公开(公告)号：CN113591648B

公开(公告)日：2024-06-28

申请号：CN202110829196.5

申请日：2021-07-22

Applicant: 北京工业大学

Inventor： 任坤 ,  陶清扬 ,  黄泷 ,  冯波 ,  韩红桂

IPC: G06V10/25 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/082

Abstract: 本发明涉及一种无锚点实时图像目标检测方法、系统、设备及介质，方法包括：获取训练图像数据集；以特征提取网络CA‑Fused EfficientNet为骨干网络，并结合特征融合模块PAN和无锚点检测器GFL，构建检测模型；通过训练图像数据集对检测模型进行训练，得到训练后的检测模型；将含有待检测目标的图像作为输入，通过训练好的检测模型对图像中的待检测目标进行检测。本发明可以广泛应用于实时图像目标检测中。

公开(公告)号：CN113591648A

公开(公告)日：2021-11-02

申请号：CN202110829196.5

申请日：2021-07-22

Applicant: 北京工业大学

Inventor： 任坤 ,  陶清扬 ,  黄泷 ,  冯波 ,  韩红桂

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

Abstract: 本发明涉及一种无锚点实时图像目标检测方法、系统、设备及介质，方法包括：获取训练图像数据集；以特征提取网络CA‑Fused EfficientNet为骨干网络，并结合特征融合模块PAN和无锚点检测器GFL，构建检测模型；通过训练图像数据集对检测模型进行训练，得到训练后的检测模型；将含有待检测目标的图像作为输入，通过训练好的检测模型对图像中的待检测目标进行检测。本发明可以广泛应用于实时图像目标检测中。

公开(公告)号：CN113052210A

公开(公告)日：2021-06-29

申请号：CN202110263181.7

申请日：2021-03-11

Applicant: 北京工业大学

Inventor： 任坤 ,  陶清扬 ,  冯波

IPC: G06K9/62 ,  G06N3/04 ,  G06T3/40 ,  G06T5/00

Abstract: 一种基于卷积神经网络的快速低光照目标检测方法属于深度学习领域。本发明通过对卷积神经网络的网络结构及特征图进行研究，使用三层金字塔结构的卷积神经网络作为低光照增强网络，将高分辨率的低光照图像转换为低分辨率的光照增强图像，实现了在恢复低光照图像光照亮度和色彩等细节的同时大幅减小计算资源消耗，提高成像速度。结合基于单像素注意力的轻量化超分辨率网络将低分辨率的增强图像上采样至高分辨图像，增强图像的纹理细节，提高检测精度。使用基于多尺度融合的目标检测网络融合了不同尺度图像的特征信息，有效地提高了检测精度。在Zurich RAW to RGB数据集下验证了本发明的有效性。

公开(公告)号：CN109377448B

公开(公告)日：2021-05-07

申请号：CN201810484725.0

申请日：2018-05-20

Applicant: 北京工业大学

Inventor： 任坤 ,  孟丽莎 ,  杨玉清

IPC: G06T5/00

Abstract: 本发明公开一种基于生成对抗网络的人脸图像修复方法，包括：人脸数据集预处理，对收集到的图像进行人脸识别获取特定尺寸的人脸图像；训练阶段，将收集到的人脸图像作为数据集，对生成网络和判别网络进行训练，旨在通过生成网络获取较为逼真的图像，为了解决网络中存在的训练不稳定、模式崩溃问题，将最小二乘损失作为判别网络的损失函数；修复阶段，自动对原始图像添加特定的掩码，模拟真实缺失区域，将带有掩码的人脸图像输入优化好的深度卷积生成对抗网络中，通过上下文损失和两个对抗损失获取相关的随机参数，通过生成网络获取修复信息。本发明不仅能够解决缺损信息严重的人脸图像修复，而且能够生成更为符合视觉认知的人脸修复图像。

公开(公告)号：CN112183203A

公开(公告)日：2021-01-05

申请号：CN202010866848.8

申请日：2020-08-26

Applicant: 北京工业大学

Inventor： 任坤 ,  黄泷 ,  范春奇 ,  陶清扬 ,  冯波

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T3/40

Abstract: 一种基于多尺度像素特征融合的实时交通标志检测方法属于深度学习和目标检测领域。首先获取含交通标志的图像并预处理；其次将预处理后的图像输入到MobileNetv2网络进行特征提取；接着将提取到的多尺度特征图输入到像素特征融合模块进行像素重排，拼接生成兼具语义信息与细节信息的融合特征图；然后对融合特征图进行下采样得到六个尺度特征图并输入到高效通道注意力模块，对特征通道按重要程度分配权重；之后将加权的六尺度特征图输入到SSD检测层来预测边界框的位置和对象的类别；最后进行非极大值抑制，得到最优的交通标志检测结果。本发明在检测交通标志图像时能够兼顾实时性与准确性，并具有很强的鲁棒性。

公开(公告)号：CN109559287A

公开(公告)日：2019-04-02

申请号：CN201811386418.5

申请日：2018-11-20

Applicant: 北京工业大学

Inventor： 任坤 ,  孟丽莎 ,  范春奇 ,  黄泷 ,  王普

IPC: G06T5/00 ,  G06N3/04

Abstract: 本发明公开一种基于DenseNet生成对抗网络的语义图像修复方法。包括：收集图像预处理，构建训练和测试数据集；构建DenseNet生成对抗网络；训练DenseNet生成对抗网络阶段；最后，利用训练好的网络实现缺损图像的修复处理。本发明在生成对抗网络的框架下，引入DenseNet结构并构建新的损失函数以优化网络，不仅减轻了梯度消失，减小网络参数，同时提高特征的传递和利用，改进和提高了大区域语义信息缺失图像修复的相似性和视觉效果。实例表明本发明能够实现缺损信息严重的人脸图像修复，而且与现有的其他方法相比，修复结果更为符合视觉认知。