-
公开(公告)号：CN118397038B
公开(公告)日：2024-09-03
申请号：CN202410813628.7
申请日：2024-06-24
Applicant: 中南大学
IPC: G06T7/215 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T7/207 , G06V10/54 , G06V10/56 , G06V10/80 , G06V10/82
Abstract: 本申请公开了一种基于深度学习的运动目标分割方法、系统、设备及介质，本方法通过采用特征提取网络模型提取预处理后的第一输入图片和第二输入图片中的特征，并将特征提取网络模型中的若干网络层输出的特征作为特征向量集，得到第一特征向量集和第二特征向量集；构建第一特征金字塔和第二特征金字塔，并基于第一特征金字塔和第二特征金字塔估计光流，得到光流结果；将第二特征向量集中最后提取的特征向量进行多尺度的深层次特征提取，得到深层次特征向量集；将深层次特征向量集与光流结果进行不同尺度的特征融合，得到多个融合特征；根据多个融合特征，采用分割头进行运动目标分割，得到运动目标分割结果。本申请能够提高运动目标分割的准确度。
-
公开(公告)号：CN116758377A
公开(公告)日：2023-09-15
申请号：CN202310864152.5
申请日：2023-07-14
Applicant: 中南大学
IPC: G06V10/774 , G06N3/045 , G06N3/0475 , G06N3/086 , G06N3/094 , G06V10/764 , G06V10/82
Abstract: 本发明提供了一种用于动态视觉货柜识别的自适应对抗训练方法，包括步骤S1、初始化目标网络参数或初始化目标网络预训练配置，获得动态视觉货柜中正确识别且未加扰动的Xclean；步骤S2、根据目标网络的鲁棒性，采用策略生成器利用启发式的差分进化算法生成自适应调整的攻击参数向量θ；步骤S3、将攻击参数向量θ输入对抗样本生成器，经对抗样本生成器在Xclean中添加扰动生成对抗样本；步骤S4、将Xclean和对抗样本同时输入目标网络中进行训练，并设置训练目标函数；步骤S5：重复步骤S2‑S4，直至达到最大迭代次数，获得用于动态视觉货柜识别的识别模型。本发明能够提高动态视觉货柜中识别模型的对抗攻击能力。
-
公开(公告)号：CN116342985B
公开(公告)日：2023-09-12
申请号：CN202310109875.4
申请日：2023-02-14
Applicant: 中南大学
IPC: G06V10/778 , G06V10/82 , G06V10/40
Abstract: 本发明提供了一种用于动态智能货柜的鲁棒性特征学习方法，包括步骤S1根据第一输出特征图M生成第一全局抑制掩码G；步骤S2、生成第二全局抑制掩码G'；步骤S3、获得全局抑制后的第二特征图M'；步骤S4、划分所述M为多个连续的小尺度局部特征图mi，在所述mi上生成局部抑制掩码Ki'；步骤S5、将所述Ki'均匀覆盖在所述mi上，用于完成对所述mi上显著特征的抑制，获得MK'；步骤S6、采用步骤S1‑S3实施的全局抑制操作和步骤S4‑S5的局部抑制操作，最终生成第三输出特征图M”。本发明能够动态调整显著特征的抑制强度，获得精确的鲁棒性特征学习表现，提高了动态智能货柜零售商品识别的可信度。
-
公开(公告)号：CN114913583A
公开(公告)日：2022-08-16
申请号：CN202210534584.5
申请日：2022-05-17
Applicant: 中南大学
IPC: G06V40/16 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于深度学习孪生网络的图像类型检测方法及系统，涉及目标检测技术领域，方法包括：获取待检测人脸图像；将待检测人脸图像输入至图像检测模型，以得到人脸图像的图像类型。其中，图像检测模型是依据第一损失函数、第二损失函数和训练集，对标定深度孪生网络进行训练得到的；训练集包括多个样本，每个样本包括初始人脸图像对和标签信息标定深度孪生网络包括第一特征提取模块、第二特征提取模块、对比损失模块和图像分类模块，且所述第一特征提取模块与所述第二特征提取模块之间权重共享。本发明结合孪生网络框架对图像对抗样本进行智能识别，有效提高面向图像深度识别模型在对抗样本攻击下的鲁棒性和可靠性。
-
公开(公告)号：CN113840146A
公开(公告)日：2021-12-24
申请号：CN202111156556.6
申请日：2021-09-30
Applicant: 中南大学
IPC: H04N19/42
Abstract: 本发明涉及一种视频信息隐藏方法及系统，在对视频的每一I帧进行编码的过程中，先以编码树单元为基础，按照四叉树和多类型树的结构进行编码块的划分，然后基于预设的编码参数和隐藏信息的映射规则，根据当前待隐藏秘密信息的值确定最佳编码参数，最后在对预定大小的编码块首次编码时，利用最佳编码参数将当前待隐藏秘密信息嵌入预定大小的编码块，进而并非直接修改要传输的量化变换系数实现信息隐藏，而是通过对编码过程中的最佳编码参数的选择来把秘密信息隐藏到编码块内，该编码块的编码过程就是采用已经调制过的信息进行编码，不会出现最终的系数和原始的系数不一致的情况，因此不会对相邻区域造成影响，能够保证视频质量。
