-
Patent Agency Ranking
公开(公告)号：CN110175622A
公开(公告)日：2019-08-27
申请号：CN201910269801.0
申请日：2019-04-04
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于共生关系的卷积神经网络的车辆部件识别方法和系统，属于模式识别技术领域。包括：使用车辆部件对训练数据集训练基于共生关系的卷积神经网络，基于共生关系的卷积神经网络由Concat层与常规卷积神经网络串联组成，Concat层用于对输入的图片对进行通道合并；采用训练好的基于共生关系的卷积神经网络，对待测车辆部件对进行识别，得到待测车辆各部件的识别结果。本发明通过Concat层按通道合并图片，后续网络进行卷积操作时，可将两个部件对应的不同通道的信息进行融合，同时提取两张图片的特征，使得共生关系可以被更好地学习到。共生关系的引入添加了额外的信息，变相增加了训练的数据量，提高两类部件的识别准确率。
-
公开(公告)号：CN108596053A
公开(公告)日：2018-09-28
申请号：CN201810311110.8
申请日：2018-04-09
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于SSD和车辆姿态分类的车辆检测方法和系统，所述方法包括：根据车头与水平轴的角度对车辆姿态进行划分，在原始SSD网络模型上加入车辆姿态分类任务，将车辆检测损失和车辆姿态分类任务的损失结合起来形成多任务损失，将原始SSD模型的softmax损失替换为focal loss损失，将车辆姿态分类任务和车辆检测任务联合优化，训练得到检测模型，利用检测模型对待检测图片进行车辆检测，实现多尺度、多角度的车辆检测。本发明将深度学习目标检测SSD用于车辆检测，利用车辆姿态分类作为辅助任务与车辆检测任务联合训练，并加入了focal loss解决车辆样本不平衡问题，从而提高系统的准确性和稳定性。
-
公开(公告)号：CN108596053B
公开(公告)日：2020-06-02
申请号：CN201810311110.8
申请日：2018-04-09
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于SSD和车辆姿态分类的车辆检测方法和系统，所述方法包括：根据车头与水平轴的角度对车辆姿态进行划分，在原始SSD网络模型上加入车辆姿态分类任务，将车辆检测损失和车辆姿态分类任务的损失结合起来形成多任务损失，将原始SSD模型的softmax损失替换为focal loss损失，将车辆姿态分类任务和车辆检测任务联合优化，训练得到检测模型，利用检测模型对待检测图片进行车辆检测，实现多尺度、多角度的车辆检测。本发明将深度学习目标检测SSD用于车辆检测，利用车辆姿态分类作为辅助任务与车辆检测任务联合训练，并加入了focal loss解决车辆样本不平衡问题，从而提高系统的准确性和稳定性。
-
公开(公告)号：CN110175622B
公开(公告)日：2021-10-08
申请号：CN201910269801.0
申请日：2019-04-04
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于共生关系的卷积神经网络的车辆部件识别方法和系统，属于模式识别技术领域。包括：使用车辆部件对训练数据集训练基于共生关系的卷积神经网络，基于共生关系的卷积神经网络由Concat层与常规卷积神经网络串联组成，Concat层用于对输入的图片对进行通道合并；采用训练好的基于共生关系的卷积神经网络，对待测车辆部件对进行识别，得到待测车辆各部件的识别结果。本发明通过Concat层按通道合并图片，后续网络进行卷积操作时，可将两个部件对应的不同通道的信息进行融合，同时提取两张图片的特征，使得共生关系可以被更好地学习到。共生关系的引入添加了额外的信息，变相增加了训练的数据量，提高两类部件的识别准确率。
-
公开(公告)号：CN108615049A
公开(公告)日：2018-10-02
申请号：CN201810310432.0
申请日：2018-04-09
Applicant: 华中科技大学
Abstract: 本发明公开了一种针对基于Faster R-CNN的车辆部件检测模型进行压缩的方法及系统，目的在于减少车辆部件检测模型对内存空间的占用率以及缩短模型检测时间，所述方法包括：训练基本的车辆部件检测模型，模型通道剪枝，模型量化。本发明在车辆部件检测模型压缩过程中，先训练基本的车辆部件检测模型M1，再识别出M1中的冗余通道并将其删除得到M2，最后将M2进行参数量化得到M3。通过实施本发明有效地解决了利用Faster R-CNN算法检测车辆部件速度慢的问题，并减少了模型对内存空间的占用率。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
