-
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：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。
-
Patent Agency Ranking
公开(公告)号：CN113610045A
公开(公告)日：2021-11-05
申请号：CN202110961137.3
申请日：2021-08-20
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，提供了一种深度特征集成学习的遥感图像目标识别泛化性方法。该方法适用于不同种类的输入源图像，均可以得到较好的预测结果。它在网络结构中使用多个子分支预测得到多个输出特征，并使用余弦相似度控制这些输出特征的多样性，实现模型的多样性；为了能够从所得的集成特征中进一步选择所需的特征，它使用一个自适应选择网络对特征进行筛选。本发明的方法充分利用遥感图像深度特征的不同表达，如色调，对比度，饱和度，图像质量/分辨率等，设计基于门控的自适应集成架构得到用于遥感图像目标识别的具有泛化性的网络模型。
-
公开(公告)号：CN116758353B
公开(公告)日：2024-01-23
申请号：CN202310731995.8
申请日：2023-06-20
Applicant: 大连理工大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/094
Abstract: 解决了目前遥感目标识别方法存在对未知域表本发明属于图像信息处理技术领域，提出一 现差的这一问题，使遥感图像目标模型对不同域种基于域特定信息滤除的遥感图像目标分类方 数据集均具有泛化性。法。从实例归一化分离域特定信息和域不变信息、图像重建去除域特定信息两个角度进行遥感图像风格信息的滤除。通过对抗性域特定信息鲁棒模块使用实例归一化使得每一个输入实例的数据趋向于标准正态分布，进而降低细微扰动带来的影响。通过数据扩充模拟遥感图像域特定信(56)对比文件陈德海;潘韦驰;丁博文;黄艳国.重校准特征融合对抗域适应的遥感影像场景分类.计算机应用与软件.2020,(05),151-156.
-
公开(公告)号：CN116843588A
公开(公告)日：2023-10-03
申请号：CN202310732526.8
申请日：2023-06-20
Applicant: 大连理工大学
Abstract: 本发明属于图像信息处理技术领域，提出一种目标语义层级挖掘的红外与可见光图像融合方法。图像融合网络包括融合特征模块、语义特征模块、层级挖掘模块与图像重建模块；源图像对输入至图像融合网络后，融合特征模块提取源图像对的图像融合特征Fuj，语义特征模块提取源图像对的图像语义特征Fej；层级挖掘模块挖掘多个层级的目标语义特征并进行整合，多次重复特征提取与挖掘后，通过图像重建模块生成融合结果。相较于仅利用单一图像融合特征的融合方法，本发明通过不同层次的挖掘图像中目标语义并将其整合到图像融合网络中，有效地提升了图像融合网络中特征的多样性，从而可以获得更高质量的图像融合结果。
-
公开(公告)号：CN116758391A
公开(公告)日：2023-09-15
申请号：CN202310434257.7
申请日：2023-04-21
Applicant: 大连理工大学
IPC: G06V10/82 , G06F17/16 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/74 , G06V10/764 , G06V10/40
Abstract: 本发明属于计算机视觉、图像处理技术领域，公开了一种噪声抑制蒸馏的多域遥感目标泛化性识别方法。通过非遥感图像数据集训练教师模型，训练后的教师模型通过多模态遥感数据集调整；固定调整后的教师模型，通过负相关蒸馏模块，每训练一批次的S个样本中选择相关程度最小的两个教师模型训练学生模型。本发明利用蒸馏方法提取教师模型负相关的特征蒸馏给学生模型，解决了多教师模型特征噪声抑制问题，提升了学生模型目标识别准确度和泛化性。
-
公开(公告)号：CN116434037A
公开(公告)日：2023-07-14
申请号：CN202310434641.7
申请日：2023-04-21
Applicant: 大连理工大学
IPC: G06V10/82 , G06V10/774 , G06N3/08 , G06N3/0464 , G06V10/764
Abstract: 本发明属于计算机视觉图像处理技术领域，提出一种基于双层优化学习的多模态遥感目标鲁棒识别方法。该方法设计了一种基于双层优化的训练方式引导模型自适应地学习需要学习的知识，同时利用调制网络对识别网络进行选择性激活，帮助识别网络学会如何更好地提取输入图像的特征表示。本发明能够充分利用现有数据深入挖掘模型的潜力，帮助模型摆脱多模态的干扰，解决模型在多模态目标数据上准确度降低的问题，让模型在有限的学习资源下获得更高的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.02 seconds)
