-
公开(公告)号：CN112465838B
公开(公告)日：2023-01-31
申请号：CN202011436059.7
申请日：2020-12-10
Applicant: 桂林理工大学
IPC: G06T7/11 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明针对现有技术的应用过程过于复杂且难以复现的技术问题，提出了一种陶瓷晶粒图像分割方法、系统、储存介质及计算机设备，其通过基于编码‑解码模型架构对包括子网络的搜索空间进行限定，将所述搜索空间分为多分支式结构的编码空间以及链式结构的解码空间同时进行神经网络架构搜索，自动为陶瓷晶粒图像分割任务构建出能够融合深浅层特征并对特征图信息进行精细捕获的神经网络模型，其图像分割性能优越，且省去了原来复杂而繁琐的工作量，大幅提高了深度神经网络在陶瓷晶粒图像分割上的应用效率。
-
公开(公告)号：CN113989288A
公开(公告)日：2022-01-28
申请号：CN202111076764.5
申请日：2021-09-14
Applicant: 桂林理工大学
Abstract: 本发明提供一种基于反向通道填充CNN和水平集的色素性皮损图像分割方法，该方法基于反向通道填充CNN和联合后向传播学习算法，基于注意力机制获取目标的大致空间位置，并通过反向通道填充增强目标的空间位置特征，提高了CNN输出目标位置的准确性；进一步，将CNN学习的特征能量输入到水平集分割模型中，驱动水平集演化，建立联合CNN和水平集的后向传播学习算法，进一步提高分割精度。
-
公开(公告)号：CN102103409A
公开(公告)日：2011-06-22
申请号：CN201110024733.5
申请日：2011-01-20
Applicant: 桂林理工大学
IPC: G06F3/01
Abstract: 本发明公开了基于运动轨迹识别的人机交互方法及装置。该方法包括步骤：标识物启用检测、标识物跟踪和轨迹识别，根据用户操作标识物运动所形成的轨迹，识别轨迹的类型并触发相应的计算机控制命令来操控计算机。该装置包括标识物，图像采集模块和图像处理模块，首先通过图像采集模块实时采集用户操作标识物的图像，然后输入到图像处理模块中进行标识物启用检测、跟踪和轨迹识别，最后将轨迹识别种类转化成对应的计算机控制命令。本发明提供了一种简单、便捷的人机交互方式，能实现远距离的操控计算机。
-
公开(公告)号：CN118196527A
公开(公告)日：2024-06-14
申请号：CN202410373871.1
申请日：2024-03-29
Applicant: 桂林理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明提出了基于MFC神经网络架构搜索的植物幼苗图像分类方法，其特征在于，包括：构建植物幼苗图像的数据集；基于所述数据集对预设的基于MFC神经网络架构搜索的模型进行训练，获取植物幼苗分类模型；基于所述植物幼苗分类模型，进行植物幼苗图像分类。本发明能够为植物幼苗图像分类自动设计有效的卷积神经网络模型，与近几年手工设计的分类模型相比，表现了其较好的竞争性以及先进性。
-
公开(公告)号：CN115908901A
公开(公告)日：2023-04-04
申请号：CN202211355872.0
申请日：2022-11-01
Applicant: 桂林理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明提供一种自动化盲检目标动态分类方法，包括以下步骤：S1：获取自动化物料盲检工程数据集；S2：构建神经网络架构，所述神经网络结构根据所述自动化物料盲检工程数据集，输出分类结果，初始化所述神经网络架构主干；S3：训练所述神经网络架构主干时，若网络未达到收敛要求，根据预设的生长策略对所述神经网络架构主干进行分支与深度两个方向的生长，生长一直持续到网络达到收敛要求，得到生长后的神经网络；S4：利用生长后的神经网络对自动化物料盲检工程数据集的图像数据进行分类。本发明实现了网络的动态生长、搜索、剪枝，解决了工程中不断往数据集中加入新类别导致重新训练的问题。
-
Patent Agency Ranking
公开(公告)号：CN115641384A
公开(公告)日：2023-01-24
申请号：CN202211356400.7
申请日：2022-11-01
Applicant: 桂林理工大学
