-
公开(公告)号：CN113361466A
公开(公告)日：2021-09-07
申请号：CN202110737860.3
申请日：2021-06-30
Applicant: 江南大学
Abstract: 本发明公开了一种基于多模态交叉指导学习的多光谱目标检测方法，属于多模态信息处理技术领域。所述方法包括：将成对多模态图片送入特征生成模块生成高低层特征，从中间层特征开始，成对多模态特征送入权重感知网络。权重感知网络输出各模态的加权特征，并将其分别返回另一模态的特征生成模块，从而将加权信息以联合交叉指导的方式逐步传输到下一层，建立模态间的长期依赖关系；然后融合特征输入下一阶段的权重感知网络，以加强不同阶段融合特征之间的联系，获得更具判别力的特征；最后提取不同尺度的特征层送入检测层，生成目标的位置和得分。该方法在KAIST数据集上获得77.16％的行人检测精度，行人平均漏检率下降至25.03％。
-
公开(公告)号：CN113361475B
公开(公告)日：2025-04-04
申请号：CN202110748340.2
申请日：2021-06-30
Applicant: 江南大学
IPC: G06V40/10 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多阶段特征融合信息复用的多光谱行人检测方法，属于多模态信息处理技术领域。所述方法包括：将成对的红外和可见光图片经由双流VGG16网络分别提取中间层特征做早期特征堆叠融合，获得早期融合特征，并基于融合特征生成行人建议。将生成的每一个行人建议先映射回三个多模态特征进行多特征池化，再进行高层池化特征加权融合，同时使用高低层特征池化策略组合池化特征，以完成高低层特征的联合。最后将池化特征送入全连接层完成检测任务。实验结果表明：在KAIST多光谱行人检测数据集上，获得76.24％的行人检测精度，行人平均漏检率下降至27.63％。
-
公开(公告)号：CN113361475A
公开(公告)日：2021-09-07
申请号：CN202110748340.2
申请日：2021-06-30
Applicant: 江南大学
Abstract: 本发明公开了一种基于多阶段特征融合信息复用的多光谱行人检测方法，属于多模态信息处理技术领域。所述方法包括：将成对的红外和可见光图片经由双流VGG16网络分别提取中间层特征做早期特征堆叠融合，获得早期融合特征，并基于融合特征生成行人建议。将生成的每一个行人建议先映射回三个多模态特征进行多特征池化，再进行高层池化特征加权融合，同时使用高低层特征池化策略组合池化特征，以完成高低层特征的联合。最后将池化特征送入全连接层完成检测任务。实验结果表明：在KAIST多光谱行人检测数据集上，获得76.24％的行人检测精度，行人平均漏检率下降至27.63％。
-
公开(公告)号：CN113361466B
公开(公告)日：2024-03-12
申请号：CN202110737860.3
申请日：2021-06-30
Applicant: 江南大学
Abstract: 本发明公开了一种基于多模态交叉指导学习的多光谱目标检测方法，属于多模态信息处理技术领域。所述方法包括：将成对多模态图片送入特征生成模块生成高低层特征，从中间层特征开始，成对多模态特征送入权重感知网络。权重感知网络输出各模态的加权特征，并将其分别返回另一模态的特征生成模块，从而将加权信息以联合交叉指导的方式逐步传输到下一层，建立模态间的长期依赖关系；然后融合特征输入下一阶段的权重感知网络，以加强不同阶段融合特征之间的联系，获得更具判别力的特征；最后提取不同尺度的特征层送入检测层，生成目标的位置和得分。该方法在KAIST数据集上获得77.16％的行人检测精度，行人平均漏检率下降至25.03％。
-
-
-
Search Results
4
records
(took 0.024 seconds)
