-
公开(公告)号：CN111882002A
公开(公告)日：2020-11-03
申请号：CN202010782552.8
申请日：2020-08-06
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于MSF-AM的低照度目标检测方法，其特征在于，包括如下步骤：1）依据公开标准数据集，建立来源图像；2）增强和特征提取网络EFENet的训练；3）多尺度检测网络MSDNet的训练；4）对整个端到端的深度神经网络进行构造与训练；5）进行Fine tuning操作与低照度图像目标检测。这种方法能使在低光条件下拍摄的图像能够不受环境因素的影响提取到丰富的高级特征并能更好地检测到图像中的目标。
-
公开(公告)号：CN111695633A
公开(公告)日：2020-09-22
申请号：CN202010534721.6
申请日：2020-06-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于RPF-CAM的低照度目标检测方法，其特征在于，包括如下步骤：1）制作合成数据源，建立来源图像；2）特征提取网络模块的训练；3）通道注意力机制网络模块的训练；4）目标检测网络的训练；5）对整个卷积神经网络进行构造与训练。这种方法使得目标检测的特征图的特征表达能力更好、目标检测的精度高。
-
公开(公告)号：CN109446804A
公开(公告)日：2019-03-08
申请号：CN201811127767.5
申请日：2018-09-27
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多尺度特征连接卷积神经网络的入侵检测方法，使用卷积神经网络的超强特征提取能力提取到入侵数据中的关键特征和关联特征，使得提取到的特征在各种环境下都有较强的鲁棒性，网络结构也有很强的普适性。同时利用卷积自编码器和未标注数据对卷积层组参数进行预训练，使得网络即使在标注数据量较少的情况下也能够获得很好的效果，解决了大量数据标注困难的问题。当训练的卷积神经网络达到要求之后保存网络参数，之后的系统部署过程不需要再次进行训练，给系统的实施和部署带来了便利。当采集到新的网络入侵数据，之前训练的权重可以作为初始值载入网络进行微调训练，该入侵检测网络可以寻求到更优的性能。
-
公开(公告)号：CN108874927A
公开(公告)日：2018-11-23
申请号：CN201810548730.3
申请日：2018-05-31
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于超图和随机森林的入侵检测方法，属网络入侵检测技术领域，包括如下步骤：（1）数据预处理；（2）特征筛选得到新的特征子集；（3）计算各个类别中每个特征的Fisher分值并进行将序排列；（4）将测试样本集输入权重随机森林分类器，得到测试样本的最终的入侵检测结果。本发明基于特征择优的方法，先对数据进行降维处理再进行分类，提高了入侵检测速度和分类器的准确率、降低了检测误报率。
-
公开(公告)号：CN107454084A
公开(公告)日：2017-12-08
申请号：CN201710678826.7
申请日：2017-08-10
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于杂交带的最近邻入侵检测算法，包括如下步骤：步骤1.数据预处理，对收集到的原始数据去掉其中重复的，不完整的数据来降低训练检测模型的时间；步骤2.生成检测对象的感知哈希摘要，将预处理后的数据进行数值化和归一化成为标准数据，将每一条数据的不同属性值相加，生成一段感知哈希摘要；步骤3.生成检测子集合，将感知哈希摘要做向下取整，然后将所有具有相同感知哈希摘要的训练样本构建一个检测集合；步骤4.在相同感知哈希的入侵检测对象构建的集合上构建杂交带；步骤5.对检测对象做投票分类，加快入侵检测速度。采用本发明的技术方案可以提高入侵检测速度，并且随着测试数据的增大，速度的提高的效果会越发显著。
-
Patent Agency Ranking
公开(公告)号：CN107451984A
公开(公告)日：2017-12-08
申请号：CN201710621620.0
申请日：2017-07-27
Applicant: 桂林电子科技大学
IPC: G06T5/50
CPC classification number: G06T5/50 , G06T2207/10048 , G06T2207/10052 , G06T2207/20064
