-
公开(公告)号：CN111160316A
公开(公告)日：2020-05-15
申请号：CN202010009951.0
申请日：2020-01-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于轻量级神经网络的车牌识别方法，包括数据集的准备、轻量级神经网络模型的构建及车牌的识别，所述轻量级神经网络模型的构建包括下述步骤：1）形成第一特征矩阵x1；2）形成第二特征矩阵x2；3）形成第三特征矩阵x3；4）形成第四特征矩阵x4；5）将第一特征矩阵x1，第二特征矩阵x2，第三特征矩阵x3，第四特征矩阵x4的通道进行融合，而后通过卷积核大小为1×1、步长为1的卷积层得到特征向量；6）基于CTC损失函数完成轻量级神经网络网络模型训练；采用CTC损失函数进行轻量级神经网络模型训练，实现无需分割的端到端训练，有效解决输入和输出不对齐的情况。
-
Patent Agency Ranking
公开(公告)号：CN110457984A
公开(公告)日：2019-11-15
申请号：CN201910425208.0
申请日：2019-05-21
Applicant: 电子科技大学
Abstract: 本发明公开了监控场景下基于ResNet-50的行人属性识别方法，包括以下步骤：1）选用公开数据集和监控视频，构建行人数据集；2）选用ResNet-50卷积神经网络模型作为实验模型；3）对loss损失函数进行改进，并提出N+1类预测方法进行N/A标签的预测；4）把训练集输入改进loss损失函数后的ResNet-50卷积神经网络，得出行人属性识别模型；5）将测试集输入到行人属性识别模型中进行识别，对行人属性识别模型的实验结果进行评估；采用ResNet-50网络结构，可以分析更深层次的行人属性，更好的挖掘属性之间的关系，在挖掘属性之间的关系时，提出了统一的多属性联合学习框架来同时识别多属性。
-
公开(公告)号：CN111209858B
公开(公告)日：2023-06-20
申请号：CN202010009981.1
申请日：2020-01-06
Applicant: 电子科技大学
Abstract: 本发明涉及计算机视觉领域和深度学习领域，具体而言，涉及一种基于深度卷积神经网络的实时车牌检测方法，该方法包括：获取路面监控图像，选出多张符合要求的目标图像，对目标图像中的车牌的位置进行标记并按预设比例划分为训练集、测试集及验证集，对标记后的车牌进行数据增强，将数据增强处理后的训练集放入深度卷积神经网络中进行训练，结合Adam优化整个改进的SSD模型的损失函数，向训练后的深度卷积神经网络结构中输入一张车牌图像并进行网络计算，输出n*1*4和n*1*2的矩阵并进行非极大值抑制，得到最终的预测结果。如此，不仅能更好的兼具时间和性能两个优势，有效地提高了车牌检测的鲁棒性和网络的泛化能力。
-
公开(公告)号：CN111160316B
公开(公告)日：2022-07-08
申请号：CN202010009951.0
申请日：2020-01-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于轻量级神经网络的车牌识别方法，包括数据集的准备、轻量级神经网络模型的构建及车牌的识别，所述轻量级神经网络模型的构建包括下述步骤：1）形成第一特征矩阵x1；2）形成第二特征矩阵x2；3）形成第三特征矩阵x3；4）形成第四特征矩阵x4；5）将第一特征矩阵x1，第二特征矩阵x2，第三特征矩阵x3，第四特征矩阵x4的通道进行融合，而后通过卷积核大小为1×1、步长为1的卷积层得到特征向量；6）基于CTC损失函数完成轻量级神经网络网络模型训练；采用CTC损失函数进行轻量级神经网络模型训练，实现无需分割的端到端训练，有效解决输入和输出不对齐的情况。
-
公开(公告)号：CN111209858A
公开(公告)日：2020-05-29
申请号：CN202010009981.1
申请日：2020-01-06
Applicant: 电子科技大学
Abstract: 本发明涉及计算机视觉领域和深度学习领域，具体而言，涉及一种基于深度卷积神经网络的实时车牌检测方法，该方法包括：获取路面监控图像，选出多张符合要求的目标图像，对目标图像中的车牌的位置进行标记并按预设比例划分为训练集、测试集及验证集，对标记后的车牌进行数据增强，将数据增强处理后的训练集放入深度卷积神经网络中进行训练，结合Adam优化整个改进的SSD模型的损失函数，向训练后的深度卷积神经网络结构中输入一张车牌图像并进行网络计算，输出n*1*4和n*1*2的矩阵并进行非极大值抑制，得到最终的预测结果。如此，不仅能更好的兼具时间和性能两个优势，有效地提高了车牌检测的鲁棒性和网络的泛化能力。
-
公开(公告)号：CN109815953A
公开(公告)日：2019-05-28
申请号：CN201910089440.1
申请日：2019-01-30
Applicant: 电子科技大学
Abstract: 一种基于车辆年检标的车辆识别匹配系统，所述系统包括数据模块、YOLO网络模块、粗定位模块、PCA降维处理模块、SIFT进一步特征提取模块、输出模块及数据库；所述数据模块输出端与YOLO网络模块输入端连接，YOLO网络与粗定位模块输入端连接，粗定位模块输出端与数据库输入端和PCA输入端连接，数据库输出端与PCA降维处理模块输入端连接，PCA降维处理模块输出端与数据库输入端、SIFT进一步特征提取模块输入端连接，SIFT进一步特征提取模块输出端与数据库输入端、输出模块输入端连接。通过YOLO网络粗定位模块实现对车检标位置的确定，PCA降维处理模块实现对车检标图片的降维处理及初次匹配，SIFT进一步特征提取模块进一步对比特征，提升车检标与车辆匹配的准确性。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
