-
公开(公告)号：CN109508741A
公开(公告)日：2019-03-22
申请号：CN201811333884.7
申请日：2018-11-09
Applicant: 哈尔滨工业大学
Abstract: 基于深度学习筛选训练集的方法，本发明涉及训练集筛选的方法。本发明的目的是为了解决现有训练集的大小直接影响深度学习的性能，训练集太小深度学习模型对于实际运行时采集到的新的图像不起作用，训练集太大，人工打标签耗费大量时间，影响训练效率的问题。过程为：一、采集初始数据集，将初始数据集分为训练集和测试集；二、搭建神经网络架构；三、将训练集输入神经网络进行训练，直至神经网络收敛，得到初始神经网络模型；四、将测试集输入目前得到的神经网络模型进行测试，得到满足要求的训练集和最终的神经网络模型；否则，对待识别区域重新采集图像，直至得到满足要求的训练集和最终的神经网络模型。本发明用于训练集筛选领域。
-
公开(公告)号：CN109409327B
公开(公告)日：2021-06-08
申请号：CN201811333891.7
申请日：2018-11-09
Applicant: 哈尔滨工业大学
Abstract: 基于端到端深度神经网络的RRU模块物件位姿检测方法，本发明涉及RRU模块物件位置与姿态检测方法。本发明的目的是为了解决现有深度神经网络进行目标定位和姿态检测时获得的是粗略的检测结果不能满足工业要求，以及网络训练的复杂、检测速度慢的问题。一：采集的物件图像；二：进行关键点标注；三：进行图像扩增，将扩增后的图像样本分为训练集和验证集；四：进行关键点标注，将图像文件和标签文件打包；五：搭建神经网络模型；六：得到训练好的神经网络；七：采集图像；八：得到边界框中心点位置；九：筛选出物件四个角点位置；十：计算出物件相对于水平位置的旋转角度。本发明用于RRU模块物件位姿检测领域。
-
公开(公告)号：CN109508741B
公开(公告)日：2022-05-10
申请号：CN201811333884.7
申请日：2018-11-09
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 基于深度学习筛选训练集的方法，本发明涉及训练集筛选的方法。本发明的目的是为了解决现有训练集的大小直接影响深度学习的性能，训练集太小深度学习模型对于实际运行时采集到的新的图像不起作用，训练集太大，人工打标签耗费大量时间，影响训练效率的问题。过程为：一、采集初始数据集，将初始数据集分为训练集和测试集；二、搭建神经网络架构；三、将训练集输入神经网络进行训练，直至神经网络收敛，得到初始神经网络模型；四、将测试集输入目前得到的神经网络模型进行测试，得到满足要求的训练集和最终的神经网络模型；否则，对待识别区域重新采集图像，直至得到满足要求的训练集和最终的神经网络模型。本发明用于训练集筛选领域。
-
公开(公告)号：CN109409327A
公开(公告)日：2019-03-01
申请号：CN201811333891.7
申请日：2018-11-09
Applicant: 哈尔滨工业大学
Abstract: 基于端到端深度神经网络的RRU模块物件位姿检测方法，本发明涉及RRU模块物件位置与姿态检测方法。本发明的目的是为了解决现有深度神经网络进行目标定位和姿态检测时获得的是粗略的检测结果不能满足工业要求，以及网络训练的复杂、检测速度慢的问题。一：采集的物件图像；二：进行关键点标注；三：进行图像扩增，将扩增后的图像样本分为训练集和验证集；四：进行关键点标注，将图像文件和标签文件打包；五：搭建神经网络模型；六：得到训练好的神经网络；七：采集图像；八：得到边界框中心点位置；九：筛选出物件四个角点位置；十：计算出物件相对于水平位置的旋转角度。本发明用于RRU模块物件位姿检测领域。
-
-
-
Search Results
4
records
(took 0.021 seconds)