-
Patent Agency Ranking
公开(公告)号：CN107833363B
公开(公告)日：2020-11-10
申请号：CN201710895892.X
申请日：2017-09-28
Applicant: 中南大学
Abstract: 本发明公开了一种基于图像识别的自助售货机自动库存管理系统及方法。该系统包括设有自动升降台的自助售货机，自动升降台上设有能拍到补货位或售货位货道最外端货位上商品的摄像装置；每个售卖位置的自助售货机、摄像装置和自动升降台设有一本地控制系统，各本地控制系统可通过因特网连接云端服务系统；当摄像装置抓拍一自助售货机补货位或售货位的最外端货品的图像后，该图像被识别后更新自助售货机的在售商品数据库，即作为自助售货机的最新库存。本发明可大大增加可售商品的种类，且实现了面向消费者的全自动库存智能识别与感知。
-
公开(公告)号：CN118397038A
公开(公告)日：2024-07-26
申请号：CN202410813628.7
申请日：2024-06-24
Applicant: 中南大学
IPC: G06T7/215 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T7/207 , G06V10/54 , G06V10/56 , G06V10/80 , G06V10/82
Abstract: 本申请公开了一种基于深度学习的运动目标分割方法、系统、设备及介质，本方法通过采用特征提取网络模型提取预处理后的第一输入图片和第二输入图片中的特征，并将特征提取网络模型中的若干网络层输出的特征作为特征向量集，得到第一特征向量集和第二特征向量集；构建第一特征金字塔和第二特征金字塔，并基于第一特征金字塔和第二特征金字塔估计光流，得到光流结果；将第二特征向量集中最后提取的特征向量进行多尺度的深层次特征提取，得到深层次特征向量集；将深层次特征向量集与光流结果进行不同尺度的特征融合，得到多个融合特征；根据多个融合特征，采用分割头进行运动目标分割，得到运动目标分割结果。本申请能够提高运动目标分割的准确度。
-
公开(公告)号：CN117725826A
公开(公告)日：2024-03-19
申请号：CN202311724695.3
申请日：2023-12-14
Applicant: 中南大学
Abstract: 本发明公开了一种工业装备数字孪生体元模型构建方法及系统，涉及数字孪生技术领域，方法包括：获取目标工业装备的功能属性和装备设计原理；根据装备设计原理，对装备进行装备层级解构，得到装备的多个层级；对于每一层级，根据目标工业装备的功能属性，构建每一结构/功能部件所对应且包含相应结构/功能部件属性集的数字孪生模型；根据各结构/功能部件的依赖与传递关系，对每个层级中的各个结构/功能部件进行属性关联，得到其属性关联关系；根据属性关联关系，组装部件的数字孪生模型，确定目标工业装备的数字孪生体元模型。本发明创建的数字孪生体元模型及其具备的属性关联特性能够有效地减少数字孪生体模型的重复研发工作，提高了构建效率。
-
公开(公告)号：CN115984653B
公开(公告)日：2023-08-01
申请号：CN202310109795.9
申请日：2023-02-14
Applicant: 中南大学
IPC: G06V10/774 , G06V10/44
Abstract: 本发明提供了一种动态智能货柜商品识别模型的构建方法，包括步骤S1、为动态智能货柜中的待测商品的特征提取准备用于半监督对比学习的商品数据集，将所述商品数据集随机划分为带标签训练集、无标签训练集和测试集，并分别用于特征提取网络gσ的训练和特征提取有效性的验证；步骤S2、随机初始化基于半监督对比学习的深度模型的参数；步骤S3、使用所述深度模型为所述无标签训练集预测伪标签数据集以及置信度；步骤S4、构建动态智能货柜商品识别模型。本发明能够提高对未标注的无标签训练集数据的利用率，提高所述动态智能货柜商品识别模型的泛化性和鲁棒性。
-
公开(公告)号：CN116342985A
公开(公告)日：2023-06-27
申请号：CN202310109875.4
申请日：2023-02-14
Applicant: 中南大学
IPC: G06V10/778 , G06V10/82 , G06V10/40
Abstract: 本发明提供了一种用于动态智能货柜的鲁棒性特征学习方法，包括步骤S1根据第一输出特征图M生成第一全局抑制掩码G；步骤S2、生成第二全局抑制掩码G'；步骤S3、获得全局抑制后的第二特征图M'；步骤S4、划分所述M为多个连续的小尺度局部特征图mi，在所述mi上生成局部抑制掩码Ki'；步骤S5、将所述Ki'均匀覆盖在所述mi上，用于完成对所述mi上显著特征的抑制，获得MK'；步骤S6、采用步骤S1‑S3实施的全局抑制操作和步骤S4‑S5的局部抑制操作，最终生成第三输出特征图M”。本发明能够动态调整显著特征的抑制强度，获得精确的鲁棒性特征学习表现，提高了动态智能货柜零售商品识别的可信度。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.018 seconds)
