-
公开(公告)号：CN113298861A
公开(公告)日：2021-08-24
申请号：CN202110556630.7
申请日：2021-05-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于ASPP‑CycleGAN的深度估计系统及其算法，构建ASPP‑CycleGAN模型，ASPP‑CycleGAN模型中包括两个生成对抗网络；两个生成对抗网络均包括生成器和判别器；生成器引用空洞卷积的空间金字塔，判别器采用多层全域卷积结构。在生成器的编码器和解码器之间添加基于空洞卷积的空间金字塔结构，用来提取多尺度信息；且在提取多尺度信息的同时避免了过多下采样层，有效减少了模型参数计算量并很好的保留了特征的细节信息。
-
公开(公告)号：CN113204640A
公开(公告)日：2021-08-03
申请号：CN202110360121.7
申请日：2021-04-02
Applicant: 南京邮电大学
IPC: G06F16/35 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于注意力机制的文本分类方法。所述方法使用基于DenseNet的神经网络模型；在训练神经网络之前，利用语义编码来初始化DenseNet的卷积过滤器的权重，使网络在训练之前对重要的语义信息进行辨识，从而在卷积层能捕获每个句子的有效位置信息；通过局部注意力密集连接的模块进行文本信息的特征提取。本发明文本分类方法具有更强的特征提取能力，并保留文本信息的内容，在包括情感分类和主题分类等多个文本分类的任务时，效果显著，有效地提高了分类的准确性。
-
公开(公告)号：CN112861800B
公开(公告)日：2022-08-05
申请号：CN202110279121.4
申请日：2021-03-16
Applicant: 南京邮电大学
IPC: G06V30/412 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/762 , G06K9/62 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于改进的Faster R‑CNN模型的快递识别方法，旨在解决现有技术中缺少基于快递公司的快递分拣技术，而且破损或污染快递单难以准确识别的技术问题。其包括：利用基于k‑means++算法改进的RPN网络和基于候选框长宽比的双阈值‑非极大值抑制算法改进传统的Faster R‑CNN模型，然后利用训练好的改进的Faster R‑CNN模型处理待识别快递图像，获得快递标志识别结果。本发明能够根据快递公司进行快递识别和分拣，快递识别速度快，准确率高，且不容易漏检。
-
Patent Agency Ranking
-
公开(公告)号：CN115984623A
公开(公告)日：2023-04-18
申请号：CN202310044631.2
申请日：2023-01-30
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0475 , G06N3/094 , G06V10/40
Abstract: 本发明公开了一种基于生成对抗架构的目标检测增强方法、装置及存储介质，涉及计算机视觉中的目标检测技术领域。本发明提出了一种新的目标检测框架，对难以进一步提高性能的目标检测网络进行对抗性训练，能够使训练完善的目标检测网络进一步提高性能，并且没有参数的增加，能够快速有效地改进训练有素的目标检测网络，训练速度快，消耗计算资源少且高效，不以增加推理时间或训练难度为代价，几乎是一种即插即用的训练方式。
-
公开(公告)号：CN113298861B
公开(公告)日：2022-09-16
申请号：CN202110556630.7
申请日：2021-05-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于ASPP‑CycleGAN的深度估计系统及其算法，构建ASPP‑CycleGAN模型，ASPP‑CycleGAN模型中包括两个生成对抗网络；两个生成对抗网络均包括生成器和判别器；生成器引用空洞卷积的空间金字塔，判别器采用多层全域卷积结构。在生成器的编码器和解码器之间添加基于空洞卷积的空间金字塔结构，用来提取多尺度信息；且在提取多尺度信息的同时避免了过多下采样层，有效减少了模型参数计算量并很好的保留了特征的细节信息。
-
公开(公告)号：CN114360004A
公开(公告)日：2022-04-15
申请号：CN202111526698.7
申请日：2021-12-14
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面部表情识别方法，所述方法包括：获取待识别图像；对所述待识别图像进行预处理，获得预处理图像；将所述预处理图像输入预先训练的识别模型，输出识别结果；所述预先训练的识别模型包括第一提取单元、第二提取单元和识别单元，所述第一提取单元用于提取所述预处理图像的图像特征，所述第二提取单元用于提取所述第一提取单元提取的图像特征，所述识别单元用于识别所述第二提取单元提取的图像特征，所述第二提取单元包括深度卷积模块和卷积注意模块。本发明在识别模型中引入卷积注意模块，从通道和空间维度，提取图像特征，提高了识别的精准度。
-
公开(公告)号：CN112861800A
公开(公告)日：2021-05-28
申请号：CN202110279121.4
申请日：2021-03-16
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于改进的Faster R‑CNN模型的快递识别方法，旨在解决现有技术中缺少基于快递公司的快递分拣技术，而且破损或污染快递单难以准确识别的技术问题。其包括：利用基于k‑means++算法改进的RPN网络和基于候选框长宽比的双阈值‑非极大值抑制算法改进传统的Faster R‑CNN模型，然后利用训练好的改进的Faster R‑CNN模型处理待识别快递图像，获得快递标志识别结果。本发明能够根据快递公司进行快递识别和分拣，快递识别速度快，准确率高，且不容易漏检。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
