-
公开(公告)号：CN114821258B
公开(公告)日：2024-08-06
申请号：CN202210448707.3
申请日：2022-04-26
Applicant: 湖北工业大学
IPC: G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于特征图融合的类激活映射方法及装置。首先将电气设备图像输入至已训练好的卷积神经网络提取每一个卷积层的特征图，并将其融合后输出一个预测该图像类别的分数，并计算特征图相对于分数的梯度；将得到的梯度进行全局平均池化操作得到权重并将其与对应的特征图相乘，ReLU操作后得到最后的类激活图。本发明通过对深浅层特征图的融合，可让融合后的特征图同时具备深浅层特征图的优点，可以生成性能更好的类激活图。
-
公开(公告)号：CN114723733B
公开(公告)日：2024-08-02
申请号：CN202210450336.2
申请日：2022-04-26
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于公理解释的类激活映射方法及装置。首先将电气设备图像输入至已训练好的CNN模型，并提取模型中目标卷积层的特征图，同时获取目标类别分数，利用反向传播计算特征图相对于分数的梯度并对其优化处理，将优化后的梯度进行全局平均池化操作得到权重，最后将权重与特征图线性结合，并进行上采样和归一化操作得到初始类激活图；将得到的初始类激活图与输入图像点乘，对点乘后的图像进行平滑操作后再送入模型，经过softmax操作后生成N个分数，最终平均到一个分数；最后将得到的分数与初始类激活图相乘，ReLU操作后得到最后的类激活图。利用本发明生成的类激活图在清晰度、对象定位等方面有更好的视觉解释。
-
公开(公告)号：CN114821258A
公开(公告)日：2022-07-29
申请号：CN202210448707.3
申请日：2022-04-26
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于特征图融合的类激活映射方法及装置。首先将电气设备图像输入至已训练好的卷积神经网络提取每一个卷积层的特征图，并将其融合后输出一个预测该图像类别的分数，并计算特征图相对于分数的梯度；将得到的梯度进行全局平均池化操作得到权重并将其与对应的特征图相乘，ReLU操作后得到最后的类激活图。本发明通过对深浅层特征图的融合，可让融合后的特征图同时具备深浅层特征图的优点，可以生成性能更好的类激活图。
-
公开(公告)号：CN114723049A
公开(公告)日：2022-07-08
申请号：CN202210450329.2
申请日：2022-04-26
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于梯度优化的类激活映射方法及装置。首先将电气设备图像输入至已训练好的卷积神经网络提取目标卷积层的特征图，同时网络输出能预测该图像类别的分数，利用反向传播计算特征图相对于分数的梯度；对得到的梯度进行优化处理，并使所有梯度都转换为正梯度后得到正相关梯度，将正相关梯度进行全局平均池化操作得到权重，最后将权重与特征图线性结合，并进行上采样和归一化操作得到初始类激活图；将得到的初始类激活图与输入图像点乘后再送入卷积神经网络，经过softmax操作后得到分数；将的分数与初始类激活图相乘，ReLU操作后得到最后的类激活图。本发明通过优化梯度使类激活图中显著性区域更加集中。
-
Patent Agency Ranking
公开(公告)号：CN111667444B
公开(公告)日：2021-12-03
申请号：CN202010478064.8
申请日：2020-05-29
Applicant: 湖北工业大学
Abstract: 本发明涉及图像处理领域，主要涉及一种基于多通道残差网络的图像压缩感知重建方法。本发明首先利用全卷积网络对输入数据进行测量，随后使用反卷积网络对测量信号进行初始重建，最后利用空洞卷积组成的多通道网络完成图像的深度重建。本发明能有效提高测量效率，输入为完整图像，不需要分块处理，且高精度重建原始图像重建，避免了分块效应。
-
公开(公告)号：CN114723049B
公开(公告)日：2024-07-26
申请号：CN202210450329.2
申请日：2022-04-26
Applicant: 湖北工业大学
IPC: G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种基于梯度优化的类激活映射方法及装置。首先将电气设备图像输入至已训练好的卷积神经网络提取目标卷积层的特征图，同时网络输出能预测该图像类别的分数，利用反向传播计算特征图相对于分数的梯度；对得到的梯度进行优化处理，并使所有梯度都转换为正梯度后得到正相关梯度，将正相关梯度进行全局平均池化操作得到权重，最后将权重与特征图线性结合，并进行上采样和归一化操作得到初始类激活图；将得到的初始类激活图与输入图像点乘后再送入卷积神经网络，经过softmax操作后得到分数；将的分数与初始类激活图相乘，ReLU操作后得到最后的类激活图。本发明通过优化梯度使类激活图中显著性区域更加集中。
-
公开(公告)号：CN114723733A
公开(公告)日：2022-07-08
申请号：CN202210450336.2
申请日：2022-04-26
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于公理解释的类激活映射方法及装置。首先将电气设备图像输入至已训练好的CNN模型，并提取模型中目标卷积层的特征图，同时获取目标类别分数，利用反向传播计算特征图相对于分数的梯度并对其优化处理，将优化后的梯度进行全局平均池化操作得到权重，最后将权重与特征图线性结合，并进行上采样和归一化操作得到初始类激活图；将得到的初始类激活图与输入图像点乘，对点乘后的图像进行平滑操作后再送入模型，经过softmax操作后生成N个分数，最终平均到一个分数；最后将得到的分数与初始类激活图相乘，ReLU操作后得到最后的类激活图。利用本发明生成的类激活图在清晰度、对象定位等方面有更好的视觉解释。
-
公开(公告)号：CN112150566A
公开(公告)日：2020-12-29
申请号：CN202011034288.6
申请日：2020-09-27
Applicant: 湖北工业大学
Abstract: 本发明涉及图像处理领域，主要涉及一种基于特征融合的密集残差网络图像压缩感知重建方法。应用多个密集残差块，提出了一个基于压缩感知算法的密集残差网络(RDNCS)；每个密集残差块(RDB)包括连接记忆单元，局部特征融合单元，和局部残差学习单元。因此，本发明具有如下优点：1.在每一个RDB中，连接记忆单元机制、特征融合机制以及残差学习显著提高了图像重建质量。2.特征融合机制使得RDB网络获取的特征更加广泛与有效，自适应的获取重建所需的信息，而且降低了网络的特征图数量。
-
公开(公告)号：CN111667444A
公开(公告)日：2020-09-15
申请号：CN202010478064.8
申请日：2020-05-29
Applicant: 湖北工业大学
Abstract: 本发明涉及图像处理领域，主要涉及一种基于多通道残差网络的图像压缩感知重建方法。本发明首先利用全卷积网络对输入数据进行测量，随后使用反卷积网络对测量信号进行初始重建，最后利用空洞卷积组成的多通道网络完成图像的深度重建。本发明能有效提高测量效率，输入为完整图像，不需要分块处理，且高精度重建原始图像重建，避免了分块效应。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.027 seconds)
