-
公开(公告)号：CN115115907B
公开(公告)日：2024-03-29
申请号：CN202210751972.9
申请日：2022-06-29
Applicant: 桂林电子科技大学
IPC: G06V10/774 , G06V10/82 , G06N3/096 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于CQD蒸馏的低照度目标检测方法，包括以下步骤：1）获取低照度图像数据集ExDark，并进行处理和划分得到训练集ExDark‑Train和测试集ExDark‑Test；2）将ExDark‑Train数据输入到CQD‑Net中进行蒸馏学习；3）采用CQD蒸馏方法，利用训练好的教师网络对学生网络进行低照度知识蒸馏优化学生网络；4）目标检测。这种方法能够将低光照环境下的教师网络的知识蒸馏到学生网络中，压缩了学生网络大小的同时，使得学生网络也能具备有效的低照度图像目标检测能力，提升了其在低照度环境下的目标检测准确度。本发明能够有效选取待蒸馏区域，提升蒸馏效率，且在不改变学生网络结构，不增加计算消耗的前提下提升最终的轻量化目标检测网络的检测精度。
-
公开(公告)号：CN114821318B
公开(公告)日：2024-03-19
申请号：CN202210443769.5
申请日：2022-04-26
Applicant: 桂林电子科技大学
IPC: G06V20/10 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开一种基于Darkdet‑Net的低照度小样本目标检测方法，所述方法包括如下步骤：1）得到base类与novel类并构建base类与novel类的平衡训练集；2）训练Exindark模块对输入的低照度图像进行特征提取；3）构造MLFA模块对特征图进行多尺度特征的融合与增强；4）构造基于多头SR Attention的Det Head模块对输入的特征图进行检测框预测与分类；5）在base类数据集进行目标检测训练并测试检测效果；6）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。这种方法能够不受低光照环境下拍摄的影响，对于产生的低照度图像仍然可以进行很好地识别来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：CN117197469A
公开(公告)日：2023-12-08
申请号：CN202311249587.5
申请日：2023-09-26
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/44 , G06N3/0464 , G06N3/048 , G06V10/774
Abstract: 本发明公开一种基于语义边缘聚焦与引导的双分支图像语义分割方法，首先构建图像语义分割模型；然后将训练图像送入到步骤1所构建的图像分割模型中进行训练，得到训练好的图像分割模型；最后将待分割图像送入到步骤2所得到的训练好的图像分割模型中进行预测，完成待分割图像的图像分割。本发明利用语义边缘信息地聚焦与引导，使得模型在常见数据集中对小目标物体的分割准确性有了显著地提升，在区域边缘处的分割精确度有了明显地提高。此外，利用并行聚合金字塔混合池化模块提供了条状感受野，使得模型对长条状物体的分割效果也显著优于现有方法。
-
公开(公告)号：CN109712160B
公开(公告)日：2023-05-23
申请号：CN201811596721.8
申请日：2018-12-26
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于广义熵结合改进的狮群算法实现图像阈值分割方法，包括如下步骤：（一）初始化数据，计算狮群中各个群体的数量，历史最优为个体位置，群体最优为狮王位置；（二）更新狮王、母狮的位置；（三）对迭代次数进行判断，进一步确定对幼狮群体执行的操作，对狮群内部不同群体的步长采用更新策略；（四）计算个体的广义熵数值，进一步判断是否达到数值精度要求或是达到迭代次数，若满足则退出程序完成图像分割，反之则返回步骤（二）更新狮王位置继续执行。本发明适应多目标多角度，复杂环境背景下的图像分割，减少预处理步骤，提高效率并且相较于现有技术，对于高维、非线性和多峰值的复杂函数最优值求解容易陷入早熟的问题具有更好的优化效果。
-
公开(公告)号：CN115908812A
公开(公告)日：2023-04-04
申请号：CN202211527335.X
申请日：2022-11-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种注意力引导的可变形自注意力的语义分割方法，使用权重分离的通道注意力模块将不同权重的注意力特征通道进行分离。使用可变形自注意力的Transformer对高权重特征图进行特征提取，通过可变形自注意力窗口模块将切分的图像块变成适应目标形状的不规则的形状，然后进行填充成正方形图像块后送入Transformer，可以使自注意力更加聚焦于特征图中更关键的区域并获取更多的特征信息。使用双权重的双注意力模块对低权重特征图进行特征提取，通过获取特征图不同尺度的空间和通道注意力并进行聚合，可以使空间和通道注意力更好地得到特征图的空间和通道信息。本发明能够让语义分割的内存和计算成本更低，提升分割精度。
-
Patent Agency Ranking
公开(公告)号：CN115761238A
公开(公告)日：2023-03-07
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。
-
公开(公告)号：CN115187780A
公开(公告)日：2022-10-14
申请号：CN202210814012.2
申请日：2022-07-12
Applicant: 桂林电子科技大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于CDCFS‑Net的低照度图像语义分割的方法，包括：1）整合与处理数据集；2）低照度风格迁移；3）训练CDCFS‑Net网络。这种方法能够更好地减少正常照度图像和低照度图像之间的风格差异，并且能够缩小正常照度的和低照度之间的相同内容的特征差异，实现正常照度域和低照度域的特征迁移，提高低照度的图像语义分割精度。
-
公开(公告)号：CN114972116A
公开(公告)日：2022-08-30
申请号：CN202210752232.7
申请日：2022-06-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于NASPE‑net的低照度图像增强方法，包括如下步骤：1）对数据集依照光照程度划分为低照度图像和正常照度图像；2）将低照度图像输入到NASPE‑net中提取参数映射图；3）生成RGB通道的注意力权重图；4）得到近似正常光照图像的增强图片；5）采用GAN方法进行对抗损失；6）设计损失函数反向训练NASPE‑net网络。这种方法不仅不需要成对的低/正常亮度图像数据集，而且参数量比较小，可以很好的对低照度图像进行增强。
-
公开(公告)号：CN114821318A
公开(公告)日：2022-07-29
申请号：CN202210443769.5
申请日：2022-04-26
Applicant: 桂林电子科技大学
IPC: G06V20/10 , G06V10/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于Darkdet‑Net的低照度小样本目标检测方法，所述方法包括如下步骤：1）得到base类与novel类并构建base类与novel类的平衡训练集；2）训练Exindark模块对输入的低照度图像进行特征提取；3）构造MLFA模块对特征图进行多尺度特征的融合与增强；4）构造基于多头SR Attention的Det Head模块对输入的特征图进行检测框预测与分类；5）在base类数据集进行目标检测训练并测试检测效果；6）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。这种方法能够不受低光照环境下拍摄的影响，对于产生的低照度图像仍然可以进行很好地识别来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：CN110163815B
公开(公告)日：2022-06-24
申请号：CN201910321753.5
申请日：2019-04-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多阶段变分自编码器的低照度还原方法，一方面增强低照度图像去噪能力、提高低照度图像细节还原效果，另一方面简化了网络结构并加快了网络训练速度，具体步骤如下：（一）采集数据源，制作数据集：（二）进行MUVAE网络第一阶段训练：（三）进行MUVAE网络第二阶段训练：（四）进行Fine tuning操作：（五）进行低照度图像还原。本发明在低光环境下拍摄的图像不受到低动态范围和噪声的影响并仍得到接近于正常照度下的图。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.064 seconds)
