-
公开(公告)号：CN111062438B
公开(公告)日：2023-06-16
申请号：CN201911303397.0
申请日：2019-12-17
Applicant: 大连理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0895
Abstract: 本发明属于计算机视觉技术领域，一种基于相关学习的图传播的弱监督细粒度图像分类算法。在判别区域定位阶段，提出了一个交叉图传播子网络以学习区域相关性，该方法建立区域之间的相关性，然后通过交叉加权其他区域的方法来增强每个区域。通过这种方式，每个区域的表示是同时对全局图像级上下文和局部空间上下文进行的编码，因此可以指导网络隐式发现对于WFGIC更有力的判别性区域组。在判别性特征表示阶段，提出了相关特征加强子网络，以探索判别性patch的特征向量间的内部语义相关性，通过迭代增强信息元素同时抑制无用元素来提高其判别能力。
-
公开(公告)号：CN110956222A
公开(公告)日：2020-04-03
申请号：CN201911303406.6
申请日：2019-12-17
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 本发明属于计算机目标检测技术领域，提供了一种用于水下目标检测的检测网络的方法。两个轻量级的模块为基础构建神经网络，通过MFF与MBP模块搭建UnderwaterNet。前者加强了信息在一个模块之内的交互性与流动性，后者通过不同尺度的高斯模糊进行下采样，既加强了网络的平移不变性也产生了利于小目标检测的不同等级的模糊特征图。两者都具有轻量级与多尺度的特点，因而适合部署到水下机器人上，在保证速度的同时也能达到很高的精度，为水下目标检测任务提供了一种新的解决方案。
-
公开(公告)号：CN110309858B
公开(公告)日：2022-07-01
申请号：CN201910485179.7
申请日：2019-06-05
Applicant: 大连理工大学
IPC: G06V10/764 , G06V10/766 , G06V10/82 , G06K9/62
Abstract: 本发明属于计算机视觉技术领域，提供了一种基于判别学习的细粒度图像分类方法。提出了一种新的端到端自回归定位与判别性先验网络模型，该模型学习探索更准确的判别patch大小，并能够实时分类图像。具体而言，设计了一个多任务判别学习网络，包含一个自回归定位子网络和一个判别性的先验子网络，判别性的先验子网络具有引导损失函数和一致性损失函数来同时学习自回归系数和判别性的先验map。自回归系数可以减少判别性patch中的噪声信息，判别性先验map通过学习判别概率值将数千个候选patch过滤成个位数数量patch。大量实验表明，所提出的SDN模型在准确性和效率方面均达到了最新水平。
-
公开(公告)号：CN110956222B
公开(公告)日：2021-11-19
申请号：CN201911303406.6
申请日：2019-12-17
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 本发明属于计算机目标检测技术领域，提供了一种用于水下目标检测的检测网络的方法。两个轻量级的模块为基础构建神经网络，通过MFF与MBP模块搭建UnderwaterNet。前者加强了信息在一个模块之内的交互性与流动性，后者通过不同尺度的高斯模糊进行下采样，既加强了网络的平移不变性也产生了利于小目标检测的不同等级的模糊特征图。两者都具有轻量级与多尺度的特点，因而适合部署到水下机器人上，在保证速度的同时也能达到很高的精度，为水下目标检测任务提供了一种新的解决方案。
-
公开(公告)号：CN111242102A
公开(公告)日：2020-06-05
申请号：CN202010199084.1
申请日：2020-03-20
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉技术领域，一种基于判别性特征导向的高斯混合模型的细粒度图像识别算法，包括1)低秩表示机制，该机制通过高斯混合模型学习一组低秩判别基，以准确选择判别性细节，并在高层语义特征图上过滤去更多的不相关信息，2)低秩表示重组机制，可恢复低秩判别基的空间信息以重建低秩特征图。通过将低秩判别基恢复到高层特征图的相同嵌入空间中，LR2M缓解了高层特征图中判别性区域的扩散问题，并且判别区域可以更精确地定位在新的低秩特征图上。DF-GMM在CUB-Bird，Stanford-Cars和FGVC Aircraft数据集中，与当前最具竞争力的一些方法在相同设置下，可以取得最好的性能。
-
Patent Agency Ranking
公开(公告)号：CN110796183A
公开(公告)日：2020-02-14
