公开(公告)号：CN118298147A

公开(公告)日：2024-07-05

申请号：CN202410279992.X

申请日：2024-03-12

Applicant: 东南大学

Inventor： 杨绿溪 ,  江志康 ,  张天择 ,  陈家豪 ,  季晟宇 ,  徐琴珍 ,  俞菲

IPC: G06V10/25 ,  G06V10/40 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/048 ,  G06N3/096

Abstract: 本发明公开了一种基于注意力机制和迁移学习的小样本目标检测方法，包括：1、准备图片和标注作为基类数据集；准备每个类别样本量作为小样本数据集；2、构建基于注意力机制的小样本目标检测模型；步骤3、使用基类数据集训练目标检测模型，得到基类模型，并保存基类模型参数；步骤4、在基类模型的基础上，冻结特征提取网络，区域生成网络，兴趣域池化层三个模块的参数；步骤5、使用小样本数据集去训练目标检测模型，将检测头分类类别数量调整为小样本类别数量，通过采用小样本数据集进行训练来对最后一层分类器和回归器参数进行微调针。本发明利用基于迁移学习的训练策略，帮助模型更好的实现基类知识到小样本类的迁移。

公开(公告)号：CN117975218A

公开(公告)日：2024-05-03

申请号：CN202410215175.8

申请日：2024-02-27

Applicant: 东南大学

Inventor： 杨绿溪 ,  陈家豪 ,  江志康 ,  张天择 ,  徐俐 ,  李春国 ,  黄永明

IPC: G06V10/80 ,  G06V10/774 ,  G06V10/776 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明属于目标检测领域，公开了一种基于混合注意力和特征中心化多尺度融合的小目标检测方法，提升小目标检测精度。包括如下步骤：加载准备好的小目标数据集；利用骨干网络提取图片特征；使用混合注意力模块处理低层特征，扩大低层特征感受野，更加关注小目标；使用特征中心化模块处理高层特征，捕捉全局特征依赖关系的同时，关注图像的局部角落区域；将不同层次的特征进行融合；使用检测头对不同层的特征进行目标检测。该基于混合注意力和特征中心化多尺度融合方法能够提高小目标图像检测精度。

公开(公告)号：CN117953325A

公开(公告)日：2024-04-30

申请号：CN202410079449.5

申请日：2024-01-19

Applicant: 东南大学

Inventor： 徐琴珍 ,  张天择 ,  陈家豪 ,  江志康 ,  马翔 ,  杨绿溪

IPC: G06V10/774 ,  G06V10/82 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明提供一种基于局部特征强化及信息融合的故障目标Transformer检测方法，包含主干网络、颈部网络、编码器网络、解码器网络、预测输出网络以及训练损失模块。相比于原方法，该方法利用颈部网络的特征增强模块加强输入编码层数据的特征，提高网络检测准确度；利用编码器网络与解码器网络进行特征值传递，强化候选框初始化效果；利用一对多匈牙利匹配算法与信息融合的损失函数加快模型收敛速度，最终实现端到端目标检测，使用融合类别信息与预测框信息的损失计算模块，保证目标检测训练的同步与稳定性；本方法在公开目标检测数据集及故障数据集下不仅提高了检测准确率，同时降低了训练网络所需的迭代次数。

公开(公告)号：CN117994586A

公开(公告)日：2024-05-07

申请号：CN202410198385.0

申请日：2024-02-22

Applicant: 东南大学

Inventor： 杨绿溪 ,  季晟宇 ,  马翔 ,  江志康 ,  陈家豪 ,  徐琴珍 ,  俞菲

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/082 ,  G06N3/084

Abstract: 本发明公开了一种基于双流多尺度混合阶特征融合的细粒度图像识别方法，包括：1、对输入图像进行预处理；2、利用双流基础网络提取图像特征，计算混合阶特征以及融合底层特征；3、将双流网络两支路的混合阶特征进行融合，利用融合后的特征预测细粒度类别。该方法利用双流网络提取细粒度图像的混合阶特征，此特征融合了原始卷积特征的一阶和二阶统计信息，在关注图像高阶特征信息的同时也并未忽略原始特征中的信息，因此具有很好的表征能力，解决了现有方法特征提取不充分的问题；使用融合底层混合阶特征、融合双流网络两支路混合阶特征的方法，解决了现有方法特征利用不充分的问题；给出了融合底层特征的轻便化可选实施方案，能够提升模型的识别推理速度。本发明在CUB‑200‑2011公开数据集上仅使用弱监督信息达到了较高的识别准确率，且能满足实时性检测任务的要求。

公开(公告)号：CN117934425A

公开(公告)日：2024-04-26

申请号：CN202410112546.X

申请日：2024-01-26

Applicant: 东南大学

Inventor： 徐琴珍 ,  徐俐 ,  马翔 ,  陈家豪 ,  杨绿溪

IPC: G06T7/00 ,  G06V10/54 ,  G06V10/764 ,  G06V10/82 ,  G06V10/30 ,  G06V10/52 ,  G06V10/77 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0895 ,  G06N3/096 ,  G06N3/084

Abstract: 本发明公开了一种基于自监督学习与知识蒸馏的图像异常检测方法，包括生成伪异常、教师编码器、学生解码器网络、异常区域分割等步骤。与现有方法不同的是，本发明针对现有方法将去噪或重构网络与异常得分生成的步骤分开的问题，提出了一个端到端的网络，利用了多个尺度的特征图，兼顾异常检测与定位。这一创新不仅提高了训练效率，还避免了复杂的后处理设计。同时，本发明通过模拟异常图像，以自监督学习的方式训练模型，让模型能更好地适应异常检测任务。值得注意的是，该发明在公开数据集上取得了显著的优异得分，证明了其在真实场景中的实用性和有效性。本发明是一种端到端的图像异常检测方法，以分割网络作为异常得分预测模块，无需其他后处理，具有检测效果好、存储空间占用少、推理速度快、鲁棒性好的优点，能够满足实际应用的需要。