目标检测流水线的三个阶段都进行了改进，综合提高了对小目标的检测性能，其包括以下步骤：对待检测图片进行预处理，然后将预处理后的待检测图片及其对应的标签送入神经网络；神经网络在检测流水线的上游对待检测图片进行特征提取和特征融合并进行提纯操作得到特征图；在检测流水线的中游使用IoU、位置偏移指标和尺寸约束指标共同为特征图的候选框评分并分配正标签和负标签；在检测流水线的下游，将分配好标签的训练样本和特征图一起送到频率解耦检测头中进行分类和回归，输出待检测图片中的待检测目标对应每一个类别的概率数值以及对应的位置信息。
-
公开(公告)号：CN117115412A
公开(公告)日：2023-11-24
申请号：CN202311121368.9
申请日：2023-09-01
Applicant: 厦门大学
IPC: G06V10/20 , G06V10/82 , G06V10/80 , G06V10/774
Abstract: 一种基于加权得分标签分配的小目标检测方法，涉及计算机视觉。将预处理后待检测的图片及其对应的类别送入神经网络；对图片特征提取和特征融合，根据特征筛选样本框送入加权得分标签分配模块中；加权得分标签分配为样本框根据加权得分分配正标签和负标签；模型训练过程中输出待图片中检测目标对应每一个类别的概率数值。测试过程中输出待检测图片预测的框的坐标、类别、得分。标签分配过程发生在模型训练之前，加权得分在原有的IoU分数的基础上引入两个完全解耦的得分。有效缓解IoU得分对大物体的倾斜问题，使模型更好地检测到小目标，同时也保证样本框的质量。在DOTA和HRSC2016数据集上实验，实现显著和一致的性能改进。
-
公开(公告)号：CN116433982A
公开(公告)日：2023-07-14
申请号：CN202310433819.6
申请日：2023-04-21
Applicant: 厦门大学
IPC: G06V10/764 , G06V10/774 , G06T3/40 , G06N3/04 , G06N3/08
Abstract: 一种基于自适应域学习的弱监督目标定位方法，涉计算机视觉技术。模型训练阶段：步骤1，对待检测的图片进行预处理，然后将预处理后待检测的图片及其对应的类别送入神经网络；步骤2，神经网络对图片进行处理，在训练过程中输出待检测图片对应每一个类别的概率数值。模型测试阶段：在测试过程中输出待检测图片预测的框的坐标、类别、得分。ALM诱导网络对抗性地以最大程度生成图片的前景和背景，OLM在此基础上细化前景和背景，获得精细化的物体与背景信息。对于前背景区分效果不理想的图片，RLM提取前景中的关键信息，使网络对其进一步学习。在CUB‑200‑2011和ILSVRC数据集上实验，可实现显著和一致的性能改进。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