IPC: G06T7/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08 , B25J9/16 , B25J18/00
Abstract: 本发明公开一种基于神经架构搜索标定板检测的自动手眼标定方法，包括：S1：标定相机内参；S2：部署标定板检测模型，标定板检测模型采用神经架构搜索；S3：机械臂移动到初始点，相机俯视标定板；S4：使用标定板检测模型判断标定板位姿是否正确；S5：若标定板位姿正确，则采集图像样本，若不正确，则估计机械臂下一个移动位姿，使得标定板在相机下的视角不同，返回步骤S4；S6：判断是否采集足够的图像样本，若是，则计算手眼矩阵，若不是，返回步骤S4；S7：判断计算的手眼矩阵是否达到预期精度，若是，则完成标定，若不是，返回步骤S4。本发明使用神经网络架构搜索获取标定板检测模型，根据标定板位置判别其在相机视角下的状态，提高了标定效率。
-
公开(公告)号：CN112270206B
公开(公告)日：2022-09-13
申请号：CN202011027247.4
申请日：2020-09-25
Applicant: 桂林理工大学
Abstract: 本发明提出了一种车辆检测计数方法、系统、储存介质及计算机设备，针对车辆状态检测存在漏检和误检率高等问题，通过将定量坐标位置的车辆目标检测转换为定性相对状态的车辆状态检测，同时使用深层次的注意力优化更浅层的权重信息和利用最大化的方式获取显著的特征映射，运用基于车辆状态的计数算法完成了车辆计数，并减少了计数过程中的有效计数区域，在获得整体更好的计数效果的情况下，还减少了约47.36～70.53％的过检测目标。
-
公开(公告)号：CN111833310A
公开(公告)日：2020-10-27
申请号：CN202010555030.4
申请日：2020-06-17
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于神经网络架构搜索的表面缺陷分类方法，包括以下步骤S1：构建堆叠候选cell的网络架构NAS-SDC，所述网络架构NAS-SDC基于神经网络架构搜索构建；S2：通过NEU-CLS缺陷数据集搜索cell，利用搜索到的最佳cell构建缺陷分类CNN；S3：利用S2得到的缺陷分类CNN对表面缺陷进行分类。本发明通过神经网络架构搜索，可自动从更加精简的搜索空间中高效的搜索出最佳的网络单元，基于该最佳网络单元的CNN具有参数量小、检测精度高等优点，成功的应用于表面缺陷分类。
-
公开(公告)号：CN116778248A
公开(公告)日：2023-09-19
申请号：CN202310768604.X
申请日：2023-06-27
Applicant: 桂林理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明涉及神经网络搜索领域，并且更具体地，涉及一种基于神经网络架构搜索的细粒度花卉图像分类方法，首先在改善搜索空间阶段,为了充分提取花卉图像中显著特征,把注意力机制添加到搜索空间中每一个候选卷积操作之前构造新的搜索空间；并为了减少reductioncell在下采样时带来的信息损失同时融合更多尺度的特征,重新为reductioncell设计了输入节点更多和连接更为密集的连接规则，然后在搜索最佳Cell阶段,采用梯度下降的方法搜索最佳的normalcell和reductioncell，最后在堆叠和测试阶段,堆叠搜索到的最佳Cell构建最终的神经网络架构用于花卉图像分类。
-
公开(公告)号：CN112270206A
公开(公告)日：2021-01-26
申请号：CN202011027247.4
申请日：2020-09-25
Applicant: 桂林理工大学
Abstract: 本发明提出了一种车辆检测计数方法、系统、储存介质及计算机设备，针对车辆状态检测存在漏检和误检率高等问题，通过将定量坐标位置的车辆目标检测转换为定性相对状态的车辆状态检测，同时使用深层次的注意力优化更浅层的权重信息和利用最大化的方式获取显著的特征映射，运用基于车辆状态的计数算法完成了车辆计数，并减少了计数过程中的有效计数区域，在获得整体更好的计数效果的情况下，还减少了约47.36～70.53％的过检测目标。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.041 seconds)
