-
公开(公告)号：CN111461127B
公开(公告)日：2023-06-06
申请号：CN202010239127.4
申请日：2020-03-30
Applicant: 华南理工大学
IPC: G06V10/26 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 一种基于一阶段目标检测框架的实例分割方法，包括：1）对图像数据集标注进行编码，图像中的目标被定义为密集的点对象；2）构建实例分割网络模型，包括主干网络、主体特征提取模块、用于生成目标检测结果的检测模块和用于生成语义分割结果的分割模块四个部分；3）进行深度学习训练，主要体现为本发明所设计的一种适应实例分割任务的多任务损失函数；4）推断阶段，推断方法结合目标检测结果和语义分割结果，采用非极大值分割筛选方法，得出实例分割结果。本发明方法设计简单合理，不仅能保证原有目标检测框架的检测质量和检测速度，还能同时生成较高精度的分割掩膜，具备良好的鲁棒性。
-
公开(公告)号：CN110008953B
公开(公告)日：2023-04-28
申请号：CN201910249632.4
申请日：2019-03-29
Applicant: 华南理工大学
IPC: G06V10/25 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明属于深度学习和计算机视觉技术领域，涉及基于卷积神经网络多层特征融合的潜在目标区域生成方法，包括：构建基于卷积神经网络的特征提取模块，提取图像多层次特征，特征提取模块有两路输出，其中，第一路输出是特征提取模块中除去第一阶段的其他所有阶段最后一个卷积层的集合，输出多层次特征图；第二路输出是从图像中提取的图像特征；构建基于卷积神经网络的潜在目标区域生成模块，输出潜在目标区域侯选框信息；综合潜在目标区域候选框的位置置信度和分类得分，使用混合的非极大值抑制算法对潜在目标区域候选框进行筛选，得到潜在目标区域。本发明可以充分利用图像中上下层特征图的语义信息，进一步提高潜在目标区域的定位精度和鲁棒性。
-
公开(公告)号：CN114611605A
公开(公告)日：2022-06-10
申请号：CN202210242390.8
申请日：2022-03-11
Applicant: 华南理工大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种关系网络小样本图像分类方法、系统、装置及介质，其中方法包括：划分数据集，在每个训练批次中，将数据集划分为训练集和测试集，训练集的样本标注有样本标签；采用嵌入模块提取数据集中图像的图片特征表示；利用自注意力模块学习任务间的上下文信息，将任务无关的图片特征表示转化为任务相关的图片特征表示；根据任务相关的图片特征表示，以基于原学习的关系网络度量方式训练神经网络，采用训练后的神经网络进行图像分类。本发明通过注意力机制，将任务无关特征向量转化为任务相关的特征向量，具有考虑任务上下文信息、缩小类内距离的优点，更有利于进行后面的度量计算相似度得分，可广泛应用于计算机视觉领域。
-
公开(公告)号：CN108764244B
公开(公告)日：2021-09-21
申请号：CN201810281696.8
申请日：2018-04-02
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于卷积神经网络和条件随机场的潜在目标区域检测方法，步骤如下：1)对场景图片进行颜色空间和几何空间的转换，去均值处理后将多张图片一起作为神经网络的输入；2)构建一个卷积神经网络和条件随机场相融合的结构化网络，在卷积网络最后的卷积层上生成三路输出，其中第一路输出为M个候选框的坐标，第二路输出为各候选框的二值标签，第三路输出为各候选框的相似特征，二、三路的输出形成全连接条件随机场的输入节点，通过全局优化得到各候选框的后验概率；3)根据后验概率进行非极大值抑制得到Top K个最终结果。本发明通过多图像输入和条件随机场的优化，可得到定位精度更高鲁棒性更好的目标区域检测结果。
-
公开(公告)号：CN112990280A
公开(公告)日：2021-06-18
申请号：CN202110223442.2
申请日：2021-03-01
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向图像大数据的类增量分类方法、系统、装置及介质，其中方法包括初始化训练阶段和增量学习阶段；所述初始化训练阶段包括：构建图像的初始数据集；根据所述初始数据集训练初始分类模型；所述增量学习阶段包括：根据所述初始数据集和图像的新数据构建增量学习数据集；根据所述初始分类模型获取增量学习新模型，根据增量学习数据集和蒸馏算法训练所述增量学习新模型，得到能够识别新旧类别的模型；其中，所述蒸馏算法使模型的类间距离扩大及类内距离缩小。本发明通过蒸馏算法更新增量学习模型，使模型的类间距离扩大及类内距离缩小，能够在有限的存储空间和计算资源下，提升模型对新旧数据识别性能，可广泛应用于大数据应用领域。
