公开(公告)号：CN114549906A

公开(公告)日：2022-05-27

申请号：CN202210185010.1

申请日：2022-02-28

Applicant: 长沙理工大学

Inventor： 邓泽林 ,  胡钰聪

IPC: G06V10/764 ,  G06K9/62 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种改进型Top‑k损失函数分步训练的图像分类算法，包括有图像数据预处理模块；深度学习特征提取模块和系统预测输出模块，其特征在于图像数据预处理模块对输入的图像数据进行预处理；深度学习特征提取模块，包括使用深度学习使用一种改进型Top‑k损失函数分步训练的改进，所述分类器模块是深度学习网络模块；系统输出模块对分类器的输出进行处理后输出判定结果。所述图像分类系统通过使用一种改进型Top‑k损失函数分步训练的图像分类算法，突破了深度神经网络在不修改网络结构的条件下准确率限制，通过一种改进算法有效提高准确率。

公开(公告)号：CN113962329A

公开(公告)日：2022-01-21

申请号：CN202111351249.3

申请日：2021-11-15

Applicant: 长沙理工大学

Inventor： 邓泽林 ,  胡钰聪

IPC: G06K9/62 ,  G06V10/764 ,  G06V10/774 ,  G06V10/46 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种新的基于深度集成学习的图像识别算法，包括有图像数据预处理模块、深度算法模块、深度学习算法集成模块和预测输出模块，其特征在于图像数据预处理模块对输入的图像转换成模型输入矩阵并扩充数据；深度算法模块，包括在多个深度模型中进行择优选择，选择后的模型作为我们用于集成学习的基学习器，将基学习器进行独立训练，有助于增加分类器之间的多样性并加强独立性；深度学习算法集成模块将多个模型进行策略集成，结合多模型的多输出结果，最大化模型的输出；系统预测模块对集成模块输出判定结果。所述基于集成学习的图像识别网络通过充分利用基学习器的输出结果来缓解类歧义问题，有效提高模型容错能力，获得了更高的识别准确率。

公开(公告)号：CN112001445A

公开(公告)日：2020-11-27

申请号：CN202010864782.9

申请日：2020-08-25

Applicant: 长沙理工大学

Inventor： 邓泽林 ,  秦平越

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开一种基于显著性分支特征融合的细粒度图像分类方法及系统，该方法首先采用M种不同的显著性检测方式分别对细粒度图像进行显著性检测，获得多张具有不同显著性的显著性图；再通过构建多分支细粒度图像分类模型，实现同时对细粒度图像以及多张显著性图像进行特征提取，显著提高了方法的效率；然后利用多张显著性特征图分别对细粒度特征图进行特征调制，以使获得的调制特征图能对更多有差异的区域给予更高的注意力，以有效克服现有技术中仅专注于某一图像特征而导致对细粒度图像分类效果不佳的问题；最后对多张调制特征图进行融合并根据融合特征图进行图像分类，融合以获得更加全面的图像特征可有效提高分类的精度。

公开(公告)号：CN110113607A

公开(公告)日：2019-08-09

申请号：CN201910336663.3

申请日：2019-04-25

Applicant: 长沙理工大学

Inventor： 宋云 ,  章登勇 ,  邓泽林 ,  余飞 ,  梁惠 ,  兰林涛

IPC: H04N19/132 ,  H04N19/177 ,  H04N19/19 ,  H04N19/42 ,  H04N19/597

Abstract: 本发明涉及一种基于局部与非局部约束的压缩感知视频重建方法，在压缩感知重建视频模型中引入局部与非局部约束，利用基于图像帧最小全变差(Total Variation,TV)约束和基于序列时空相似块矩阵的低秩约束，引导优化模型的解趋向三维视频序列的固有特征。优化问题求解过程中首先采用传统方法进行对视频中每帧图像压缩感知图像进行重建，得到的图像帧的一个初始估计，然后引入辅助变量并将问题分解为一个TV优化子问题和一个低秩优化子问题，交替求解，并在内循环中进一步地将TV子问题和低秩优化子问题分解为可微的和求解的部分分别求解。由于发明的方法充分考虑了图像帧的时空局部与非局部特征，因而提高了图像的重建质量。