-
公开(公告)号：CN114743023B
公开(公告)日：2022-08-26
申请号：CN202210664056.1
申请日：2022-06-14
Applicant: 安徽大学
Abstract: 本发明涉及一种基于RetinaNet模型的麦蜘蛛图像检测方法，与现有技术相比解决了针对麦蜘蛛图像检测效率低、鲁棒性差的缺陷。本发明包括以下步骤：麦蜘蛛图像样本的获取和预处理；麦蜘蛛图像样本的扩充；麦蜘蛛图像检测模型的构建；麦蜘蛛图像检测模型的训练；待检测图像的获取；麦蜘蛛图像检测结果的获得。本发明将多头自注意力模块与残差网络融合，组成了一个新颖的并行骨干网络架构，利用高分辨率的特征图提取小目标的特征，基于交互特征图之间的上下文信息，通过重新设计更符合小目标的锚框，实现了更高效、更准确的麦蜘蛛虫害图像检测。
-
公开(公告)号：CN114743023A
公开(公告)日：2022-07-12
申请号：CN202210664056.1
申请日：2022-06-14
Applicant: 安徽大学
Abstract: 本发明涉及一种基于RetinaNet模型的麦蜘蛛图像检测方法，与现有技术相比解决了针对麦蜘蛛图像检测效率低、鲁棒性差的缺陷。本发明包括以下步骤：麦蜘蛛图像样本的获取和预处理；麦蜘蛛图像样本的扩充；麦蜘蛛图像检测模型的构建；麦蜘蛛图像检测模型的训练；待检测图像的获取；麦蜘蛛图像检测结果的获得。本发明将多头自注意力模块与残差网络融合，组成了一个新颖的并行骨干网络架构，利用高分辨率的特征图提取小目标的特征，基于交互特征图之间的上下文信息，通过重新设计更符合小目标的锚框，实现了更高效、更准确的麦蜘蛛虫害图像检测。
-
公开(公告)号：CN114140732A
公开(公告)日：2022-03-04
申请号：CN202111502053.X
申请日：2021-12-09
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/40 , G06N3/04 , G06N3/08 , G06V10/774 , G06V10/764 , G06V10/20
Abstract: 本发明提供了一种面向小样本条件下的消防火源检测方法、装置及存储介质，属于目标检测及工业部署领域，包括：收集工业现场的火源图像数据；构建火源检测模型；将火源图像数据输入火源检测模型中，通过火源检测模型对火源图像数据进行分析，获得检测结果；所述检测结果包括火源的具体位置、精度和类别。该方法缓解了小样本条件下，数据的样本量不够，训练困难的问题，使用不同的增强方法，大幅增加了样本的数量和质量，提升了模型的过拟合能力；通过本方法解决小目标检测难的问题，提升了小目标的检测精度，实现工业现场端到端实时检测。
-
公开(公告)号：CN114511798B
公开(公告)日：2024-04-26
申请号：CN202111509227.5
申请日：2021-12-10
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/40 , G06V20/59 , G06N3/0464 , G06V10/82 , G06N3/08 , G06V10/80 , G06V10/764
Abstract: 本发明提供了一种基于transformer的驾驶员分心检测方法及装置，属于驾驶行为分析领域，包括采集分心驾驶图像数据；搭建驾驶员分心检测模型FPT；将采集到的分心驾驶图像数据输入驾驶员分心检测模型FPT中，利用驾驶员分心检测模型FPT对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态。本发明在Swin，Twins等模型的基础上提出一种新的网络模型驾驶员分心检测模型FPT，该这种模型与深度学习模型相比弥补了深度学习模型只能提取局部特征的缺点，与变压器transformer模型相比，提高了分类的精度，并且降低了参数量和运算量；对整个网络的损失函数进行了调整，在交叉熵损失函数的基础上添加了标签平滑，增加分类的准确度，有效抑制过拟合，提高了检测精度。
-
公开(公告)号：CN114519679A
公开(公告)日：2022-05-20
申请号：CN202210158438.7
申请日：2022-02-21
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明提供一种SAR目标图像数据智能增强方法，包括：输入待增强的SAR图像数据，确定需要生成图像的角度，对SAR图像数据进行旋转填充；构建高分辨率GAN模型，包括生成器和鉴别器；所述生成器依次包括：第一卷积层、多个密集连接的残差模块、第二卷积层、下采样层和第三卷积层；所述鉴别器包括四个序列模块；将旋转填充后的SAR图像数据输入到高分辨率GAN模型，进行重构，获得增强后的高分辨率SAR图像数据。用此智能数据增强的方法，可以扩充Mstar等一些数据量较少的SAR目标数据集，提高分类的精度。也可以用于扩充SSDD等目标检测常用的数据集，提高检测的精度。
-
Patent Agency Ranking
公开(公告)号：CN114511798A
公开(公告)日：2022-05-17
申请号：CN202111509227.5
