-
公开(公告)号：CN111275718A
公开(公告)日：2020-06-12
申请号：CN202010056068.7
申请日：2020-01-18
Applicant: 江南大学
Abstract: 本发明公开了一种基于显著区域分割的衣物量检测及护色洗判别方法，属于智能制造及人工智能技术领域。本发明以视觉显著性区域分割作为解决问题的主要途径，并在分割网络中加入了多尺度特征聚合模块，以及循环残差优化模块，提高了分割效果，进而提高了衣物量检测精度；具体是利用洗衣机内拍摄的图片，通过设计视觉显著性判别网络，利用洗衣机内筒与衣物的视觉差异，精确分割出桶内衣物，在此基础上设计衣物量检测及护色洗判别方案，完成精确判别。
-
Patent Agency Ranking
公开(公告)号：CN110895707A
公开(公告)日：2020-03-20
申请号：CN201911196183.8
申请日：2019-11-28
Applicant: 江南大学
Abstract: 本发明公开了一种强遮挡条件下洗衣机内衣物类型的深度判别方法，属于智能制造及人工智能技术领域。本发明通过设计一个基于图像的目标检测网络完成洗衣机内衣物类型的检测，且针对洗衣机内衣物存在强遮挡的情况，提出一种基于双向多尺度融合的区域生成网络，通过多尺度特征的正向与方向融合，实现不同层特征间的信息交流，提高检测网络对目标尺度变化的适应性。
-
公开(公告)号：CN110895707B
公开(公告)日：2023-06-20
申请号：CN201911196183.8
申请日：2019-11-28
Applicant: 江南大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/25 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种强遮挡条件下洗衣机内衣物类型的深度判别方法，属于智能制造及人工智能技术领域。本发明通过设计一个基于图像的目标检测网络完成洗衣机内衣物类型的检测，且针对洗衣机内衣物存在强遮挡的情况，提出一种基于双向多尺度融合的区域生成网络，通过多尺度特征的正向与方向融合，实现不同层特征间的信息交流，提高检测网络对目标尺度变化的适应性。
-
公开(公告)号：CN111753849B
公开(公告)日：2024-06-28
申请号：CN202010606592.7
申请日：2020-06-29
Applicant: 江南大学
IPC: G06V10/46 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明的目的是提供一种基于紧密聚合特征和循环残差学习的检测方法及系统，属于图像处理技术领域。系统包括紧密特征提取模块、所有特征聚合模块、循环残差优化模块，方法包括如下步骤：提取紧密卷积特征，将连续阶段的输出特征结合到一起，针对所有层提取的紧密卷积特征采用空洞空间金字塔池化模块实现多层特征外部信息聚合；在深度监督机制下，以残差学习的方式不断优化，对整体循环残差网络在三个视觉显著性检测数据集上进行测试，测试完成后即可使用所述基于紧密聚合特征的循环残差网络进行自然图像中视觉显著性检测的实际应用。本发明提高了视觉显著性检测在复杂场景下的检测效果，增强对背景噪声的抑制和检测区域的连续性、完整度。
-
公开(公告)号：CN111275718B
公开(公告)日：2024-01-30
申请号：CN202010056068.7
申请日：2020-01-18
Applicant: 江南大学
IPC: G06T7/11 , G06N3/0464 , G06N3/08 , G06T7/194
Abstract: 本发明公开了一种基于显著区域分割的衣物量检测及护色洗判别方法，属于智能制造及人工智能技术领域。本发明以视觉显著性区域分割作为解决问题的主要途径，并在分割网络中加入了多尺度特征聚合模块，以及循环残差优化模块，提高了分割效果，进而提高了衣物量检测精度；具体是利用洗衣机内拍摄的图片，通过设计视觉显著性判别网络，利用洗衣机内筒与衣物的视觉差异，精确分割出桶内衣物，在此基础上设计衣物量检测及护色洗判别方案，完成精确判别。
-
公开(公告)号：CN111753849A
公开(公告)日：2020-10-09
申请号：CN202010606592.7
申请日：2020-06-29
Applicant: 江南大学
Abstract: 本发明的目的是提供一种基于紧密聚合特征和循环残差学习的检测方法及系统，属于图像处理技术领域。系统包括紧密特征提取模块、所有特征聚合模块、循环残差优化模块，方法包括如下步骤：提取紧密卷积特征，将连续阶段的输出特征结合到一起，针对所有层提取的紧密卷积特征采用空洞空间金字塔池化模块实现多层特征外部信息聚合；在深度监督机制下，以残差学习的方式不断优化，对整体循环残差网络在三个视觉显著性检测数据集上进行测试，测试完成后即可使用所述基于紧密聚合特征的循环残差网络进行自然图像中视觉显著性检测的实际应用。本发明提高了视觉显著性检测在复杂场景下的检测效果，增强对背景噪声的抑制和检测区域的连续性、完整度。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
