-
公开(公告)号：CN109859190B
公开(公告)日：2021-09-17
申请号：CN201910099621.2
申请日：2019-01-31
Applicant: 北京工业大学
Abstract: 一种基于深度学习的目标区域检测方法属于计算机视觉技术领域，该方法在主要采用了retinanet检测网络。RetinaNet本质上是由resnet+FPN+两个FCN子网络组成的网络结构。这里我把backbone分别采用ResNeXt50和densenet169而代替了之前的resnet。并对retnanet网络的FPN层以及loss损失函数进行了修改，最后进行了模型的融合。该目标检测方法结合了目前主流的目标检测方法的优点，并且已经解决了一系列实际的问题。本算法在coco2017下进行了实验，性能有非常好的表现。比retinanet下的单模型以及未对模型进行改进时的结果都要好。另外在其它数据集上也具有较好的表现。
-
公开(公告)号：CN109871992A
公开(公告)日：2019-06-11
申请号：CN201910092644.0
申请日：2019-01-30
Applicant: 北京工业大学
Abstract: 本发明公开了基于R-SVM的TFT-LCD工业智能预测方法，本发明将传统svm与随机森林的思想进行了结合，使最终预测结果，更加具有鲁棒性，更可靠。同时，svm本身就适用于高维数据，大型特征空间的训练，在小样本数据上表现较好。实现该方法的核心过程在于样本与特征集合的构建并与最终svm的结合上。传统的svm模型对于特征与样本集合不做太多的筛选与判断，对于整个样本集合都选择直接放入模型中进行训练。基于随机森林的思想，本发明考虑在模型训练的过程中，组成多个不同的样本集与特征集并且结合传统的svm模型进行训练。将训练得到的多个svm模型再对最后的验证集分别进行预测，取所有预测的均值作为最终的预测结果。
-
公开(公告)号：CN109859190A
公开(公告)日：2019-06-07
申请号：CN201910099621.2
申请日：2019-01-31
Applicant: 北京工业大学
IPC: G06T7/00
Abstract: 一种基于深度学习的目标区域检测方法属于计算机视觉技术领域，该方法在主要采用了retinanet检测网络。RetinaNet本质上是由resnet+FPN+两个FCN子网络组成的网络结构。这里我把backbone分别采用ResNeXt50和densenet169而代替了之前的resnet。并对retnanet网络的FPN层以及loss损失函数进行了修改，最后进行了模型的融合。该目标检测方法结合了目前主流的目标检测方法的优点，并且已经解决了一系列实际的问题。本算法在coco2017下进行了实验，性能有非常好的表现。比retinanet下的单模型以及未对模型进行改进时的结果都要好。另外在其它数据集上也具有较好的表现。
-
-
Search Results
3
records
(took 0.025 seconds)