申请日：2021-12-10
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
Abstract: 本发明提供了一种基于transformer的驾驶员分心检测方法及装置，属于驾驶行为分析领域，包括采集分心驾驶图像数据；搭建驾驶员分心检测模型FPT；将采集到的分心驾驶图像数据输入驾驶员分心检测模型FPT中，利用驾驶员分心检测模型FPT对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态。本发明在Swin，Twins等模型的基础上提出一种新的网络模型驾驶员分心检测模型FPT，该这种模型与深度学习模型相比弥补了深度学习模型只能提取局部特征的缺点，与变压器transformer模型相比，提高了分类的精度，并且降低了参数量和运算量；对整个网络的损失函数进行了调整，在交叉熵损失函数的基础上添加了标签平滑，增加分类的准确度，有效抑制过拟合，提高了检测精度。
-
公开(公告)号：CN114187581B
公开(公告)日：2024-04-09
申请号：CN202111527027.2
申请日：2021-12-14
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/59 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本发明提供了一种基于无监督学习的驾驶员分心细粒度检测方法，属于驾驶行为分析领域，包括：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；无监督学习检测模型包括骨干网络、投影头和损失函数；骨干网络为融入多层感知机MLP的RepMLP网络结构；投影头为将融入残差结构的多层感知机MLP；损失函数为基于对比学习和stop‑gradient策略的损失函数。本发明弥补了传统卷积层所堆积的CNN模型全局感知能力较差的问题，具备了较强的局部感知能力及良好的全局感知性能，可以使无监督学习检测模型对应用场景的泛化能力得到了加强。
-
公开(公告)号：CN114187581A
公开(公告)日：2022-03-15
申请号：CN202111527027.2
申请日：2021-12-14
Applicant: 安徽大学 , 安徽中科星联信息技术有限公司
IPC: G06V20/59 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本发明提供了一种基于无监督学习的驾驶员分心细粒度检测方法，属于驾驶行为分析领域，包括：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；无监督学习检测模型包括骨干网络、投影头和损失函数；骨干网络为融入多层感知机MLP的RepMLP网络结构；投影头为将融入残差结构的多层感知机MLP；损失函数为基于对比学习和stop‑gradient策略的损失函数。本发明弥补了传统卷积层所堆积的CNN模型全局感知能力较差的问题，具备了较强的局部感知能力及良好的全局感知性能，可以使无监督学习检测模型对应用场景的泛化能力得到了加强。
-
公开(公告)号：CN114519679B
公开(公告)日：2022-10-21
申请号：CN202210158438.7
申请日：2022-02-21
Applicant: 安徽大学 , 中国电子科技集团公司第三十八研究所
Abstract: 本发明提供一种SAR目标图像数据智能增强方法，包括：输入待增强的SAR图像数据，确定需要生成图像的角度，对SAR图像数据进行旋转填充；构建高分辨率GAN模型，包括生成器和鉴别器；所述生成器依次包括：第一卷积层、多个密集连接的残差模块、第二卷积层、上采样层和第三卷积层；所述鉴别器包括四个序列模块；将旋转填充后的SAR图像数据输入到高分辨率GAN模型，进行重构，获得增强后的高分辨率SAR图像数据。用此智能数据增强的方法，可以扩充Mstar等一些数据量较少的SAR目标数据集，提高分类的精度。也可以用于扩充SSDD等目标检测常用的数据集，提高检测的精度。
-
公开(公告)号：CN118506294A
公开(公告)日：2024-08-16
申请号：CN202410576131.8
申请日：2024-05-10
Applicant: 安徽大学
Abstract: 本发明涉及一种基于强化学习的交通流量统计方法，包括：采集交通场景的视频数据，获得初始视频样本；进行预处理；将预处理后的视频图像输入YOLOv8网络模型，进行目标检测；采用改进的SORT算法对检测出的预处理后的视频图像中的车辆进行跟踪；结合DDPG模型，优化目标跟踪策略，得到目标跟踪模型；将待统计的交通场景视频数据输入目标跟踪模型中，目标跟踪模型输出统计结果。本发明采用YOLOv8模型进行目标检测，能够快速准确地检测交通场景中的车辆；改进了SORT算法，从而提高了目标跟踪的准确度，额外引入强化学习技术即DDPG模型，通过学习车辆行驶时的特征，针对每个位置进行目标预测，有效提高了目标的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
