-
公开(公告)号：CN115205903B
公开(公告)日：2023-05-23
申请号：CN202210890765.1
申请日：2022-07-27
Applicant: 华中农业大学
IPC: G06V40/10 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/40 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了一种基于身份迁移生成对抗网络的行人重识别方法，包括以下步骤：获取行人图像数据集，通过人体语义解析模型生成行人图像对应的语义图；构建行人重识别的整体模型，包括生成器、判别器和行人重识别网络；生成器与判别器形成基于语义图身份迁移的生成对抗网络，生成器与判别器之间采用对抗学习的方式进行训练；构造基于局部质量注意力机制的梯度增强方法，对生成对抗网络进行改进；建立生成对抗网络与行人重识别网络的联合训练模式；输入待识别的行人图像，通过训练好的行人重识别网络，输出行人重识别结果。本发明提升了行人重识别数据集的多样性，能有效提高生成图像的质量，提高行人重识别模型的识别精度。
-
公开(公告)号：CN116630960A
公开(公告)日：2023-08-22
申请号：CN202310463051.7
申请日：2023-04-26
Applicant: 华中农业大学
IPC: G06V20/68 , G06V10/54 , G06V10/56 , G06V10/46 , G06V10/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于纹理‑颜色多尺度残差收缩网络的玉米病害识别方法，包括以下步骤：采集实验环境和大田环境中的混合玉米叶片病害图像，并进行图像增强；通过纹理特征提取模块对训练图像进行提取得到局部二值模式特征图；将训练图像的RGB特征和纹理特征以一定比例输入纹理‑颜色二分支浅层特征提取模块，将两个分支的输出调整权重比例后连接起来；将软阈值函数、注意力机制与多尺度卷积相结合，建立多尺度残差收缩模块，将输出依次通过两个相互串联的多尺度残差收缩模块；根据输出的图像语义信息和玉米叶片病害图像对应的类别，调整网络模型参数，得到训练好的网络模型。本发明在玉米叶片病害识别方面具有优异的性能，识别精度高。
-
公开(公告)号：CN115393788B
公开(公告)日：2023-04-18
申请号：CN202210927259.5
申请日：2022-08-03
Applicant: 华中农业大学
IPC: G06V20/52 , G06V40/10 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于增强全局信息注意力的多尺度监控行人重识别方法，包括以下步骤：构建行人监控的数据集，划分为训练集和测试集；构建基于增强全局信息注意力的多尺度行人重识别网络模型，该模型以多分支深度网络模型为基础架构提取局部特征，引入增强全局信息注意力机制，通过多尺度网络提取局部特征并使用注意力为局部特征赋予全局信息；输入训练集对模型进行训练，通过多次的目标函数计算，反向传播后调整参数，直到目标函数完成收敛；通过测试集进行测试；输入待识别的查询集，通过多尺度行人重识别网络模型进行识别，得到行人重识别的结果。本发明能够有效应用于安防场景下的行人重识别，解决安防监控下行人数据所带来的问题。
-
Patent Agency Ranking
公开(公告)号：CN116630960B
公开(公告)日：2024-02-20
申请号：CN202310463051.7
申请日：2023-04-26
Applicant: 华中农业大学
IPC: G06V20/68 , G06V10/54 , G06V10/56 , G06V10/46 , G06V10/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于纹理‑颜色多尺度残差收缩网络的玉米病害识别方法，包括以下步骤：采集实验环境和大田环境中的混合玉米叶片病害图像，并进行图像增强；通过纹理特征提取模块对训练图像进行提取得到局部二值模式特征图，将训练图像的RGB特征和纹理特征以一定比例输入纹理‑颜色二分支浅层特征提取模块，将两个分支的输出调整权重比例后连接起来；将软阈值函数、注意力机制与多尺度卷积相结合，建立多尺度残差收缩模块，将输出依次通过两个相互串联的多尺度残差收缩模块；根据输出的图像语义信息和玉米叶片病害图像对应的类别，调整网络模型参数，得到训练好的网络模型。本发明在玉米叶片病害识别方面具有优异的性能，识别精度高。
