-
公开(公告)号：CN119360003A
公开(公告)日：2025-01-24
申请号：CN202411906781.0
申请日：2024-12-24
Applicant: 无锡学院
Abstract: 基于跨柱体特征聚合的三维点云目标检测方法和系统，属于目标检测技术领域，解决点云目标检测无法同时兼顾检测精度和检测速度问题。本发明的方法包括：柱体特征编码模块，用于将点云数据划分为柱体，并对柱体中包含的特征信息进行编码和跨柱体特征聚和处理，随后将点云数据转换为伪图像，以便输入至骨干网络进行进一步的特征提取；在骨干网络中，通过多个设计优化的残差块和上采样块提取空间特征，生成更高维度的特征图；利用检测器生成目标类别、边界框以及目标方向的预测结果。在模型的柱体特征编码模块中，点云数据被划分为一系列柱体。对柱体进行编码，将不规则的点云数据转换为规则的网格结构。本发明适用于自动驾驶场景的三维目标检测。
-
公开(公告)号：CN118918148A
公开(公告)日：2024-11-08
申请号：CN202411411710.3
申请日：2024-10-11
Applicant: 无锡学院
Abstract: 一种面向无人机视角的交通跟踪检测系统。属于目标跟踪技术领域，具体涉及面向智能交通和无人机视角下的轻量级目标检测和跟踪技术领域。系统包括目标检测模块、目标运动轨迹匹配模块和目标运动轨迹输出模块；目标检测模块：对视频帧图片进行处理，得出跟踪目标对应的检测框和每个检测框对应的置信度得分；目标运动轨迹匹配模块：根据置信度得分对检测框进行划分，划分后将检测框与预测轨迹进行匹配；目标运动轨迹输出模块：当目标运动轨迹匹配模块中将同一帧检测框连续3次与预测轨迹匹配成功后，将所述预测轨迹作为确认态轨迹输出。其解决了以往无人机对于目标的追迹中由于存在小尺寸目标、复杂背景以及遮挡情况而导致的追踪精度低的问题。
-
公开(公告)号：CN118230296B
公开(公告)日：2024-11-05
申请号：CN202410324420.9
申请日：2024-03-21
Applicant: 无锡学院
IPC: G06V20/59 , B60W40/08 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种轻量化的疲劳驾驶检测跟踪方法，获取待识别的驾驶员图像；将待识别的驾驶员图像输入预先构建的YOLOv5s网络模型，获得人脸特征目标框；利用Deepsort算法对人脸特征目标框进行连续目标跟踪优化，获得标签信息；基于标签信息、驾驶员的连续闭眼帧数、驾驶员的连续打哈欠帧数和计算获得的PERCLOS分数，判定获得包括疲劳驾驶状态和正常驾驶状态的驾驶员驾驶状态。本模型能够降低检测过程中驾驶员面部信息丢失发生的概率问题，并且在保持高精度的同时显著降低了模型大小。
-
公开(公告)号：CN118608802A
公开(公告)日：2024-09-06
申请号：CN202410956189.5
申请日：2024-07-17
Applicant: 无锡学院
IPC: G06V10/46 , G06N3/045 , G06N3/0895 , G06V10/762 , G06V10/764 , G06V10/82
Abstract: 本发明属于点云检测技术领域，具体涉及一种基于超类的点云关键点检测方法及其检测系统。步骤1：生成超类别点云的特征；步骤2：构建孪生网络模型，对其中的点云关键点检测采用MHSCPD算法；步骤3：对步骤2构建的孪生网络模型进行训练，实现点云关键点检测；所述步骤2具体为，在特征空间中利用MHSC的超类别的多头分类机制根据现有的点云在特征空间中的分布情况，自适应的选择虚拟超类锚点进行聚类，根据同类之间的私有特征调整同类特征差异较大的样本之间的距离。本发明可以大幅提升点云关键点检测方法的精度，同时具有更优秀的鲁棒性。
-
公开(公告)号：CN118279674A
公开(公告)日：2024-07-02
申请号：CN202410685419.9
申请日：2024-05-30
Applicant: 无锡学院
IPC: G06V10/764 , G06N3/0455 , G06N3/0464 , G06V10/26 , G06V10/40 , G06V10/80 , G06V10/82
Abstract: 本发明属于点云数据处理技术领域，本发明公开了基于切片式层级点云网络的目标分类、分割及检测方法，方法包括：将所述点云数据集输入已训练完成的SAPT多任务模型中，输出包含三种下游任务结果的综合处理结果；本发明采用point transformer网络结合锚点共享技术，在切片式的特征提取后利用自然语言处理技术NLP或图像处理IMAGE技术，提取到更加细节的全局特征，削弱关键点的权重，直接利用当前提取到的特征实现目标检测性能。
-
Patent Agency Ranking
公开(公告)号：CN116403056B
公开(公告)日：2023-10-20
申请号：CN202310665276.0
申请日：2023-06-07
