公开(公告)号：CN117237765A

公开(公告)日：2023-12-15

申请号：CN202311270683.8

申请日：2023-09-28

Applicant: 电子科技大学

Inventor： 吴庆波 ,  王浩杰 ,  李宏亮 ,  孟凡满 ,  许林峰 ,  潘力立

IPC: G06V10/776 ,  G06V10/74 ,  G06V10/764 ,  G06V10/82

Abstract: 该发明公开了一种基于类激活区域偏移度量的连续学习性能评估方法，属于深度神经网络模型的类增量连续学习领域。本发明在进行图像处理任务时，深度神经网络模型需要对图像中待处理的物体进行提取和重点关注，以完成后续的下游任务；在连续学习场景下，模型在后续任务的学习中灾难性遗忘可能会导致其对之前任务中的目标失去提取和关注能力。本方案提出了使用Grad‑cam类别激活映射谱在不同任务阶段的变化情况来衡量连续学习算法遏制灾难性遗忘的有效性，主要给出了量化的关注区域稳定度评价指标，并结合分类准确度形成了偏离度和相关度指标，最后综合DV和RL作为DR评价指标来衡量连续学习算法的整体表现。

公开(公告)号：CN116881434A

公开(公告)日：2023-10-13

申请号：CN202310852769.5

申请日：2023-07-12

Applicant: 电子科技大学

Inventor： 凌世谋 ,  潘力立 ,  李宏亮

IPC: G06F16/335 ,  G06F16/36 ,  G06F40/211 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/082 ,  G06F16/35 ,  G06F40/30 ,  G06N5/022

Abstract: 本发明公开了一种基于混合剪枝与注意力图卷积网络的实体关系抽取方法，为了学习到输入句子对应依存句法树中表现实体关系的丰富语义信息，设计了一种结合“硬剪枝”与“软剪枝”的依存句法树混合剪枝策略来学习实体依存关系对应的邻接矩阵。接着，基于稠密连接网络，同时结合RGCN网络的思想，对该网络中的每个隐藏层进行建模，进而指导生成输入句子与其中关键文本实体的神经隐式表示。最后，将前馈神经网络应用于句子和实体拼接后形成的嵌入表示，执行文本实体关系分类任务。在PubMed数据集的实验结果表明，所提出的HP‑GCN模型能够提升对文本中的实体关系抽取的质量，实现了先进的性能。

公开(公告)号：CN116342484A

公开(公告)日：2023-06-27

申请号：CN202310116109.0

申请日：2023-02-15

Applicant: 电子科技大学

Inventor： 刘帅成 ,  李鑫鹏 ,  吴庆波 ,  李宏亮 ,  曾兵

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/42 ,  G06V10/44

Abstract: 本发明公开了一种适用于多样参考的图像质量评估系统及方法，计算机存储介质，上述方法包括以下步骤：对待评估图像和参考图像进行随机采样，得到对应图像块；将图像块输入至第一预设神经网络，输出得到多尺寸图像特征；逐一选择多尺寸图像特征中一个尺寸的特征输入至第二预设神经网络，输出得到整体局部特征和整体全局特征；获取局部差异性矩阵和全局差异性矩阵；通过多层感知机获取评估分数。本发明充分利用了傅里叶卷积在频域提取全局特征的优势，可以获取更大的感受野，但是又不像其他获取全局感受野的方法如transformer等需要巨大的参数和时间开销。本发明可以利用在很多图像相关的下游任务上如超分，HDR等，创造了巨大的价值。

公开(公告)号：CN116250846A

公开(公告)日：2023-06-13

申请号：CN202310249522.4

申请日：2023-03-15

Applicant: 电子科技大学

Inventor： 万金鹏 ,  李宏亮 ,  崔建华 ,  王世森 ,  何乃宇 ,  周毓轩 ,  孟凡满 ,  吴庆波 ,  许林峰 ,  潘力立

IPC: A61B5/369 ,  G06F18/2415 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08 ,  G06F3/01 ,  A61B5/372 ,  A61B5/00

Abstract: 本发明提供一种基于数据转换的多分支运动想象脑电信号特征融合分类方法，旨在扩充网络结构宽度即网络分支的基础上，将脑电波数据转换为不同的输入格式，使用多个分支网络进行处理，使用格拉姆角场作为新的转换后的数据格式输入网络，和深度分离卷积及时频图相比提供了更加丰富的特征，有利于提高特征提取的完整性，使得不同网络分支之间具有的显著特征不同，提取的特征相互互补。转换为不同的数据格式有利于训练网络学习不同类型的特征。同时使用了分类任务中大任务和小任务以及其他任务的约束，即使用网络不同的任务目标实现多种约束，有利于网络提取到通适性更高、更全面的特征，取得了更佳的运动想象脑电信号分类效果。

公开(公告)号：CN114694177B

公开(公告)日：2023-04-28

申请号：CN202210229488.X

申请日：2022-03-10

Applicant: 电子科技大学

Inventor： 李宏亮 ,  任子奕 ,  黄俊强 ,  董建伟 ,  盛一航

IPC: G06V40/10 ,  G06V10/80 ,  G06V10/82 ,  G06N3/084

Abstract: 本发明提供一种基于多尺度特征和属性关联挖掘的细粒度属性识别方法，自下而上提取输入图片的多尺度特征；对多尺度特征以特征金字塔形式自上而下进行特征融合得到融合不同尺度特征的四支路输出；对四支路输出分别进行属性关联性挖掘得到包含属性关联关系的特征输出；对四支路输出分别进行属性预测得到各支路属性预测值得到每个属性最终的预测输出。本发明针对人物属性分处不同的特征层次，采用多尺度特征融合的方式，提取融合多层特征信息，增强特征表征能力。人物属性间往往具有语义依赖性和空间关联性。本发明通过对属性间关联关系的挖掘，进一步提高识别算法性能，有效提升整体预测准确度。