申请号：CN201910986800.8
申请日：2019-10-17
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 本发明属于计算机视觉技术领域，提供了一种基于相关性引导的判别学习的弱监督细粒度图像分类算法。提出了一种端到端的相关性引导的判别学习模型，以充分挖掘和利用弱监督细粒度图像分类的相关性提升判别性。首先，提出了判别性区域分组子网络，该子网络首先在区域之间建立相关性，然后通过加权汇总来自其他区域的所有相关性来增强每个区域来引导网络去发现更具有判别性区域组。最后，提出了判别性特征增强子网络，以挖掘和学习每个patch的特征向量元素之间的内部空间相关性，通过联合地增强信息元素同时抑制无用元素来提高其局部的判别能力。大量实验证明了DRG和DFS有效性，并达到了最先进的性能。
-
公开(公告)号：CN108920643A
公开(公告)日：2018-11-30
申请号：CN201810711795.5
申请日：2018-06-26
Applicant: 大连理工大学
CPC classification number: G06N3/0454 , G06K9/6256
Abstract: 本发明属于计算机视觉技术领域，提供了一种加权多特征融合的细粒度图像检索算法。先设计约束条件来过滤patch。其次，改进了现阶段对大量patch特征采用的聚类或求和平均的方式，结合卷积层特征中目标区域激活值较大的特性，提出使用加权max-pooling聚合patch特征，弱化可能残留背景信息的同时，尽可能多地保留有效目标信息。最后，引入深度信念网络，对图像的多级特征进行有效的非线性融合，挖掘出特征之间存在的内在联系以及丰富的互补信息，更好地对图像特征进行表征。与其它细粒度图像检索方法相比，本发明的算法综合地表征细粒度图像特征，进一步提高图像检索的准确率。
-
公开(公告)号：CN111242102B
公开(公告)日：2022-11-18
申请号：CN202010199084.1
申请日：2020-03-20
Applicant: 大连理工大学
Abstract: 本发明属于计算机视觉技术领域，一种基于判别性特征导向的高斯混合模型的细粒度图像识别算法，包括1)低秩表示机制，该机制通过高斯混合模型学习一组低秩判别基，以准确选择判别性细节，并在高层语义特征图上过滤去更多的不相关信息，2)低秩表示重组机制，可恢复低秩判别基的空间信息以重建低秩特征图。通过将低秩判别基恢复到高层特征图的相同嵌入空间中，LR2M缓解了高层特征图中判别性区域的扩散问题，并且判别区域可以更精确地定位在新的低秩特征图上。DF‑GMM在CUB‑Bird，Stanford‑Cars和FGVC Aircraft数据集中，与当前最具竞争力的一些方法在相同设置下，可以取得最好的性能。
-
公开(公告)号：CN111062438A
公开(公告)日：2020-04-24
申请号：CN201911303397.0
申请日：2019-12-17
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 本发明属于计算机视觉技术领域，一种基于相关学习的图传播的弱监督细粒度图像分类算法。在判别区域定位阶段，提出了一个交叉图传播子网络以学习区域相关性，该方法建立区域之间的相关性，然后通过交叉加权其他区域的方法来增强每个区域。通过这种方式，每个区域的表示是同时对全局图像级上下文和局部空间上下文进行的编码，因此可以指导网络隐式发现对于WFGIC更有力的判别性区域组。在判别性特征表示阶段，提出了相关特征加强子网络，以探索判别性patch的特征向量间的内部语义相关性，通过迭代增强信息元素同时抑制无用元素来提高其判别能力。
-
公开(公告)号：CN110309858A
公开(公告)日：2019-10-08
申请号：CN201910485179.7
申请日：2019-06-05
Applicant: 大连理工大学
IPC: G06K9/62
Abstract: 本发明属于计算机视觉技术领域，提供了一种基于判别学习的细粒度图像分类算法。提出了一种新的端到端自回归定位与判别性先验网络模型，该模型学习探索更准确的判别patch大小，并能够实时分类图像。具体而言，设计了一个多任务判别学习网络，包含一个自回归定位子网络和一个判别性的先验子网络，判别性的先验子网络具有引导损失函数和一致性损失函数来同时学习自回归系数和判别性的先验map。自回归系数可以减少判别性patch中的噪声信息，判别性先验map通过学习判别概率值将数千个候选patch过滤成个位数数量patch。大量实验表明，所提出的SDN模型在准确性和效率方面均达到了最新水平。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.026 seconds)
