-
公开(公告)号：CN117789089B
公开(公告)日：2025-04-01
申请号：CN202311838819.0
申请日：2023-12-28
Applicant: 南京林业大学
IPC: G06V20/40 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种循环差异反馈视频目标计数网络建模方法，包括：S1：建立目标计数视频数据集；S2：构建循环差异反馈视频目标计数网络，所述循环差异反馈视频目标计数网络包括基础网络、循环差异反馈学习模块以及步进约束策略；S3：利用高密目标视频数据集训练所述循环差异反馈视频目标计数网络，获得训练好的循环差异反馈视频目标计数网络；S4：使用测试视频对训练好的循环差异反馈视频目标计数网络进行评估。本发明实现了视频序列中高密度目标的精准检测，提高了检测网络的鲁棒性。
-
公开(公告)号：CN117789089A
公开(公告)日：2024-03-29
申请号：CN202311838819.0
申请日：2023-12-28
Applicant: 南京林业大学
IPC: G06V20/40 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种循环差异反馈视频目标计数网络建模方法，包括：S1：建立目标计数视频数据集；S2：构建循环差异反馈视频目标计数网络，所述循环差异反馈视频目标计数网络包括基础网络、循环差异反馈学习模块以及步进约束策略；S3：利用高密目标视频数据集训练所述循环差异反馈视频目标计数网络，获得训练好的循环差异反馈视频目标计数网络；S4：使用测试视频对训练好的循环差异反馈视频目标计数网络进行评估。本发明实现了视频序列中高密度目标的精准检测，提高了检测网络的鲁棒性。
-
公开(公告)号：CN117788434B
公开(公告)日：2025-02-11
申请号：CN202311838818.6
申请日：2023-12-28
Applicant: 南京林业大学
IPC: G06T7/00 , G06T5/90 , G06T5/60 , G06T5/10 , G06V10/54 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种暗光增强驱动的高密目标计数网络建模方法，包括：S1：制作低光/正常光样本对以及高密度目标数据集；S2：建立低光增强学习网络，低光增强学习网络包括低光增强模块，骨干网络以及纹理特征感知模块；S3：利用低光/正常光样本对数据集训练所述低光增强学习网络，获得训练好的低光增强学习网络；S4：建立高密目标回归网络，高密目标回归网络包含低光增强学习网络和纹理特征感知密度回归模块；S5：利用S3中训练好的低光增强学习网络对S4高密目标回归网络的参数进行初始化，采用高密目标数据集对高密目标回归网络进行训练，获得训练好的高密目标回归网络。实现了对不同光照条件下样本鲁棒的高密目标检测，提高了高密目标复杂场景的适用性。
-
公开(公告)号：CN117788434A
公开(公告)日：2024-03-29
申请号：CN202311838818.6
申请日：2023-12-28
Applicant: 南京林业大学
IPC: G06T7/00 , G06T5/90 , G06T5/60 , G06T5/10 , G06V10/54 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种暗光增强驱动的高密目标计数网络建模方法，包括：S1：制作低光/正常光样本对以及高密度目标数据集；S2：建立低光增强学习网络，低光增强学习网络包括低光增强模块，骨干网络以及纹理特征感知模块；S3：利用低光/正常光样本对数据集训练所述低光增强学习网络，获得训练好的低光增强学习网络；S4：建立高密目标回归网络，高密目标回归网络包含低光增强学习网络和纹理特征感知密度回归模块；S5：利用S3中训练好的低光增强学习网络对S4高密目标回归网络的参数进行初始化，采用高密目标数据集对高密目标回归网络进行训练，获得训练好的高密目标回归网络。实现了对不同光照条件下样本鲁棒的高密目标检测，提高了高密目标复杂场景的适用性。
-
-
-
Search Results
4
records
(took 0.022 seconds)