Abstract: 本发明公开了一种基于混合多尺度分析的红外与可见光图像融合算法，包括如下步骤：步骤1：对红外与可见光图像进行NSCT分解，得到低频子带与高频子带；步骤2：对低频子带采用静态小波变换，得到一个低频子带和三个高频子带，分别采用局部能量与绝对值取大相结合和压缩感知理论对低、高频子带进行融合；步骤3：判断待融合图像的清晰度，根据判决准则选取LSCN的增强层数；步骤4：对最高层高频子带采用绝对值取大的融合规则，其余子带采用改进PCNN模型进行融合；步骤5：对融合结果进行NSCT逆变换，得到最终的融合图像。本发明得到的融合图像边缘突出，对比度高，目标突出，算法的平均梯度、空间频率等指标均高于现有技术。
-
公开(公告)号：CN119027755A
公开(公告)日：2024-11-26
申请号：CN202410884498.6
申请日：2024-07-03
Applicant: 桂林电子科技大学
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于APL‑Net三阶段蒸馏的低照度叠加雾环境下的图像目标检测方法，包括以下步骤：1)对数据集进行处理和划分。2)训练教师网络一。3)利用教师网络一对教师网络二进行指导训练，优化教师网络二。4)利用教师网络一和教师网络二联合对学生网络进行指导训练。5)测试学生网络。这种方法通过多级师生网络让学生网络具有低照度叠加雾环境下图像的目标检测能力。本发明模型能够对图像进行自适应增强，并通过多阶段的训练，使模型能够有效提取出清晰图像和模糊图像的有利于检测的共同特征，提高了模型在低照度叠加雾天环境条件下的性能，使其能更准确地识别和定位图像中的目标。
-
公开(公告)号：CN118864805A
公开(公告)日：2024-10-29
申请号：CN202410727151.0
申请日：2024-06-06
Applicant: 桂林电子科技大学
IPC: G06V10/25 , G06V10/44 , G06V10/42 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种基于Fogdet‑Net的雾天小样本目标检测方法，所述方法包括如下步骤：1)利用大气散射模型和公开数据集合成雾天数据集，然后得到base类与novel类的平衡训练集；2)构造DDMSFE模块对输入的雾天图像进行特征增强；3)构造PA‑FSOD模块对雾天图像进行检测框预测与分类，4)在base类数据集进行目标检测训练并测试检测效果；5)基于base类和novel类平衡训练集进行小样本新类物体目标检测Fine‑tuning。这种方法能够不受雾天环境下拍摄的影响，对于产生的雾天图像仍然可以进行很好地识别检测出图像中的目标对象，并且使用Fine‑tuning快速泛化到新的检测类别上。
-
公开(公告)号：CN118823349A
公开(公告)日：2024-10-22
申请号：CN202410931459.7
申请日：2024-07-11
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V20/70 , G06V10/82 , G06V10/20 , G06V10/30 , G06V10/40 , G06V10/80 , G06V10/771 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于NightIDMF‑Net的夜间语义分割方法，包括以下方面：1)通过IFRM影响因素去除模块，将图片从RGB的颜色模型转化到HSI颜色模型，移除I光照和噪声，得到色调H、饱和度S的合成图；2)采用DFM下采样方式替换传统池化卷积的下采样，这样既可以保留更多原图的信息，又能将图像尺度缩小；3)使用MSFM多尺度选择融合模块，利用不同大小的卷积核得到不同感受野的特征图，将得到的特征图以注意力权重选择融合，最终得到不同感受野互补的特征图；4)通过FSM特征选择模块，会将模型中间输出的特征和最后得到预测图进行特征信息互补选择；本发明能增强图像信息，减少卷积下采样的信息丢失，不同信息间互补，让夜间语义分割的精度提升。
-
公开(公告)号：CN115761238B
公开(公告)日：2024-09-17
申请号：CN202211654339.4
申请日：2022-12-19
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多分支深度可分离空洞卷积的实时语义分割方法，其语义分割网络采用多分支全卷积网络能高效进行上下文信息与细节信息的融合，并补全在下采样中损失的信息，其信息提取网络结构先通过卷积模块对信息进行初步提取并下采样；细节分支通过卷积模块不断提取细节信息；上下文分支通过卷积模块提取上下文信息，多级上采样解码模块能够增加感受野进一步提取上下文信息；细节分支与上下文分通过信息融合模块进行高效信息交换；多尺度空洞深度可分离卷积模块为网络提供多种尺度的感受野并保持空间分辨率不变，同时对上下文信息与细节信息进行融合，并补全下采样过程中损失的信息，增强模型分割效果。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.023 seconds)
