-
公开(公告)号：CN114581675A
公开(公告)日：2022-06-03
申请号：CN202111596103.5
申请日：2021-12-24
Applicant: 厦门理工学院
Abstract: 本发明提供的一种基于机器视觉与多源数据融合的海上船舶检测方法，获取目标船舶的数据，并通过YOLOv5目标检测算法训练得到所需船舶的目标检测模型，训练时采用Pixels‑IoU函数来代替YOLOv5目标检测算法中原有的GIoU损失函数；通过所述目标检测模型得到目标船舶的数据，并用图像坐标表示，得到图像信息；获取AIS信息和雷达数据，将雷达数据转换为AIS下的同一坐标系，得到数据信息；根据所述图像信息和数据信息进行融合后对海上船舶进行检测，引入Pixels‑IoU函数代替原有的GIoU损失函数，使得回归损失更加精确、目标框回归更加稳定，有效的提高了船舶识别的准确率，并加入注意力机制层，提高船舶识别准确率。
-
公开(公告)号：CN117475519B
公开(公告)日：2024-03-12
申请号：CN202311797195.2
申请日：2023-12-26
Applicant: 厦门理工学院 , 厦门瑞为信息技术有限公司
Abstract: 本发明公开了基于孪生网络与多重通道融合的脱机笔迹鉴别方法，将两张输入的笔迹图片进行取反操作，获取其反灰度图片，包括参考图片、测试图片、参考图片的反灰度图片、测试图片的反灰度图片四张笔迹图片；将四张笔迹图片分别进入同一个网络模型提取图像特征向量#imgabs0#，生成相应的四个特征向量；特征向量#imgabs1#经过两次双重笔迹注意力，进行权重加权处理，得到特征向量Y；将四张笔迹图片经过图像处理的128维图片进行融合，融合有512维图片；将融合后的图片经过自注意力与卷积操作，进行判断；将输出的特征向量进行sigmoid操作，将其作为置信度用来判断两张输入图片是否为同一个人书写。
-
公开(公告)号：CN111681231B
公开(公告)日：2023-04-18
申请号：CN202010525671.5
申请日：2020-06-10
Applicant: 厦门理工学院
IPC: G06T7/00 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于目标检测的工业焊接图像缺陷的检测方法，包括获取工业焊接图像；依据工业焊接图像中存在的焊接缺陷生成训练样本集；建立焊接缺陷检测模型；依据训练样本集对焊接缺陷检测模型进行深度学习训练；利用深度学习训练后的焊接缺陷检测模型对工业焊接图像进行焊接缺陷检测。该基于目标检测的工业焊接图像缺陷的检测方法目的是解决人工焊接缺陷检测工作的漏检错检、过程繁琐的问题。
-
公开(公告)号：CN111681231A
公开(公告)日：2020-09-18
申请号：CN202010525671.5
申请日：2020-06-10
Applicant: 厦门理工学院
Abstract: 本发明公开了一种基于目标检测的工业焊接图像缺陷的检测方法，包括获取工业焊接图像；依据工业焊接图像中存在的焊接缺陷生成训练样本集；建立焊接缺陷检测模型；依据训练样本集对焊接缺陷检测模型进行深度学习训练；利用深度学习训练后的焊接缺陷检测模型对工业焊接图像进行焊接缺陷检测。该基于目标检测的工业焊接图像缺陷的检测方法目的是解决人工焊接缺陷检测工作的漏检错检、过程繁琐的问题。
-
公开(公告)号：CN118349922B
公开(公告)日：2024-09-03
申请号：CN202410783596.0
申请日：2024-06-18
Applicant: 厦门理工学院
IPC: G06F18/2431 , G06F18/25 , G06F18/213 , G10L25/03 , G10L25/30 , G10L25/63 , G10H1/00 , G06F40/216 , G06F40/253 , G06F40/284 , G06F40/30 , G06N3/044 , G06N3/045 , G06N3/047 , G06N3/0475
Abstract: 本发明提供的基于上下文特征的音乐情感识别方法、装置、设备及介质，涉及人工智能技术领域，本发明方法通过对音乐样本数据集进行数据处理与特征提取后，采用深度置信网络DBN模型训练学习音乐的局部特征，得到DBN融合特征；构建特征金字塔，以提高模型对不同分辨率下的特征提取的准确性，得到多尺度融合DBN模型；再结合一定时间间隔的前后音乐片段的特征，计算出上下文特征值差，并根据特征值差，进行相邻片段之间的上下文特征融合，以修正模型对情感一致性的理解，最终得到音乐情感识别模型。本发明方法能够捕捉音乐不同层次的细节特征，提高了音乐特征提取与情感分类识别的效率。
-
Patent Agency Ranking
公开(公告)号：CN117853945A
公开(公告)日：2024-04-09
申请号：CN202410037867.8
申请日：2024-01-10