-
Patent Agency Ranking
公开(公告)号：CN111461127A
公开(公告)日：2020-07-28
申请号：CN202010239127.4
申请日：2020-03-30
Applicant: 华南理工大学
Abstract: 一种基于一阶段目标检测框架的实例分割方法，包括：1）对图像数据集标注进行编码，图像中的目标被定义为密集的点对象；2）构建实例分割网络模型，包括主干网络、主体特征提取模块、用于生成目标检测结果的检测模块和用于生成语义分割结果的分割模块四个部分；3）进行深度学习训练，主要体现为本发明所设计的一种适应实例分割任务的多任务损失函数；4）推断阶段，推断方法结合目标检测结果和语义分割结果，采用非极大值分割筛选方法，得出实例分割结果。本发明方法设计简单合理，不仅能保证原有目标检测框架的检测质量和检测速度，还能同时生成较高精度的分割掩膜，具备良好的鲁棒性。
-
公开(公告)号：CN101162233A
公开(公告)日：2008-04-16
申请号：CN200710031507.3
申请日：2007-11-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种中央空调通风管道多功能空气质量分析机器人，包括履带式行走模块、机器人箱体、前向视觉传感器模块、后向视觉传感器模块、声纳距离传感器、红外距离传感器、空气质量检测模块、灰尘定量采样模块、灰尘测重模块、电源模块、电机驱动板、无线通信模块、中央控制单元和远程遥控单元；该机器人可以实时检测中央空调风管空气中有害气体的含量，可以采集中央空调风管底部和中央空调风管侧壁上的灰尘，并可以实时地测量所采集灰尘的重量；该机器人具有在中央空调风管中自主运动和自主决策的能力，使操作人员不需要掌握高深的机器人领域的专业知识就可以轻松地进行操作，并且减少机器人作业中的人为干预，能更好地保证检测结果的可靠性与公平性。
-
公开(公告)号：CN118196397A
公开(公告)日：2024-06-14
申请号：CN202410584964.9
申请日：2024-05-13
Applicant: 华南理工大学
IPC: G06V10/25 , G06N3/0464 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种图像目标检测方法及系统，属于图像处理技术领域，本发明方法中借助大型视觉模型的知识，为未知类别提供监督。使用SAM为潜在物体生成初步伪标签，并通过交并比和最短边界框边缘长度进行精炼。本发明中提出双重匹配标签分配策略，以区分已知和未知类别的标签。此外，还使用类别意识中和器，以减少模型对已知类别的偏见。在开放世界目标检测基准测试上的评估结果表明，本发明方法在未知类别召回率上比先前的SOTA方法具有显著优势；此外，本发明方法不增加任何额外参数，保持了Faster R‑CNN的推理速度优势，效率较高。
-
公开(公告)号：CN118097289A
公开(公告)日：2024-05-28
申请号：CN202410301193.8
申请日：2024-03-15
Applicant: 华南理工大学 , 人工智能与数字经济广东省实验室(广州)
IPC: G06V10/764 , G06N3/0464 , G06N3/08 , G06V10/25 , G06V10/26 , G06V10/44 , G06V10/82
Abstract: 本发明公开了一种基于视觉大模型增强的开放世界目标检测方法。所述方法利用视觉大模型对输入图像预处理，无监督的方式获取未知对象的原始伪标签，然后利用提出的基于对象重构的韦布尔模型对未知对象进行建模，实现了开放环境下对已知和未知类别的检测，减少了人工标注的成本，提高了开放世界下目标检测精度。
-
公开(公告)号：CN112990280B
公开(公告)日：2023-08-25
申请号：CN202110223442.2
申请日：2021-03-01
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/096
Abstract: 本发明公开了一种面向图像大数据的类增量分类方法、系统、装置及介质，其中方法包括初始化训练阶段和增量学习阶段；所述初始化训练阶段包括：构建图像的初始数据集；根据所述初始数据集训练初始分类模型；所述增量学习阶段包括：根据所述初始数据集和图像的新数据构建增量学习数据集；根据所述初始分类模型获取增量学习新模型，根据增量学习数据集和蒸馏算法训练所述增量学习新模型，得到能够识别新旧类别的模型；其中，所述蒸馏算法使模型的类间距离扩大及类内距离缩小。本发明通过蒸馏算法更新增量学习模型，使模型的类间距离扩大及类内距离缩小，能够在有限的存储空间和计算资源下，提升模型对新旧数据识别性能，可广泛应用于大数据应用领域。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.02 seconds)