公开(公告)号：CN110647820B

公开(公告)日：2023-04-07

申请号：CN201910802224.7

申请日：2019-08-28

Applicant: 电子科技大学

Inventor： 李宏亮 ,  罗鹏飞 ,  陶聚 ,  王强 ,  杨健榜 ,  王晓朋

IPC: G06V40/16 ,  G06V10/82 ,  G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06N3/08

Abstract: 本发明所要解决的技术问题是提出一种基于特征空间超分辨映射的低分辨率人脸识别方法，设计了一个残差block作为映射模块基础架构，级联在人脸识别神经网络中特征提取部分之后。因为映射模块是一个轻量级神经网络，并且输入特征谱分辨率尺寸远低于原图尺寸，因此本方法的计算量远远低于图像空间超分辨率的方法，同时因为是在识别特征上映射，可以更有针对性地得到高判别性地高分辨人脸特征。本发明对低分辨率人脸识别有显著提升且计算代价很小，可以有效解决安防场景中无法识别低分辨率人脸的问题，是更适合实际产品部署的方法。

公开(公告)号：CN115713538A

公开(公告)日：2023-02-24

申请号：CN202211445260.0

申请日：2022-11-18

Applicant: 电子科技大学

Inventor： 吴庆波 ,  施兆丰 ,  李宏亮 ,  孟凡满 ,  许林峰 ,  潘力立

IPC: G06T7/11 ,  G06T3/40 ,  G06T5/50

Abstract: 本发明公开了一种基于跨模态对偶图对齐的参考图像分割方法，属于多模态图像分割领域。本发明创新性的提出了“部分‑统一‑整体”的范式，即将提取得到的视觉与文本特征先映射至一个统一的潜在表征结构，再进行跨模态融合。这有利于模型提取的显式对齐信息，可以有效增强最终的分割效果。

公开(公告)号：CN115578246A

公开(公告)日：2023-01-06

申请号：CN202211335202.2

申请日：2022-10-28

Applicant: 电子科技大学

Inventor： 何明洲 ,  吴庆波 ,  李宏亮 ,  孟凡满 ,  许林峰 ,  潘力立

IPC: G06T3/00 ,  G06V10/44 ,  G06V10/82 ,  G06N3/08 ,  G06N3/04

Abstract: 该发明公开了一种基于风格迁移的非对齐可见光和红外模态融合目标检测方法，属于多模态目标检测领域。本发明充分考虑可见光和红外图像不对齐的问题，采用一个可学习的仿射变换网络，对红外模态作仿射变换，实现模态间特征对齐，有效的提升模态融合的效果。本发明中采用一个可学习的仿射变换模块LATM(learning affine transform moduel)来进行特征对齐，采用一个风格迁移融合模块来进行模态间特征融合，本发明可以有效地应对非对齐的可见光和红外图像融合目标检测任务。

公开(公告)号：CN115563580A

公开(公告)日：2023-01-03

申请号：CN202211249523.0

申请日：2022-10-12

Applicant: 电子科技大学

Inventor： 邱荷茜 ,  李宏亮 ,  孟凡满 ,  吴庆波 ,  许林峰 ,  潘力立 ,  张伟 ,  罗旺 ,  曾兵

IPC: G06F18/25 ,  G06F18/2413 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08 ,  G06V10/82 ,  G06V10/70

Abstract: 本发明提供一种基于跨模态记忆对比指称表达理解的多模态目标检测方法，其采用具有较强表达力的Transformer网络去融合视觉与语言特征，利用多模态特征编码来捕获长范围的句子以及图像中目标信息。同时，建立整个数据集中目标关系记忆存储机制，通过建模多模态记忆增强与更新过程，利用整个数据集中图像间目标相关的记忆特征去增强当前数据集的多模态特征，从而实现本发明提出的跨模态记忆对比的Transformer指称表达理解。基于跨模态记忆对比的Transformer指称表达理解所提取的特征在拉大与其他干扰特征的距离的同时，有效地拉近了当前图像与句子的目标特征与整个数据集的同类别目标特征之间的距离，提升特征的判别性与鲁棒性，进而提高指示表达理解的目标检测精度。

公开(公告)号：CN115497163A

公开(公告)日：2022-12-20

申请号：CN202211154199.4

申请日：2022-09-21

Applicant: 电子科技大学

Inventor： 许林峰 ,  许自勇 ,  李宏亮 ,  孟凡满 ,  吴庆波 ,  潘力立

IPC: G06V40/20 ,  G06V10/80 ,  G06V10/42 ,  G06V10/44 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公开了一种基于图像的教学场景行为识别网络处理方法及装置，属于图像识别技术领域。本发明用于教学场景下的行为识别，通过对图像提取全局和局部信息，以及两种信息的融合，得到信息量大的融合特征；最后据此特征对图像中的行为做识别。本发明的基于图像的教学场景行为识别方式可以弥补基于视频流的行为识别方法的算力需要大的问题，并且此方法需要的训练数据量也更小。全局和局部的特征解耦分别提取可以获得比单路特征提取更加丰富的图像信息；通过对不同层的特征融合和特征级联，可以从大量提取出的初始信息中筛选获得更多的有效信息；位置恢复模块可以增强模型对图像的位置信息的感知能力。