公开(公告)号：CN115147639A

公开(公告)日：2022-10-04

申请号：CN202210558590.4

申请日：2022-05-20

Applicant: 东南大学

Inventor： 李春国 ,  罗顺 ,  刘周勇 ,  李武斌 ,  吴宇凡 ,  杨绿溪

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06T3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于域自适应机制的复杂背景下的目标检测方法，包括：获取公开的通用目标检测数据集和复杂背景目标检测数据集，构建源域训练集、目标域训练集和测试集；构建基于域自适应机制的人工神经网络模型ForegroundNet‑DA模型；在源域训练集和目标域训练集上对ForegroundNet‑DA模型的部分参数进行域自适应阶段的预训练；在目标域训练集上对ForegroundNet‑DA模型进行精调阶段的训练；在所构建的测试集上评估收敛的ForegroundNet‑DA模型的检测性能。本发明与当前所有的复杂背景目标检测算法相比，能在较小规模的数据集支撑下，实现更加精确的检测性能。本发明在测试集上的检测结果对应的平均绝对误差更低，增强对齐指标、结构指标及加权的F指标更高，是一种更加精确的复杂背景下的目标检测算法。

公开(公告)号：CN115018710A

公开(公告)日：2022-09-06

申请号：CN202210741028.5

申请日：2022-06-27

Applicant: 东南大学

Inventor： 李春国 ,  陆敬奔 ,  杨绿溪

IPC: G06T3/40 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于FPFH特征和深度神经网络的点云超分辨率方法，包括：获取公开点云超分辨率数据集，构建训练集、验证集，并做归一化处理；估计低分辨率点云的法向量，使用估计的法向量计算点云的FPFH特征；构建一个基于密集连接1×1卷积核卷积神经网络、k近邻图和特征扩充的深度神经网络；将低分辨率点云的坐标和FPFH特征输入神经网络，联合对应样本的高分辨率点云，以监督学习的方式训练神经网络，输出得到高分辨率点云；在测试集上评估网络模型的超分辨率性能。本发明设计的神经网络可以动态设置网络参数量，算法可以关注更多的表面几何信息，生成的高分辨率点云距离真实点云分布更近，超分辨率效果优于主流方法。

公开(公告)号：CN114882241A

公开(公告)日：2022-08-09

申请号：CN202210558583.4

申请日：2022-05-20

Applicant: 东南大学

Inventor： 李春国 ,  罗顺 ,  刘周勇 ,  李武斌 ,  吴宇凡 ,  杨绿溪

IPC: G06V10/44 ,  G06V10/774 ,  G06K9/62 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于卷积注意力机制的复杂背景下的目标检测方法，可用于对复杂背景下的前景目标进行精确检测。该发明主要包括：获取公开的复杂背景下目标检测数据集，构建训练集、验证集和测试集；构建基于卷积注意力机制的人工神经网络模型ForegroundNet模型；在Pytorch深度学习平台上使用训练集对ForegroundNet网络模型进行监督训练；在所构建的测试集上评估收敛的ForegroundNet模型的检测性能。本发明与当前主要的复杂背景目标检测算法相比，能够对前景目标的边缘区域进行精确检测，从而实现更高的检测性能。本发明在测试集上的检测结果对应的平均绝对误差更低，增强对齐指标、结构指标及加权的F指标更高，是一种更加精确的复杂背景下的目标检测算法。

公开(公告)号：CN112929742B

公开(公告)日：2022-07-26

申请号：CN202110085598.9

申请日：2021-01-22

Applicant: 东南大学

Inventor： 李春国 ,  周童欣 ,  陈康 ,  梁蕴琪

IPC: H04N21/44 ,  H04N21/4402 ,  H04N21/61 ,  H04N21/643 ,  H04N21/6437

Abstract: 本发明公开了一种基于NI毫米波系统的超高速视频流控制方法及系统，包括，发射端产生视频数据流并将其封装为IP数据包，以固定长度推送视频数据流并传输至发射端的网卡模块；发射端的网卡模块对接收到的视频流数据进行缓冲和读取，利用Nlen和len参数在视频数据流中填充随机数；接收端的网卡模块接收从基带处理模块的高速数据流，从子帧结构中解包并重新打包为显示器能够识别格式的数据包并发送至显示器；接收端的显示器接收数据包，经过解包还原成原视频进行播放展示。通过本发明能够提高无线通信系统的吞吐率，实现毫米波频段超高速数据传输，并且与未来5G流媒体应用场景相结合。

公开(公告)号：CN114782706A

公开(公告)日：2022-07-22

申请号：CN202210454742.6

申请日：2022-04-27

Applicant: 东南大学

Inventor： 李春国 ,  刘茵茵 ,  杨绿溪

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

Abstract: 本发明提供了一种基于多流特征融合的摩尔纹识别方法，属于图像识别领域。本发明自制数据集，以U‑Net、VGG和ResNet34作为基础特征提取网络，辅助传统的特征提取，包括HOG、LBP和DCT，通过融合多流特征，将不同特征提取网络获取的特征进行混合，以此增强网络的语义信息表达能力。为了模型有更好的泛化能力，使用随机加噪的数据增强方式。本发明不仅可以提取最具表达力的特征，还能在传统特征提取算法辅助下提高网络的准确率，对于多种摩尔纹图像实现精准检测。

