-
公开(公告)号：CN112183203B
公开(公告)日：2024-05-28
申请号：CN202010866848.8
申请日：2020-08-26
Applicant: 北京工业大学
IPC: G06V20/58 , G06V10/764 , G06V10/80 , G06T3/4038 , G06N3/0464 , G06V10/82 , G06N3/047 , G06N3/084 , G06N3/048
Abstract: 一种基于多尺度像素特征融合的实时交通标志检测方法属于深度学习和目标检测领域。首先获取含交通标志的图像并预处理；其次将预处理后的图像输入到MobileNetv2网络进行特征提取；接着将提取到的多尺度特征图输入到像素特征融合模块进行像素重排，拼接生成兼具语义信息与细节信息的融合特征图；然后对融合特征图进行下采样得到六个尺度特征图并输入到高效通道注意力模块，对特征通道按重要程度分配权重；之后将加权的六尺度特征图输入到SSD检测层来预测边界框的位置和对象的类别；最后进行非极大值抑制，得到最优的交通标志检测结果。本发明在检测交通标志图像时能够兼顾实时性与准确性，并具有很强的鲁棒性。
-
公开(公告)号：CN110287849B
公开(公告)日：2022-01-07
申请号：CN201910534572.0
申请日：2019-06-20
Applicant: 北京工业大学
Abstract: 一种适用于树莓派的轻量化深度网络图像目标检测方法，属于深度学习和目标检测领域，首先收集含有待检测目标的图像，将收集到的图像进行预处理，用于网络训练；其次将预处理后得到的图像输入到深度可分离扩张卷积神经网络进行特征提取，得到不同分辨率特征图；接着将不同分辨率特征图输入到特征金字塔网络进行特征融合，生成携带更加丰富信息的融合特征图；然后采用检测网络对融合特征图进行待检测目标的分类与定位，最后进行非极大值抑制，得到最优的目标检测结果。本发明克服了基于深度神经网络的图像目标检测方法在树莓派平台上难以实现以及基于轻量化网络的图像目标检测方法在树莓派平台上检测准确率低的困难。
-
公开(公告)号：CN110689499A
公开(公告)日：2020-01-14
申请号：CN201910926607.5
申请日：2019-09-27
Applicant: 北京工业大学
Abstract: 本发明公开一种基于密集扩张卷积自编码对抗网络的人脸图像修复方法，该方法首先对人脸公开数据进行预处理得到人脸数据集；其次构建密集扩张卷积自编码对抗网络；然后利用重建损失预训练密集扩张卷积自编码生成网络，接着交替进行以下训练步骤：①用对抗损失训练双判别网络；②用联合损失训练经过预训练的生成网络；之后得到训练好的密集扩张卷积自编码生成网络，最后将待修复图像输入到此生成网络中，将生成图像与缺损图像进行融合，得到最终修复图像。本发明解决了语义信息缺失严重和大面积随机区域缺失的人脸图像修复难题。
-
公开(公告)号：CN113591648B
公开(公告)日：2024-06-28
申请号：CN202110829196.5
申请日：2021-07-22
Applicant: 北京工业大学
Abstract: 本发明涉及一种无锚点实时图像目标检测方法、系统、设备及介质，方法包括：获取训练图像数据集；以特征提取网络CA‑Fused EfficientNet为骨干网络，并结合特征融合模块PAN和无锚点检测器GFL，构建检测模型；通过训练图像数据集对检测模型进行训练，得到训练后的检测模型；将含有待检测目标的图像作为输入，通过训练好的检测模型对图像中的待检测目标进行检测。本发明可以广泛应用于实时图像目标检测中。
-
公开(公告)号：CN113591648A
公开(公告)日：2021-11-02
申请号：CN202110829196.5
申请日：2021-07-22
Applicant: 北京工业大学
Abstract: 本发明涉及一种无锚点实时图像目标检测方法、系统、设备及介质，方法包括：获取训练图像数据集；以特征提取网络CA‑Fused EfficientNet为骨干网络，并结合特征融合模块PAN和无锚点检测器GFL，构建检测模型；通过训练图像数据集对检测模型进行训练，得到训练后的检测模型；将含有待检测目标的图像作为输入，通过训练好的检测模型对图像中的待检测目标进行检测。本发明可以广泛应用于实时图像目标检测中。
-
Patent Agency Ranking
公开(公告)号：CN112183203A
公开(公告)日：2021-01-05
申请号：CN202010866848.8
申请日：2020-08-26
Applicant: 北京工业大学
