-
公开(公告)号：CN117315614A
公开(公告)日：2023-12-29
申请号：CN202311597170.8
申请日：2023-11-28
Applicant: 南昌大学
IPC: G06V20/56 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于改进YOLOv7的交通目标检测方法，包括：构建交通目标检测网络模型，并在YOLOv7网络结构的骨干特征提取网络中采用ReduceBlock模块替换原始卷积进行深层特征提取，以及在YOLOv7网络结构的头部预测模块中嵌入SimCAM模块加深对关键特征的提取，并更换边界框回归损失函数为FocalDIoU函数；建立训练集和验证集，用于交通目标检测网络模型进行训练学习和检测验证;使用递归热启动策略对交通目标检测网络模型进行训练，并对所述训练集和/或所述验证集进行检测、输出交通目标检测结果。本发明在小幅度增加参数量和计算量的情况下，达到运算精度高、速度快的交通目标检测效果。
-
公开(公告)号：CN116416672A
公开(公告)日：2023-07-11
申请号：CN202310685922.X
申请日：2023-06-12
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于GhostNetV2的轻量化人脸与人脸关键点检测方法，使用GhostNetV2作为主干特征提取网络的人脸检测模型，并且为了提高对小人脸的检测，使用了由特征融合模块加权双向特征金字塔网络改进而来的分离的特征金字塔网络，为了提高对较大人脸的检测效果，在模型的检测头部分使用了级联上下文预测模块来增大感受野，并加入人脸关键点损失。最后针对WIDER FACE数据集进行分析，制定了合适的锚点分配策略。模型的总参数量为1.6M，在简单，中等，困难子集上的准确率分别达到93.13%，92.39%，84.11%，在CPU上对VAG图像进行推理，仅需要37.7ms。
-
公开(公告)号：CN119863613A
公开(公告)日：2025-04-22
申请号：CN202510344884.0
申请日：2025-03-24
Applicant: 南昌大学
IPC: G06V10/25 , G06V20/54 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/77 , G06V10/764 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及交通目标检测领域，提出一种基于自适应感知注意力的实时交通目标检测方法及系统，通过设计了自适应缩放因子，以动态调整每个注意力头对不同特征的关注强度和注意力分布，增强了对局部特征的注意力，提高了目标检测的准确性，再设计一种多尺度偏移感知注意力模块，增强了采样偏移生成过程的空间感知能力，以更好地关注关键区域，提高了复杂场景下目标检测的准确性和鲁棒性，又设计了一种双向跨尺度特征融合模块，在不同特征层次之间进行跨层连接，增强了特征融合能力，以减少特征的信息损失，同时加入动态上采样算子，进一步减少了特征的信息损失，提高了目标检测的准确性，本发明提高了交通目标检测方法的准确性和鲁棒性。
-
公开(公告)号：CN118397402B
公开(公告)日：2024-10-11
申请号：CN202410863073.7
申请日：2024-06-29
Applicant: 南昌大学
IPC: G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种轻量级小目标森林火灾检测模型的训练方法及系统，涉及森林火灾检测技术领域，该训练方法包括：获取关于森林火灾的初始图像数据集并进行数据增强；构建StarELAN网络，将StarELAN网络作为YOLOv9模型中特征提取的主网络，并对YOLOv9模型进行缩小调整，以轻量化YOLOv9模型；在轻量化的YOLOv9模型中增设小目标检测头，并在所有检测头中引入LSK注意力机制，以捕捉小目标森林火灾；构建Inner‑CIoU损失函数，并作为轻量级小目标森林火灾检测模型的最终损失函数；根据该损失函数，将数据增强后的初始图像数据集对轻量级小目标森林火灾检测模型进行检测训练。因此，基于该训练方法得到森林火灾检测模型能够快速准确地对小目标森林火灾进行检测。
-
公开(公告)号：CN116469040B
公开(公告)日：2023-08-29
申请号：CN202310685914.5
申请日：2023-06-12
Applicant: 南昌大学
Abstract: 本发明提供了一种基于视频和传感器感知融合的橄榄球员跟踪方法，S1：使用YOLOv7方法检测橄榄球赛视频中每一帧中球员头盔的位置信息；S2：根据时间戳信息将视频帧和传感器数据的量纲对齐；S3：分别确定底线和边线视频帧对应的机位朝向；S4：匹配S1所得球员头盔检测信息及S2的传感器信息中的球员位置和球员编号；S5：利用增强特征提取的DeepSORT方法完成球员跟踪。本发明将量纲不同的视频帧和传感器两个维度的信息完成数据对齐，通过YOLOv7检测出的球员头盔信息与传感器帧确定球员编号的分配问题，利用DeepSORT完成对球员的跟踪，实现简单，具有更强的适用性，且能够有效提高数据关联正确率。
