-
公开(公告)号：CN112070049A
公开(公告)日：2020-12-11
申请号：CN202010972176.9
申请日：2020-09-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于BiSeNet的自动驾驶场景下的语义分割方法，包括以下步骤：步骤S1：采集城市街道图像数据，并预处理；步骤S2：对预处理后的图像数据进行标注，得到标注后的图像数据；步骤S3：对标注后的图像数据进行数据增强，并将增强后的图像数据作为训练集；步骤S4：构建BiSeNet神经网络模型，并基于训练集训练模型；步骤S5：对摄像头采集的视频信息进行预处理，根据训练后的BiSeNet神经网络模型对摄像头中的城市街道进行语义分割。本发明能够有效提高自动驾驶的安全性和对道路场景分割的准确性、快速性。
-
公开(公告)号：CN114419316A
公开(公告)日：2022-04-29
申请号：CN202111655311.8
申请日：2021-12-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于空间金字塔池化的实时语义分割方法及系统，该方法包括以下步骤：步骤S1：获取城市街景数据集Cityscapes并进行预处理；步骤S2：对步骤S1得到的数据集进行离线数据增强以增加数据集的多样性；步骤S3：构建基于空间金字塔池化的实时语义分割网络LSPPNet；步骤S4：利用步骤S2得到的数据集对LSPPNet神经网络模型进行训练；步骤S5：将自动驾驶场景中采集到的图像进行预处理，然后输入到LSPPNet神经网络模型，得到图像语义分割结果。该方法及系统有利于提高图像语义分割的准确性和时效性。
-
公开(公告)号：CN114419316B
公开(公告)日：2025-03-18
申请号：CN202111655311.8
申请日：2021-12-30
Applicant: 福州大学
IPC: G06V10/26 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于空间金字塔池化的实时语义分割方法及系统，该方法包括以下步骤：步骤S1：获取城市街景数据集Cityscapes并进行预处理；步骤S2：对步骤S1得到的数据集进行离线数据增强以增加数据集的多样性；步骤S3：构建基于空间金字塔池化的实时语义分割网络LSPPNet；步骤S4：利用步骤S2得到的数据集对LSPPNet神经网络模型进行训练；步骤S5：将自动驾驶场景中采集到的图像进行预处理，然后输入到LSPPNet神经网络模型，得到图像语义分割结果。该方法及系统有利于提高图像语义分割的准确性和时效性。
-
公开(公告)号：CN114266846A
公开(公告)日：2022-04-01
申请号：CN202111604881.4
申请日：2021-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种用于目标检测模型的自学习填充方法，包括以下步骤：步骤S1:获取图像数据集，并进行数据增强扩充数据集；步骤S2:构建可根据网络需要自动调整填充值的特征填充模块；步骤S3:将特征填充模块用于CenterNet骨干网络中，并且使用模糊池化优化下采样层，构建基于自学习填充的目标检测模型；步骤S4:基于扩充后的数据集对基于自学习填充的目标检测模型进行训练，通过随机梯度下降方法，优化自学习填充模块参数，得到训练后的目标检测模型；步骤S5:将测试图像输入训练好的目标检测模型，获取目标检测结果。本发明能够有效地减少边缘小目标的漏检。
-
Patent Agency Ranking
公开(公告)号：CN114266952B
公开(公告)日：2024-06-14
申请号：CN202111600850.1
申请日：2021-12-24
Applicant: 福州大学
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/09
Abstract: 本发明提出基于深监督的实时语义分割方法，包括以下步骤；步骤S1、针对特定的应用场景采集用于深监督的场景图像数据，构建场景图像数据库；步骤S2、对数据库中的场景图像进行像素级别标注，导出PASCAL VOC格式的标注文件，使之符合语义分割任务训练要求；步骤S3、构建基于深监督的实时语义分割网络CFSegNet；步骤S4、利用已标注的数据集对CFSegNet神经网络模型进行训练；步骤S5、对应用场景中采集到的图像数据进行预处理，然后输入到CFSegNet神经网络模型，得到图像语义分割结果；本发明准确率高，时效性好，对设备计算性能要求不高，适合部署到性能受限的终端设备中。
-
公开(公告)号：CN114266846B
公开(公告)日：2024-06-14
申请号：CN202111604881.4
申请日：2021-12-25
Applicant: 福州大学
IPC: G06T11/40 , G06T3/4038 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种用于目标检测模型的自学习填充方法，包括以下步骤：步骤S1:获取图像数据集，并进行数据增强扩充数据集；步骤S2:构建可根据网络需要自动调整填充值的特征填充模块；步骤S3:将特征填充模块用于CenterNet骨干网络中，并且使用模糊池化优化下采样层，构建基于自学习填充的目标检测模型；步骤S4:基于扩充后的数据集对基于自学习填充的目标检测模型进行训练，通过随机梯度下降方法，优化自学习填充模块参数，得到训练后的目标检测模型；步骤S5:将测试图像输入训练好的目标检测模型，获取目标检测结果。本发明能够有效地减少边缘小目标的漏检。
-
公开(公告)号：CN112070049B
公开(公告)日：2022-08-09
申请号：CN202010972176.9
申请日：2020-09-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于BiSeNet的自动驾驶场景下的语义分割方法，包括以下步骤：步骤S1：采集城市街道图像数据，并预处理；步骤S2：对预处理后的图像数据进行标注，得到标注后的图像数据；步骤S3：对标注后的图像数据进行数据增强，并将增强后的图像数据作为训练集；步骤S4：构建BiSeNet神经网络模型，并基于训练集训练模型；步骤S5：对摄像头采集的视频信息进行预处理，根据训练后的BiSeNet神经网络模型对摄像头中的城市街道进行语义分割。本发明能够有效提高自动驾驶的安全性和对道路场景分割的准确性、快速性。
-
公开(公告)号：CN114266952A
公开(公告)日：2022-04-01
申请号：CN202111600850.1
申请日：2021-12-24
Applicant: 福州大学
IPC: G06V20/00 , G06V10/26 , G06V10/774 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出基于深监督的实时语义分割方法，包括以下步骤；步骤S1、针对特定的应用场景采集用于深监督的场景图像数据，构建场景图像数据库；步骤S2、对数据库中的场景图像进行像素级别标注，导出PASCAL VOC格式的标注文件，使之符合语义分割任务训练要求；步骤S3、构建基于深监督的实时语义分割网络CFSegNet；步骤S4、利用已标注的数据集对CFSegNet神经网络模型进行训练；步骤S5、对应用场景中采集到的图像数据进行预处理，然后输入到CFSegNet神经网络模型，得到图像语义分割结果；本发明准确率高，时效性好，对设备计算性能要求不高，适合部署到性能受限的终端设备中。
-
公开(公告)号：CN112132005A
公开(公告)日：2020-12-25
申请号：CN202010992907.6
申请日：2020-09-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于聚类分析与模型压缩的人脸检测方法，首先获取人脸检测数据集，对人脸数据集进行K‑means聚类分析，进行锚框数量、大小与数据集适用程度分析，最终生成最适合该数据集的检测锚框；接着将生成的检测锚框应用于深度学习网络中，训练人脸检测网络；最后对训练好的人脸检测网络，进行层剪枝或者通道剪枝后，对网络进行微调，得到更加轻量级的网络；利用该网络对图像、视频进行检测，得到最终的结果。本发明具有检测准确率高与检测速率快并存的优点，能应用于人脸考勤、门禁系统、交通身份核准等场景。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.035 seconds)
