-
公开(公告)号：CN112613428A
公开(公告)日：2021-04-06
申请号：CN202011578813.0
申请日：2020-12-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于平衡损失的Resnet‑3D卷积牛视频目标检测方法。本发明步骤如下：1、将输入的原始牛群视频序列切分成帧，获得帧图片数据集并标注；然后对标注好的帧图片数据集进行划分，获得训练集与测试集；2、以滑动窗口的方式选取多个连续帧图片，依次得到连续的帧图片序列，从而对数据集进行扩充增强；3、将得到的帧图片序列通过目标检测网络Faster rcnn进行分类回归和位置回归，获取目标检测模型；4、将测试视频输入训练好的目标检测模型，得到牛的检测框及其置信度。本发明能有效解决高密度牛群因遮挡而检测不到的问题。同时本发明中是使用视频做测试，通过网络模型输出的是视频，可以有效解决图像融合视频时目标短暂丢失的问题。
-
公开(公告)号：CN112699804A
公开(公告)日：2021-04-23
申请号：CN202011632392.5
申请日：2020-12-31
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于注意力和局部特征的密集场景牛身份识别方法。本发明在深度学习技术的基础上在牛群密集场景的基础上设计了CGL模块、空间信息增强SEM模块使提取到的特征作为牛识别依据时更具有鲁棒性。同时为了解决强遮挡场景，设计了GLR模块寻找局部特征之间相关性，用局部特征之间相关性去表征一头牛。本发明提出了一种基于注意力和局部特征的密集场景牛身份识别方法，能有效解决在牛群密集场景下的牛身份识别问题，在复杂场景下的1:1比对识别能获得优异的识别性能。
-
公开(公告)号：CN112488936A
公开(公告)日：2021-03-12
申请号：CN202011350846.X
申请日：2020-11-26
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于生成对抗网络的手指静脉模糊图像去模糊的方法。本发明利用近邻二值汉明损失约束的26层深度网络生成器还原出清晰图像。首先提出多尺度窗口交替迭代卷积散焦、均值模糊核的方式来制作多态模糊训练集。然后提出用NBP汉明损失作为局部纹理损失，利用提取的局部纹理特征来指导生成器生成高保真度手指静脉图像。再提出步长为1的卷积模式保留更多静脉纹理特征信息量，同时利用26层深度网络结构来增强生成器的学习能力，充分学习纹理信息还原静脉纹理清晰的静脉图像。最后在26层深度网络生成器的残差模块两侧添加残差跳跃连接以防止训练模型退化和过拟合。本发明具有更好的效果，还原图像的静脉纹理更清晰，质量更高。
-
公开(公告)号：CN112488936B
公开(公告)日：2024-02-06
申请号：CN202011350846.X
申请日：2020-11-26
Applicant: 杭州电子科技大学
IPC: G06V10/20 , G06V40/14 , G06V10/82 , G06N3/0475 , G06N3/045
Abstract: 本发明公开了一种基于生成对抗网络的手指静脉模糊图像去模糊的方法。本发明利用近邻二值汉明损失约束的26层深度网络生成器还原出清晰图像。首先提出多尺度窗口交替迭代卷积散焦、均值模糊核的方式来制作多态模糊训练集。然后提出用NBP汉明损失作为局部纹理损失，利用提取的局部纹理特征来指导生成器生成高保真度手指静脉图像。再提出步长为1的卷积模式保留更多静脉纹理特征信息量，同时利用26层深度网络结构来增强生成器的学习能力，充分学习纹理信息还原静脉纹理清晰的静脉图像。最后在26层深度网络生成器的残差模块两侧添加残差跳跃连接以防止训练模型退化和过拟合。本发明具有更好的效果，还原图像的静脉纹理更清晰，质量更高。
-
-
-
Search Results
4
records
(took 0.037 seconds)
