公开(公告)号：CN118470370A

公开(公告)日：2024-08-09

申请号：CN202410310575.7

申请日：2024-03-19

Applicant: 无锡学院

Inventor： 朱硕 ,  王煜 ,  孙佳豪 ,  刘政达 ,  梁吉丰 ,  宾杰 ,  邢知韵 ,  张绪康 ,  汪宗洋

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/44 ,  G06V10/42 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了基于信息交互的细粒度图像分类方法，包括：将输入图像分别输入到CNN分支网络的ResNet模块以及CB‑ViT模型的LFE模块中，ResNet模块对输入图像进行特征提取，得到特征图，并将特征图输入到级联CNN模块中，获取输入图像的局部特征；通过LFE模块获取输入图像的低级特征，将输入图像的低级特征输入到ViT分支网络中进行全局特征的提取，获取输入图像的全局图像信息；patch embedding模块将待分类的输入图像数据转化为特征图序列，通过线性映射将特征图序列投影到高维空间，添加一个分类标志向量，以用于最终输出概率分布，添加一个可学习的位置编码矩阵，以用于附加位置信息；Transformer Encoder模块将分类标志向量通过线性变换与激活函数的组合，得到待输入图像的细粒度分类。

公开(公告)号：CN118298424A

公开(公告)日：2024-07-05

申请号：CN202410487634.8

申请日：2024-04-22

Applicant: 无锡学院

Inventor： 朱硕 ,  张绪康 ,  宾杰 ,  孙佳豪 ,  刘政达 ,  王煜 ,  邢知韵 ,  汪宗洋

IPC: G06V20/69 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082

Abstract: 本发明公开了一种基于卷积神经网络的过参数化血细胞检测系统，涉及目标检测技术领域，为解决血细胞像素小，相互遮挡等问题，本发明提出的YOLOv7‑CDD算法在backbone网络中引入CBAM注意力机制，以较小的计算成本，增加重要信息权重，忽略无用信息，以提高网络对于各类血细胞关注度；在neck网络中的下采样部分添加DODConv模块，既可以轻量化网络，又能增强模型对小目标信息的捕捉能力；然后将预测头解耦，增强网络分类和回归能力，提高识别精度，减少了不同信息的耦合性，提升模型对于异常细胞检测的鲁棒性。

公开(公告)号：CN118587676A

公开(公告)日：2024-09-03

申请号：CN202410482624.5

申请日：2024-04-22

Applicant: 无锡学院

Inventor： 朱硕 ,  孙佳豪 ,  梁吉丰 ,  宾杰 ,  芮杨杰 ,  刘政达 ,  邢知韵 ,  汪宗洋

IPC: G06V20/58 ,  G06V10/25 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/082 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公开了一种基于轻量化卷积神经网络的交通标志检测方法，通过使用Ghost卷积和深度卷积构建新的主干模块，成功减少了参数量和计算量，从而提高算法的效率；引入SPDC模块增强了算法对多尺度特征信息的提取能力，进一步提升了模型的检测准确性；引入CARAFE上采样算子有助于增强特征网络的空间分辨率，使模型更精确地还原目标的细节信息；通过采用Focal‑EIoU损失函数替换传统的CIoU损失函数，成功解决了类别不平衡和边界框回归问题，有效提高了检测精度；改进后的模型方法不仅有效提升了交通标志检测的准确性，而且易于部署到嵌入式设备中实现实时在线检测，进一步提升了自动驾驶环境感知的智能化水平。

公开(公告)号：CN118298404A

公开(公告)日：2024-07-05

申请号：CN202410462556.6

申请日：2024-04-17

Applicant: 无锡学院

Inventor： 朱硕 ,  梁吉丰 ,  孙佳豪 ,  刘政达 ,  宾杰 ,  邢知韵 ,  芮杨杰 ,  汪宗洋

IPC: G06V20/58 ,  G06V10/52 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于改进YOLOv5s模型的交通标识检测方法，包括以下步骤：步骤1：获取交通标识图像数据集，并将交通标识图像数据集分为训练集和测试集；步骤2：改进YOLOv5s模型：将Neck网络中C3模块的3×3卷积替换为多样性分支DBB模块，得到C3_DB模块，在C3_DB模块后引入Context Aggregation模块；步骤3：将获得的训练集输入搭建好的YOLOv5s模型进行训练；用EIOU_Loss作为损失函数，当YOLOv5s模型损失曲线趋近于0且无明显波动时，停止训练，得到训练权重w，否则继续训练；步骤4：将获取到的交通标识图像输入到训练后的YOLOv5s模型中，进行交通标识检测，YOLOv5s模型根据权重自动识别交通标识的种类及数量。本发明改进后的YOLOv5s模型有效地提升了交通标志检测精度。