-
公开(公告)号：CN115919315B
公开(公告)日：2023-08-29
申请号：CN202211484556.3
申请日：2022-11-24
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于EEG通道多尺度并行卷积的跨主体疲劳检测深度学习方法，包括：通过多个电极采样得到待处理的EEG信号；构建深度可分离卷积模块，包括逐点卷积和逐深度卷积；将EEG信号送入深度可分离卷积模块进行特征提取，获取EEG空间与通道维度的特征信息；构建通道切分的多尺度并行卷积模块，包括通道切分模块和多尺度并行分组卷积模块；通过通道切分模块对特征信息按通道维度进行切片分组；通过多尺度并行分组卷积模块子特征分别用不同尺寸卷积核进行多频率提取并对进行多频率融合；构建分类模块，包括全连接层和softmax层，将经过提取融合后的特征信息送入分类模块，得到疲劳状态的分类检测结果。本发明在跨主体疲劳检测任务中具有优秀的性能表现。
-
公开(公告)号：CN115919315A
公开(公告)日：2023-04-07
申请号：CN202211484556.3
申请日：2022-11-24
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于EEG通道多尺度并行卷积的跨主体疲劳检测深度学习方法，包括：通过多个电极采样得到待处理的EEG信号；构建深度可分离卷积模块，包括逐点卷积和逐深度卷积；将EEG信号送入深度可分离卷积模块进行特征提取，获取EEG空间与通道维度的特征信息；构建通道切分的多尺度并行卷积模块，包括通道切分模块和多尺度并行分组卷积模块；通过通道切分模块对特征信息按通道维度进行切片分组；通过多尺度并行分组卷积模块子特征分别用不同尺寸卷积核进行多频率提取并对进行多频率融合；构建分类模块，包括全连接层和softmax层，将经过提取融合后的特征信息送入分类模块，得到疲劳状态的分类检测结果。本发明在跨主体疲劳检测任务中具有优秀的性能表现。
-
公开(公告)号：CN115393788A
公开(公告)日：2022-11-25
申请号：CN202210927259.5
申请日：2022-08-03
Applicant: 华中农业大学
Abstract: 本发明公开了一种基于增强全局信息注意力的多尺度监控行人重识别方法，包括以下步骤：构建行人监控的数据集，划分为训练集和测试集；构建基于增强全局信息注意力的多尺度行人重识别网络模型，该模型以多分支深度网络模型为基础架构提取局部特征，引入增强全局信息注意力机制，通过多尺度网络提取局部特征并使用注意力为局部特征赋予全局信息；输入训练集对模型进行训练，通过多次的目标函数计算，反向传播后调整参数，直到目标函数完成收敛；通过测试集进行测试；输入待识别的查询集，通过多尺度行人重识别网络模型进行识别，得到行人重识别的结果。本发明能够有效应用于安防场景下的行人重识别，解决安防监控下行人数据所带来的问题。
-
公开(公告)号：CN115205903A
公开(公告)日：2022-10-18
申请号：CN202210890765.1
申请日：2022-07-27
Applicant: 华中农业大学
IPC: G06V40/10 , G06V10/82 , G06V10/774 , G06V10/764 , G06V10/40 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于身份迁移生成对抗网络的行人重识别方法，包括以下步骤：获取行人图像数据集，通过人体语义解析模型生成行人图像对应的语义图；构建行人重识别的整体模型，包括生成器、判别器和行人重识别网络；生成器与判别器形成基于语义图身份迁移的生成对抗网络，生成器与判别器之间采用对抗学习的方式进行训练；构造基于局部质量注意力机制的梯度增强方法，对生成对抗网络进行改进；建立生成对抗网络与行人重识别网络的联合训练模式；输入待识别的行人图像，通过训练好的行人重识别网络，输出行人重识别结果。本发明提升了行人重识别数据集的多样性，能有效提高生成图像的质量，提高行人重识别模型的识别精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