公开(公告)号：CN114663283A

公开(公告)日：2022-06-24

申请号：CN202210313618.8

申请日：2022-03-28

Applicant: 东南大学

Inventor： 李春国 ,  冷天然 ,  刘周勇 ,  张翅 ,  杨绿溪

IPC: G06T3/40 ,  G06N3/08 ,  G06V20/10 ,  G06V10/774

Abstract: 本发明公开了一种基于多层感知机和奇异值分解的高光谱图像重建方法，可用来实现RGB图像到高光谱图像的高分辨率转换。该方法包括：根据高光谱数据，预处理获得RGB域图像和零空间系数真值，构建训练数据集；构建基于深度高分辨率SpectralMixer网络的端到端模型；基于构建的训练集对SpectralMixer网络进行有监督训练，进而得到收敛的优化模型SpectralMixer；在测试集上评估模型SpectralMixer的训练效果。本发明相比于传统模型HSCNN‑Rp在取得更少计算时间的同时，获得了更低的重建平均相对误差(Mean Relative Absolute Error，MRAE)和均方根误差(Root Mean SquareError，RMSE)。

公开(公告)号：CN114372976A

公开(公告)日：2022-04-19

申请号：CN202210049107.X

申请日：2022-01-17

Applicant: 东南大学

Inventor： 杨绿溪 ,  步兆军 ,  张颀 ,  李春国 ,  黄永明

IPC: G06T7/00 ,  G06T7/12 ,  G06V10/25 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的铁路货车轴承甩油故障检测方法，包括以下步骤：获取轴承区域图像，构建训练集；搭建轴承甩油故障检测网络；对所述训练集进行预处理，分批送入所述故障检测网络进行训练，通过调整参数得到最终的故障检测模型；获取待检测图像，处理后输入所述故障检测模型，计算异常分数，得到轴承甩油故障检测结果。本发明准确率高、实时性高的自动化检测方法，其解决了现阶段只能通过动态检车员肉眼识别图像判断故障带来的视觉疲劳造成误检漏检的问题。以深度卷积神经网络为基础，采取了自编码器与生成对抗网络的结构，自编码器与生成对抗网络结合能够较为自然地重建特定分布的图片，这对于故障检测具有更为强大的特征提取能力。

公开(公告)号：CN114079489A

公开(公告)日：2022-02-22

申请号：CN202010811392.5

申请日：2020-08-13

Applicant: 南京林业大学 ,  东南大学

Inventor： 周雯 ,  吴寅 ,  李春国 ,  花敏 ,  刘云飞

IPC: H04B7/0456 ,  H04B7/06

Abstract: 本发明公开了一种MIMO系统鲁棒的数据传输方法，包括以下步骤：步骤1：获取信道的噪声功率、信道估计值、发送端信道信息不确定度；步骤2：初始化迭代指数、迭代步长和预编码矩阵；步骤3：给定当前预编码矩阵，计算最差的信道误差矩阵；步骤4：计算当前的预编码方向矩阵，并且更新预编码矩阵；步骤5：更新迭代指数；步骤6：重复步骤2‑5直至算法收敛，输出预编码矩阵；步骤7：预编码矩阵乘以发送端数据并将结果发送出去。本发明的方法设计了内外两层迭代结构的算法，该方法在较宽的信噪比区域具备优异的系统性能。相比现有的一些数据传输方案，能够达到更大的系统最差传输速率，即在最差传输速率性能方面是最优。

公开(公告)号：CN113242072A

公开(公告)日：2021-08-10

申请号：CN202110503100.6

申请日：2021-05-10

Applicant: 东南大学

Inventor： 杨绿溪 ,  张天怡 ,  徐佩钦 ,  周鑫 ,  李春国 ,  黄永明

IPC: H04B7/06 ,  H04B17/391 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于卷积神经网络的混合波束形成方法，包括以下步骤，仿真产生信道状态信息，求解每条信道状态信息下对应的最佳的模拟波束合成矩阵，数字波束合成矩阵、模拟波束形成矩阵和数字波束形成矩阵，以此生成数据集；搭建模拟波束合成矩阵估计网络模型，初始化模拟波束合成矩阵估计网络的参数；针对模拟波束合成矩阵估计任务对网络进行训练，并保存训练后的模拟波束合成矩阵估计网络模型；将信道矩阵输入模拟波束合成矩阵估计网络中，输出模拟波束合成矩阵，得到数字波束合成矩阵、模拟波束形成矩阵和数字波束形成矩阵。本发明直接利用信道状态信息通过卷积神经网络输出最佳的模拟波束合成矩阵，降低了波束形成的复杂度。

公开(公告)号：CN113128461A

公开(公告)日：2021-07-16

申请号：CN202110492149.6

申请日：2021-05-06

Applicant: 东南大学

Inventor： 杨绿溪 ,  韩志伟 ,  胡欣毅 ,  惠鸿儒 ,  李春国 ,  黄永明

IPC: G06K9/00 ,  G06K9/32 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于人体关键点挖掘全尺度特征的行人重识别性能提升方法，利用人体关键点作为行人的局部特征，缓解遮挡情况下的行人的全局特征判别性不足的问题，将由人体关键点网络得到的关键点热力图结合到行人重识别网络，增加局部特征。同时，对关键点预测可见性，将可见性应用到损失函数与特征距离计算中，缓解不可见的局部特征对网络性能的负面影响。实验结果表明本发明提出的方法有效提升了行人重识别的准确率。