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于多源信息融合的遥感图像语义分割方法（即MSGFormer）。具体来说MSGFormer包含三个模块首先，MSG(多尺度自注意全局特征融合)，通过多尺度卷积将不同大小感受野的特征图通过自注意卷积去除冗余特征，获得长距离依赖关系集成到每个解码器阶段。其次PA(坐标注意力)有效解决了类别之间的位置联系；最后提取解码器的低级语义信息(CNN_Stem)作为支流注入解码器上采样最后一层中作为细节分割补充。本发明方法在两个公开的基准数据集上优于当前最先进的算法。
-
公开(公告)号：CN117372701B
公开(公告)日：2024-03-12
申请号：CN202311667809.5
申请日：2023-12-07
Applicant: 厦门瑞为信息技术有限公司 , 厦门理工学院
IPC: G06V10/26 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开基于Transformer的交互式图像分割方法，选取想要标注的图像，载入到交互式图像分割标注软件中；选择分割目标，根据用户点击行为生成点击记录，在对应位置生成点击标记；确认交互完成后，根据点击记录将其转换为圆盘图，作为相对应的正负点击指导再和原始掩码拼接，在与原图相加后作为分割模型输入；利用预训练分割模型对图像中的指定目标进行分割，返回初始的分割掩码；根据初始的分割掩码结果，选择添加合适的正负点击对错误区域进行再次标记；将新的标记再次送入分割模型，并返回修正后的结果。如此往复，对分割结果进行细化，以得到满意的结果。本发明能提高交互式图像分割标注性能，以更少的交互次数得到更好的分割结果。
-
公开(公告)号：CN111681232B
公开(公告)日：2023-03-10
申请号：CN202010525675.3
申请日：2020-06-10
Applicant: 厦门理工学院
IPC: G06T7/00 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于语义分割的工业焊接图像缺陷的检测方法，包括：获取存在焊接缺陷的工业焊接图像；根据焊接缺陷规范对焊接缺陷进行像素级别标注，以生成焊接缺陷训练样本集；建立焊接缺陷分割模型，并使用焊接缺陷训练样本集进行深度学习训练；利用深度学习训练后的焊接缺陷分割模型对工业焊接图像进行焊接缺陷检测。该基于语义分割的工业焊接图像缺陷的检测方法目的是解决复杂场景下无法进行焊接缺陷自动检测的问题。
-
公开(公告)号：CN117475155B
公开(公告)日：2024-04-02
申请号：CN202311797890.9
申请日：2023-12-26
Applicant: 厦门瑞为信息技术有限公司 , 厦门理工学院
IPC: G06V10/26 , G06V20/13 , G06V20/17 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明公开基于半监督学习的轻量级遥感图像分割方法，包括S1、收集原始图像数据集，标注部分数据集以得到部分标注的训练数据集；S2、构建两个完全一致的语义分割模型；S3、将无标签数据同时输入两个语义分割模型，计算输出的一致性损失；S4、将有标签数据同时输入两个语义分割模型，计算交叉熵损失和骰子损失的混合损失作为有监督损失；S5、总损失为一致性损失和两个模型的混合损失三者按权重相加；S6、对总体损失进行优化和反向梯度传播，更新网络参数；S7、在同一测试集分别测试训练好的两个模型，选择其中精度较高的一个模型作为最终模型。本发明可提高遥感图像分割的效率，在较低的参数量和计算复杂度下实现了更高的精度。
-
公开(公告)号：CN119940157A
公开(公告)日：2025-05-06
申请号：CN202510426012.9
申请日：2025-04-07
Applicant: 厦门理工学院 , 众数(厦门)信息科技有限公司
IPC: G06F30/27 , G06F30/15 , G06F18/2415 , G06F18/2431 , G06F18/25 , G06F40/295 , G06N3/045 , G06N3/0464 , G06N3/044 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于文本与图关系的船舶外观及内装概念图设计方法，包括以下步骤：S1、对船舶外观及内装图像进行实体识别与关系抽取；S2、基于文本图建模神经网络架构，将图像特征表示与标记对应的文本特征表示进行拼接融合，生成融合特征表示；S3、将变分自编码器自学习的潜在空间表示和生成对抗网络图像生成能力融合，通过联合训练优化二者参数，并基于递归性模型的规则的变换或可微分生成船舶外观及内装概念设计图。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.015 seconds)
