-
Patent Agency Ranking
公开(公告)号：CN112733912B
公开(公告)日：2023-06-09
申请号：CN202011634407.1
申请日：2020-12-31
Applicant: 华侨大学
IPC: G06V10/82 , G06V10/764 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于多粒度对抗损失的细粒度图像识别方法，包括以下步骤：使用区域混淆机制破坏图像全局信息，并进行图像增强，迫使网络更加关注图像区域信息；使用渐进式学习策略在深度神经网络的不同层提取特征，联合不同粒度的图像特征，对每一个特征和原图特征联合进行分类；获取多粒度对抗损失函数，来降低因破坏图像的全局结构而引起的噪声。本发明将数据的不同粒度区域混淆，实现了数据增强，迫使网络关注到不同粒度图像的局部信息，采用渐进式学习策略，对每个阶段的特征进行学习且连接最后S个阶段的特征从而实现多粒度信息互补，构建多粒度对抗损失降低因破坏图像的全局结构而引入的噪声，因此可以更准确和高效的识别子类图像。
-
公开(公告)号：CN112733912A
公开(公告)日：2021-04-30
申请号：CN202011634407.1
申请日：2020-12-31
Applicant: 华侨大学
Abstract: 本发明涉及一种基于多粒度对抗损失的细粒度图像识别方法，包括以下步骤：使用区域混淆机制破坏图像全局信息，并进行图像增强，迫使网络更加关注图像区域信息；使用渐进式学习策略在深度神经网络的不同层提取特征，联合不同粒度的图像特征，对每一个特征和原图特征联合进行分类；获取多粒度对抗损失函数，来降低因破坏图像的全局结构而引起的噪声。本发明将数据的不同粒度区域混淆，实现了数据增强，迫使网络关注到不同粒度图像的局部信息，采用渐进式学习策略，对每个阶段的特征进行学习且连接最后S个阶段的特征从而实现多粒度信息互补，构建多粒度对抗损失降低因破坏图像的全局结构而引入的噪声，因此可以更准确和高效的识别子类图像。
-
公开(公告)号：CN115527064A
公开(公告)日：2022-12-27
申请号：CN202211152826.0
申请日：2022-09-21
Applicant: 华侨大学
IPC: G06V10/764
Abstract: 本发明实施例提供一种基于多阶段ViT与对比学习的毒蘑菇细粒度图像分类方法，涉及图像识别技术领域。图像分类方法包含S1获取待识别图像。S2根据待识别图像，进行图像重叠划分，获取多个部分重叠的图像块。S3根据多个部分重叠的图像块，获取嵌入序列。S4将嵌入序列输入预先训练好的基于池化的多阶段ViT编码器中进行编码，获取待识别图像的特征编码。S5将特征编码输入分类器中进行分类，获取待识别图像的识别结果。预先训练好的基于池化的多阶段ViT编码器包含间隔设置的子编码器和池化层。子编码器包含L层transformer block，用以将嵌入序列编码成特征图。池化层配置于子编码器之间，用以调整特征图的空间尺寸。基于池化的多阶段ViT编码器能够大大减小了计算开销。
-
公开(公告)号：CN113642554B
公开(公告)日：2023-07-11
申请号：CN202110843568.X
申请日：2021-07-26
Applicant: 华侨大学
Abstract: 本发明提供了一种图像识别的网络构建方法、装置及设备,属于机器视觉领域，方法包括:获取待识别图像,对所述待识别图像的目标区域进行定位，以获取目标区域；对所述目标区域进行破坏,生成区域拼图；获取所述区域拼图的细节信息，结合网络损失函数建立所述待识别图像的网络模型。解决了因过度关注某一细节信息而忽略次要的显著判别性区域的问题。
-
公开(公告)号：CN113642554A
公开(公告)日：2021-11-12
申请号：CN202110843568.X
申请日：2021-07-26
Applicant: 华侨大学
Abstract: 本发明提供了一种图像识别的网络构建方法、装置及设备,属于机器视觉领域，方法包括:获取待识别图像,对所述待识别图像的目标区域进行定位，以获取目标区域；对所述目标区域进行破坏,生成区域拼图；获取所述区域拼图的细节信息，结合网络损失函数建立所述待识别图像的网络模型。解决了因过度关注某一细节信息而忽略次要的显著判别性区域的问题。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