Applicant: 无锡学院
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V20/68 , G06N3/0464 , G06N3/048
Abstract: 一种人参分级系统及方法，属于分类识别技术领域，具体涉及人参分类识别技术领域。其解决了人参分类效率和准确率低的问题。所述系统包括：输入模块，依次包括二维卷积层和批量归一化层；主干模块，依次包含4层改进的ConvNeXt网络，分别命名为第一改进ConvNeXt网络、第二改进ConvNeXt网络、第三改进ConvNeXt网络和第四改进ConvNeXt网络；输出模块，依次包括平均池化层、批量归一化层和全连接层。本发明所述系统及方法可以应用在人参分级分类领域。
-
公开(公告)号：CN119360325B
公开(公告)日：2025-04-18
申请号：CN202411896708.X
申请日：2024-12-23
Applicant: 无锡学院
IPC: G06V20/54 , G06V10/82 , G06V10/40 , G06V10/80 , G06V20/17 , G06V20/40 , G06V10/62 , G06N3/082 , G06N3/0464
Abstract: 基于YOLO‑Light对交通图像目标检测方法，属于图像识别技术领域，解决了现有技术对于无人机视角下的尺寸小、场景复杂且遮挡频繁的目标，容易出现漏检和误检，从而影响检测精度和目标跟踪的稳定性的问题。在YOLO‑Light的骨干，交通图像经过特征提取后，经过改进快速空间池化层再次进行特征提取，输出交通特征图；调整YOLO‑Light的骨干的最后三层通道数；在YOLO‑Light的颈部，交通特征图经过多联级的上采样、连接层和特征分解，再进行多尺度特征融合，输出多尺度的交通特征图；在YOLO‑Light的头部，多尺度的交通特征图依次输入空间注意力机制和检测头对交通目标进行检测。
-
公开(公告)号：CN118918148B
公开(公告)日：2025-03-18
申请号：CN202411411710.3
申请日：2024-10-11
Applicant: 无锡学院
Abstract: 一种面向无人机视角的交通跟踪检测系统。属于目标跟踪技术领域，具体涉及面向智能交通和无人机视角下的轻量级目标检测和跟踪技术领域。系统包括目标检测模块、目标运动轨迹匹配模块和目标运动轨迹输出模块；目标检测模块：对视频帧图片进行处理，得出跟踪目标对应的检测框和每个检测框对应的置信度得分；目标运动轨迹匹配模块：根据置信度得分对检测框进行划分，划分后将检测框与预测轨迹进行匹配；目标运动轨迹输出模块：当目标运动轨迹匹配模块中将同一帧检测框连续3次与预测轨迹匹配成功后，将所述预测轨迹作为确认态轨迹输出。其解决了以往无人机对于目标的追迹中由于存在小尺寸目标、复杂背景以及遮挡情况而导致的追踪精度低的问题。
-
公开(公告)号：CN119006805B
公开(公告)日：2025-01-28
申请号：CN202411496242.4
申请日：2024-10-25
Applicant: 无锡学院
Abstract: 一种用于城市环境中的目标检测方法，属于目标检测技术领域，具体涉及城市环境中的目标检测技术领域。其解决了单阶段检测器将分类和检测回归合并为一个阶段比较困难，从而导致在城市中进行目标检测时结果不精确的问题。本发明所述方法对YOLOv7模型进行改进，降低模型复杂度，实现模型的轻量化。当通过改进YOLOv7模型获得目标坐标、目标类别和置信度后，将这些数据处理，重新计算其置信度，得到真实置信度，将所有信息整理成用于构建异构图神经网络（SeHGNN网络）的训练数据集。最后，将异构图神经网络得到的推理置信度用来替换改进YOLOv7模型得到的置信度，从而提高目标检测精度。
-
公开(公告)号：CN119048746A
公开(公告)日：2024-11-29
申请号：CN202411545331.3
申请日：2024-11-01
Applicant: 无锡学院
IPC: G06V10/25 , G06N3/0464 , G06N3/082 , G06V10/82 , G06V20/68
Abstract: 基于YOLOv8y对图像目标检测方法及其系统，属于图像检测技术领域，解决了现有的苹果采摘机械人在复杂天气果园环境下无法对苹果果实进行精准的检测的问题。确定YOLOv8y的比例因子；在YOLOv8y骨干网络中，图像依次经过V7 Downsampling以及多个联级的V7 Downsampling和C2f进行特征提取，分别输出多个尺度的特征图像；YOLOv8y颈部‑双向特征金字塔结构网络中的双向流动结构进行融合多个尺度的特征图像，输出融合后的多个尺度的特征图像；YOLOv8y头部网络中的PIoUv2损失函数基于融合后的多个尺度的特征图像实现对目标的检测；对YOLOv8y依次进行剪枝、调整的操作。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.019 seconds)
