公开(公告)号：CN115457363A

公开(公告)日：2022-12-09

申请号：CN202210957661.8

申请日：2022-08-10

Applicant: 暨南大学

Inventor： 骆爱文 ,  李媛 ,  路畅 ,  刘旭彬 ,  陈之奂 ,  郑烨 ,  易清明

IPC: G06V10/82 ,  G06V10/94 ,  G06N3/04 ,  G06N3/063 ,  G06N3/08

Abstract: 本发明涉及机器视觉技术领域，提出一种图像目标检测方法及系统，包括以下步骤：构建用于图像目标检测的第一网络模型、第二网络模型和第三网络模型；其中，第一网络模型、第二网络模型和第三网络模型中包括特征提取模块、特征融合模块和输出模块；其中，第一网络模型中的特征提取模块经过网络压缩得到，第二网络模型中的特征提取模块引入瓶颈结构，第三网络模型中的特征提取模块和特征融合模块采用FPN结构；根据第一网络模型、第二网络模型和第三网络模型分别生成相应的IP核，然后将IP核经过设计后搭载在硬件系统上；获取待检测的图像并对其进行预处理，根据图像的规格调用硬件系统上适配的IP核执行图像目标检测，输出得到目标检测结果。

公开(公告)号：CN115457363B

公开(公告)日：2023-08-04

申请号：CN202210957661.8

申请日：2022-08-10

Applicant: 暨南大学

Inventor： 骆爱文 ,  李媛 ,  路畅 ,  刘旭彬 ,  陈之奂 ,  郑烨 ,  易清明

IPC: G06V10/82 ,  G06V10/94 ,  G06N3/0464 ,  G06N3/063 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明涉及机器视觉技术领域，提出一种图像目标检测方法及系统，包括以下步骤：构建用于图像目标检测的第一网络模型、第二网络模型和第三网络模型；其中，第一网络模型、第二网络模型和第三网络模型中包括特征提取模块、特征融合模块和输出模块；其中，第一网络模型中的特征提取模块经过网络压缩得到，第二网络模型中的特征提取模块引入瓶颈结构，第三网络模型中的特征提取模块和特征融合模块采用FPN结构；根据第一网络模型、第二网络模型和第三网络模型分别生成相应的IP核，然后将IP核经过设计后搭载在硬件系统上；获取待检测的图像并对其进行预处理，根据图像的规格调用硬件系统上适配的IP核执行图像目标检测，输出得到目标检测结果。

公开(公告)号：CN114067153B

公开(公告)日：2022-07-12

申请号：CN202111290845.5

申请日：2021-11-02

Applicant: 暨南大学

Inventor： 骆爱文 ,  路畅 ,  黄蓓蓓 ,  李媛 ,  王芮

IPC: G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于并行双注意力轻量残差网络的图像分类方法及系统，包括对残差网络的卷积核进行结构优化，并提取输入图像的特征信息矩阵；对并行双注意力轻量残差结构输出的特征信息矩阵进行全局平均池化，整合全层空间信息，然后将特征信息矩阵转换为一维特征信息矩阵；将一维特征信息矩阵输入全连接层，得到分类任务对应类别数的矩阵，输出图像分类结果。本发明在对残差网络进行压缩并采取双分支空间通道注意力机制，在保证精度的前提下，压缩了参数和计算量，提升了处理速度，从而提高了基于深度神经网络的目标分类识别的整体效率。

公开(公告)号：CN114067153A

公开(公告)日：2022-02-18

申请号：CN202111290845.5

申请日：2021-11-02

Applicant: 暨南大学

Inventor： 骆爱文 ,  路畅 ,  黄蓓蓓 ,  李媛 ,  王芮

IPC: G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于并行双注意力轻量残差网络的图像分类方法及系统，包括对残差网络的卷积核进行结构优化，并提取输入图像的特征信息矩阵；对并行双注意力轻量残差结构输出的特征信息矩阵进行全局平均池化，整合全层空间信息，然后将特征信息矩阵转换为一维特征信息矩阵；将一维特征信息矩阵输入全连接层，得到分类任务对应类别数的矩阵，输出图像分类结果。本发明在对残差网络进行压缩并采取双分支空间通道注意力机制，在保证精度的前提下，压缩了参数和计算量，提升了处理速度，从而提高了基于深度神经网络的目标分类识别的整体效率。