-
公开(公告)号：CN114581536B
公开(公告)日：2024-09-20
申请号：CN202210180091.6
申请日：2022-02-25
Applicant: 华南理工大学
IPC: G06T7/90 , G06N3/0464 , G06N3/084 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于特征感知和多通道学习的图像色差检测方法，包括：1)构建用于训练色差检测网络的训练集，色差检测网络由多通道学习模块、特征感知模块、区域建议网络和预测回归网络组成；2)将图像输入多通道学习模块，获取图像全面特征图；3)将图像全面特征图输入特征感知模块，得到感知加权特征图；4)将感知加权特征图输入区域建议网络，得到区块特征图；5)将区块特征图输入预测回归网络，得到色差偏移量及位置，与真实值计算损失，反向传播调整参数；6)迭代训练至预设值，确定色差检测网络；7)将待检测图像输入色差检测网络，获取色差偏移量及位置。本发明可实现对具有复杂纹理及图案的图像高速高精度色差检测。
-
公开(公告)号：CN114626443B
公开(公告)日：2024-05-03
申请号：CN202210180014.0
申请日：2022-02-25
Applicant: 华南理工大学
IPC: G06V10/764 , G06N5/04 , G06V10/80 , G06V10/25
Abstract: 本发明公开了一种基于条件分支和专家系统的对象快速检测方法，包括：1)采集X光图像；2)通过条件分支获得RGB、HSV以及梯度的图像特征图；3)利用区域建议网络获得ROI区域；4)利用分支特征对齐，得到三种ROI特征图；5)计算三种特征图的可贡献度，根据可贡献度进行特征串联，得到加权融合的特征向量；6)将三个加权融合的特征向量输入三个专家系统网络，得到对象类别和位置；7)对三个专家系统网络的预测结果进行加权融合，识别检测对象的类别和位置并标注。本发明基于条件分支和专家系统进行对象检测，将复杂网络分解为网络分支从而并行计算，不仅加快了网络推理速度，而且加强了特征空间与解空间的映射能力，提高了对象检测的速度和精度。
-
公开(公告)号：CN114626443A
公开(公告)日：2022-06-14
申请号：CN202210180014.0
申请日：2022-02-25
Applicant: 华南理工大学
IPC: G06K9/62 , G06N5/04 , G06V10/764 , G06V10/80 , G06V10/25
Abstract: 本发明公开了一种基于条件分支和专家系统的对象快速检测方法，包括：1)采集X光图像；2)通过条件分支获得RGB、HSV以及梯度的图像特征图；3)利用区域建议网络获得ROI区域；4)利用分支特征对齐，得到三种ROI特征图；5)计算三种特征图的可贡献度，根据可贡献度进行特征串联，得到加权融合的特征向量；6)将三个加权融合的特征向量输入三个专家系统网络，得到对象类别和位置；7)对三个专家系统网络的预测结果进行加权融合，识别检测对象的类别和位置并标注。本发明基于条件分支和专家系统进行对象检测，将复杂网络分解为网络分支从而并行计算，不仅加快了网络推理速度，而且加强了特征空间与解空间的映射能力，提高了对象检测的速度和精度。
-
公开(公告)号：CN114581536A
公开(公告)日：2022-06-03
申请号：CN202210180091.6
申请日：2022-02-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于特征感知和多通道学习的图像色差检测方法，包括：1)构建用于训练色差检测网络的训练集，色差检测网络由多通道学习模块、特征感知模块、区域建议网络和预测回归网络组成；2)将图像输入多通道学习模块，获取图像全面特征图；3)将图像全面特征图输入特征感知模块，得到感知加权特征图；4)将感知加权特征图输入区域建议网络，得到区块特征图；5)将区块特征图输入预测回归网络，得到色差偏移量及位置，与真实值计算损失，反向传播调整参数；6)迭代训练至预设值，确定色差检测网络；7)将待检测图像输入色差检测网络，获取色差偏移量及位置。本发明可实现对具有复杂纹理及图案的图像高速高精度色差检测。
-
-
-
Search Results
4
records
(took 0.018 seconds)
