-
公开(公告)号：CN117079272B
公开(公告)日：2025-04-18
申请号：CN202310122918.2
申请日：2023-02-16
Applicant: 南京工业大学
IPC: G06V20/69 , G06V10/36 , G06V10/44 , G06V10/774 , G06V10/766 , G06V10/82 , G06T3/02 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种结合手工特征和学习特征的痕迹识别方法以实现关键点检测及关键点的特征描述，相较于端到端的神经网络算法，其既利用了图像的梯度信息，又减少了网络结构参数与参数计算，能够实现弹痕的关键点检测的稳定性。本发明与现有技术相比具有以下技术效果：使用手工特征与学习特征结合方法，利用了图像的梯度信息，又减少了网络结构参数与参数计算，能够实现弹痕的关键点检测的稳定性。改进Key.Net模型的CNN结构，使其更适应弹痕任务的特征学习及组合能力；利用大规模数据集训练Key.Net模型，并迁移到小样本的弹痕实例中，提升了模型的可靠性及检测的准确度。
-
公开(公告)号：CN117079272A
公开(公告)日：2023-11-17
申请号：CN202310122918.2
申请日：2023-02-16
Applicant: 南京工业大学
IPC: G06V20/69 , G06V10/36 , G06V10/44 , G06V10/774 , G06V10/766 , G06V10/82 , G06T3/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种结合手工特征和学习特征的痕迹识别方法以实现关键点检测及关键点的特征描述，相较于端到端的神经网络算法，其既利用了图像的梯度信息，又减少了网络结构参数与参数计算，能够实现弹痕的关键点检测的稳定性。本发明与现有技术相比具有以下技术效果：使用手工特征与学习特征结合方法，利用了图像的梯度信息，又减少了网络结构参数与参数计算，能够实现弹痕的关键点检测的稳定性。改进Key.Net模型的CNN结构，使其更适应弹痕任务的特征学习及组合能力；利用大规模数据集训练Key.Net模型，并迁移到小样本的弹痕实例中，提升了模型的可靠性及检测的准确度。
-
公开(公告)号：CN113744238B
公开(公告)日：2023-08-01
申请号：CN202111020231.5
申请日：2021-09-01
Applicant: 南京工业大学
IPC: G06T7/00 , G06T5/20 , G06V10/774 , G06N3/0464 , G06V10/82 , G06F16/50
Abstract: 本发明公开了一种建立枪弹痕迹数据库的方法，属于枪弹痕迹识别鉴定技术领域。该方法包括：获取枪弹痕迹图片，进行采样滤波处理得到痕迹图片样本；创建深度卷积生成对抗神经网络模型，初设训练参数；构建残差反馈模块，并将残差反馈模块运用到辨别器D中；选择目标函数；将痕迹图片样本作为输入，进行迭代训练，并生成的虚假痕迹图片；构建Siamese Network，对生成的虚假痕迹图片与原始图片进行比对，判断生成的虚假痕迹图片是否可作为真实枪弹痕迹图片使用；将可作为真实枪弹痕迹图片使用的虚假痕迹图片即可构成枪弹痕迹数据库。该方法解决了传统枪弹痕迹图片采集的不足，并节省枪弹痕迹图片采集所需的枪支火药资源。
-
公开(公告)号：CN113744238A
公开(公告)日：2021-12-03
申请号：CN202111020231.5
申请日：2021-09-01
Applicant: 南京工业大学
Abstract: 本发明公开了一种建立枪弹痕迹数据库的方法，属于枪弹痕迹识别鉴定技术领域。该方法包括：获取枪弹痕迹图片，进行采样滤波处理得到痕迹图片样本；创建深度卷积生成对抗神经网络模型，初设训练参数；构建残差反馈模块，并将残差反馈模块运用到辨别器D中；选择目标函数；将痕迹图片样本作为输入，进行迭代训练，并生成的虚假痕迹图片；构建Siamese Network，对生成的虚假痕迹图片与原始图片进行比对，判断生成的虚假痕迹图片是否可作为真实枪弹痕迹图片使用；将可作为真实枪弹痕迹图片使用的虚假痕迹图片即可构成枪弹痕迹数据库。该方法解决了传统枪弹痕迹图片采集的不足，并节省枪弹痕迹图片采集所需的枪支火药资源。
-
-
-
Search Results
4
records
(took 0.019 seconds)