Abstract: 一种基于多尺度像素特征融合的实时交通标志检测方法属于深度学习和目标检测领域。首先获取含交通标志的图像并预处理；其次将预处理后的图像输入到MobileNetv2网络进行特征提取；接着将提取到的多尺度特征图输入到像素特征融合模块进行像素重排，拼接生成兼具语义信息与细节信息的融合特征图；然后对融合特征图进行下采样得到六个尺度特征图并输入到高效通道注意力模块，对特征通道按重要程度分配权重；之后将加权的六尺度特征图输入到SSD检测层来预测边界框的位置和对象的类别；最后进行非极大值抑制，得到最优的交通标志检测结果。本发明在检测交通标志图像时能够兼顾实时性与准确性，并具有很强的鲁棒性。
-
公开(公告)号：CN109559287A
公开(公告)日：2019-04-02
申请号：CN201811386418.5
申请日：2018-11-20
Applicant: 北京工业大学
Abstract: 本发明公开一种基于DenseNet生成对抗网络的语义图像修复方法。包括：收集图像预处理，构建训练和测试数据集；构建DenseNet生成对抗网络；训练DenseNet生成对抗网络阶段；最后，利用训练好的网络实现缺损图像的修复处理。本发明在生成对抗网络的框架下，引入DenseNet结构并构建新的损失函数以优化网络，不仅减轻了梯度消失，减小网络参数，同时提高特征的传递和利用，改进和提高了大区域语义信息缺失图像修复的相似性和视觉效果。实例表明本发明能够实现缺损信息严重的人脸图像修复，而且与现有的其他方法相比，修复结果更为符合视觉认知。
-
公开(公告)号：CN110689499B
公开(公告)日：2023-04-25
申请号：CN201910926607.5
申请日：2019-09-27
Applicant: 北京工业大学
IPC: G06T5/00 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0475 , G06V10/82 , G06V40/16
Abstract: 本发明公开一种基于密集扩张卷积自编码对抗网络的人脸图像修复方法，该方法首先对人脸公开数据进行预处理得到人脸数据集；其次构建密集扩张卷积自编码对抗网络；然后利用重建损失预训练密集扩张卷积自编码生成网络，接着交替进行以下训练步骤：①用对抗损失训练双判别网络；②用联合损失训练经过预训练的生成网络；之后得到训练好的密集扩张卷积自编码生成网络，最后将待修复图像输入到此生成网络中，将生成图像与缺损图像进行融合，得到最终修复图像。本发明解决了语义信息缺失严重和大面积随机区域缺失的人脸图像修复难题。
-
公开(公告)号：CN113724340A
公开(公告)日：2021-11-30
申请号：CN202110779150.7
申请日：2021-07-09
Applicant: 北京工业大学
Abstract: 本发明提供一种基于跳跃连接注意力的引导式人脸图像编辑方法及系统。该方法包括：获取待编辑的人脸图像和引导图；将待编辑的人脸图像和引导图输入至经训练的基于跳跃连接注意力的引导式人脸图像编辑模型中，得到基于跳跃连接注意力的引导式人脸图像编辑模型输出的经编辑的人脸图像，其中基于跳跃连接注意力的引导式人脸图像编辑模型是通过对样本人脸图像随机提取边线和颜色两方面的引导条件，采用对抗方式从边线和颜色两方面进行引导式人脸图像编辑训练得到的，其中，基于跳跃连接注意力的引导式人脸图像编辑模型用于至少基于加权多尺度损失函数和嵌入跳跃连接注意力机制的残差上采样模块，对待编辑的人脸图像进行引导式编辑以得到经编辑的人脸图像。
-
公开(公告)号：CN113724340B
公开(公告)日：2024-10-29
申请号：CN202110779150.7
申请日：2021-07-09
Applicant: 北京工业大学
IPC: G06T7/90 , G06T7/40 , G06T7/13 , G06V10/774 , G06T5/94
Abstract: 本发明提供一种基于跳跃连接注意力的引导式人脸图像编辑方法及系统。该方法包括：获取待编辑的人脸图像和引导图；将待编辑的人脸图像和引导图输入至经训练的基于跳跃连接注意力的引导式人脸图像编辑模型中，得到基于跳跃连接注意力的引导式人脸图像编辑模型输出的经编辑的人脸图像，其中基于跳跃连接注意力的引导式人脸图像编辑模型是通过对样本人脸图像随机提取边线和颜色两方面的引导条件，采用对抗方式从边线和颜色两方面进行引导式人脸图像编辑训练得到的，其中，基于跳跃连接注意力的引导式人脸图像编辑模型用于至少基于加权多尺度损失函数和嵌入跳跃连接注意力机制的残差上采样模块，对待编辑的人脸图像进行引导式编辑以得到经编辑的人脸图像。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.024 seconds)
