-
公开(公告)号：CN110929649A
公开(公告)日：2020-03-27
申请号：CN201911160906.9
申请日：2019-11-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向小目标检测的网络和困难样本挖掘方法，包括以下步骤：步骤一、使用主干网络提取当前图像主干特征；步骤二、构造颈部网络，生成特征金字塔；步骤三、构造区域生成网络模型，生成感兴趣区域；步骤四、基于困难样本挖掘生成训练数据；步骤五、使用感兴趣区域对齐模块裁剪区域特征；步骤六、使用头部网络分类和定位目标。本发明能够显著提高小目标检测精度，且仅少量增加计算开销。
-
Patent Agency Ranking
公开(公告)号：CN109993269B
公开(公告)日：2022-03-29
申请号：CN201910189248.X
申请日：2019-03-13
Applicant: 华南理工大学
Abstract: 本发明公开基于注意力机制的单张图像人群计数方法。所述方法包括对当前图像进行逐通道像素Z‑Score归一化；设计4+2+2网络提取图像纹理特征；设计编‑解码网络提取图像全局注意力特征；逐通道将纹理特征与全局注意力特征进行元素乘，生成融合特征；对融合特征进行1*1卷积运算生成人群密度图，对人群密度图进行积分获得计数结果。本方法设计的网络能够端到端地进行训练和测试，能够提高行人非均匀分布场景下的人群计数精度，在World Expo10数据集的5个测试场景中平均计数误差不大于3.28人。
-
公开(公告)号：CN109993269A
公开(公告)日：2019-07-09
申请号：CN201910189248.X
申请日：2019-03-13
Applicant: 华南理工大学
Abstract: 本发明公开基于注意力机制的单张图像人群计数方法。所述方法包括对当前图像进行逐通道像素Z‑Score归一化；设计4+2+2网络提取图像纹理特征；设计编‑解码网络提取图像全局注意力特征；逐通道将纹理特征与全局注意力特征进行元素乘，生成融合特征；对融合特征进行1*1卷积运算生成人群密度图，对人群密度图进行积分获得计数结果。本方法设计的网络能够端到端地进行训练和测试，能够提高行人非均匀分布场景下的人群计数精度，在World Expo10数据集的5个测试场景中平均计数误差不大于3.28人。
-
公开(公告)号：CN110929649B
公开(公告)日：2023-05-26
申请号：CN201911160906.9
申请日：2019-11-24
Applicant: 华南理工大学
Abstract: 本发明公开了一种面向小目标检测的网络和困难样本挖掘方法，包括以下步骤：步骤一、使用主干网络提取当前图像主干特征；步骤二、构造颈部网络，生成特征金字塔；步骤三、构造区域生成网络模型，生成感兴趣区域；步骤四、基于困难样本挖掘生成训练数据；步骤五、使用感兴趣区域对齐模块裁剪区域特征；步骤六、使用头部网络分类和定位目标。本发明能够显著提高小目标检测精度，且仅少量增加计算开销。
-
公开(公告)号：CN111242839B
公开(公告)日：2023-04-21
申请号：CN202010032589.9
申请日：2020-01-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于尺度等级的图像缩放裁剪方法。所述方法包括以下步骤：获取包括训练图像的训练集，计算训练图像的图像尺度指数，根据图像尺度指数生成大、中、小三种尺度等级的标注；根据尺度等级的标注，训练尺度等级分类器；获取包括测试图像的测试集，使用尺度等级分类器分类测试图像的尺度等级；根据尺度等级缩放、裁剪测试图像。本发明对测试图像进行区别化的缩放和裁剪，显著提高小目标的检测精度，同时避免了引入过多的虚警。此外，由于区别化的缩放和裁剪，本发明只增加的少量检测时的计算开销。
-
公开(公告)号：CN111242839A
公开(公告)日：2020-06-05
申请号：CN202010032589.9
申请日：2020-01-13
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于尺度等级的图像缩放裁剪方法。所述方法包括以下步骤：获取包括训练图像的训练集，计算训练图像的图像尺度指数，根据图像尺度指数生成大、中、小三种尺度等级的标注；根据尺度等级的标注，训练尺度等级分类器；获取包括测试图像的测试集，使用尺度等级分类器分类测试图像的尺度等级；根据尺度等级缩放、裁剪测试图像。本发明对测试图像进行区别化的缩放和裁剪，显著提高小目标的检测精度，同时避免了引入过多的虚警。此外，由于区别化的缩放和裁剪，本发明只增加的少量检测时的计算开销。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