-
Patent Agency Ranking
公开(公告)号：CN116091315A
公开(公告)日：2023-05-09
申请号：CN202310011155.4
申请日：2023-01-05
Applicant: 南昌大学
IPC: G06T3/40 , G06V10/26 , G06N3/084 , G06N3/0464
Abstract: 本发明提出了一种基于渐进训练和人脸语义分割的人脸超分辨率重建方法，其主要包括：提出一种轻量高效的人脸超分辨率网络，网络主要包含残差聚合模块和三个上采样模块；采用渐进训练的方式使模型在一次迭代训练中分三阶段开展，训练收敛的模型可以对低分辨率人脸图像进行二倍、四倍和八倍的超分辨率图像重建；使用人脸语义分割网络获取人脸先验信息，提出在模型训练中加入人脸分割损失，协助网络生成更加逼真的人脸结构。本发明基于RFDN网络进行改进，适用于超低分辨率的人脸图像输入，并可以输出三种不同放大倍数的高分辨率重建图像，解决了传统模型的一些缺陷。
-
公开(公告)号：CN117315614B
公开(公告)日：2024-03-29
申请号：CN202311597170.8
申请日：2023-11-28
Applicant: 南昌大学
IPC: G06V20/56 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于改进YOLOv7的交通目标检测方法，包括：构建交通目标检测网络模型，并在YOLOv7网络结构的骨干特征提取网络中采用ReduceBlock模块替换原始卷积进行深层特征提取，以及在YOLOv7网络结构的头部预测模块中嵌入SimCAM模块加深对关键特征的提取，并更换边界框回归损失函数为FocalDIoU函数；建立训练集和验证集，用于交通目标检测网络模型进行训练学习和检测验证;使用递归热启动策略对交通目标检测网络模型进行训练，并对所述训练集和/或所述验证集进行检测、输出交通目标检测结果。本发明在小幅度增加参数量和计算量的情况下，达到运算精度高、速度快的交通目标检测效果。
-
公开(公告)号：CN110889895B
公开(公告)日：2023-01-03
申请号：CN201911094983.9
申请日：2019-11-11
Applicant: 南昌大学
Abstract: 本发明提供了一种融合单帧重建网络的人脸视频超分辨率重建方法，包括以下步骤：(1)分别对作为训练集的单帧人脸图像和人脸视频进行大小归一化预处理；(2)采用密集网络构建生成对抗网络来训练单帧人脸图像模型；(3)融合单帧重建网络构造基于动态上采样滤波器和亚像素卷积的人脸视频超分辨率重建模型；(4)将低分辨率人脸视频经过训练后的模型进行处理即可得到高分辨率人脸视频。本发明提出的融合单帧重建网络的人脸视频超分辨率重建方法，不仅能有效提高重建视频的峰值信噪比和结构相似性，而且能重建视频的视觉效果。
-
公开(公告)号：CN110889895A
公开(公告)日：2020-03-17
申请号：CN201911094983.9
申请日：2019-11-11
Applicant: 南昌大学
Abstract: 本发明提供了一种融合单帧重建网络的人脸视频超分辨率重建方法，包括以下步骤：(1)分别对作为训练集的单帧人脸图像和人脸视频进行大小归一化预处理；(2)采用密集网络构建生成对抗网络来训练单帧人脸图像模型；(3)融合单帧重建网络构造基于动态上采样滤波器和亚像素卷积的人脸视频超分辨率重建模型；(4)将低分辨率人脸视频经过训练后的模型进行处理即可得到高分辨率人脸视频。本发明提出的融合单帧重建网络的人脸视频超分辨率重建方法，不仅能有效提高重建视频的峰值信噪比和结构相似性，而且能重建视频的视觉效果。
-
公开(公告)号：CN118397402A
公开(公告)日：2024-07-26
申请号：CN202410863073.7
申请日：2024-06-29
Applicant: 南昌大学
IPC: G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种轻量级小目标森林火灾检测模型的训练方法及系统，涉及森林火灾检测技术领域，该训练方法包括：获取关于森林火灾的初始图像数据集并进行数据增强；构建StarELAN网络，将StarELAN网络作为YOLOv9模型中特征提取的主网络，并对YOLOv9模型进行缩小调整，以轻量化YOLOv9模型；在轻量化的YOLOv9模型中增设小目标检测头，并在所有检测头中引入LSK注意力机制，以捕捉小目标森林火灾；构建Inner‑CIoU损失函数，并作为轻量级小目标森林火灾检测模型的最终损失函数；根据该损失函数，将数据增强后的初始图像数据集对轻量级小目标森林火灾检测模型进行检测训练。因此，基于该训练方法得到森林火灾检测模型能够快速准确地对小目标森林火灾进行检测。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.018 seconds)
