-
公开(公告)号：CN109241972B
公开(公告)日：2021-10-01
申请号：CN201810947587.5
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于深度学习的图像语义分割方法，涉及图像语义分割和深度学习领域，包括如下步骤：选择训练数据集；构建基于深度学习的语义分割模型；语义分割模型包括：语义监督模块、语义嵌入分值模块、特征重校正模块、上采样层和卷积层；通过分类模型对训练数据集进行预处理，并将分类模型的中间层输出的不同尺度的特征图输入构建好的语义分割模型中的语义监督模块中；对整个图像语义分割模型进行训练；步骤5：输入新的图像，在已训练好的深度神经网络模型中进行一次前向传播，端到端地输出预测的语义分割结果。本发明解决了现有技术中的图像语义分割准确率较低的问题。
-
公开(公告)号：CN109190514A
公开(公告)日：2019-01-11
申请号：CN201810921302.0
申请日：2018-08-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于双向长短期记忆网络的人脸属性识别方法及系统，该人脸属性识别方法包括：获取人脸图像数据集；将获取的人脸图像数据集进行图像预处理后，生成人脸图像训练集；构建基于双向长短期记忆网络的深度神经网络，将人脸图像训练集作为输入对所述深度神经网络进行训练，得到深度神经网络模型；将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。本发明通过改进卷积神经网络，并增加双向长短期记忆网络构建深度神经网络，利用长短期记忆网络对于序列相关性的建模能力，学习不同任务得到的人脸属性特征之间的相关性和特异性，从而提高人脸属性识别的准确度。
-
公开(公告)号：CN110443323A
公开(公告)日：2019-11-12
申请号：CN201910762208.X
申请日：2019-08-19
Applicant: 电子科技大学
Abstract: 本发明涉及基于长短期记忆网络和人脸关键点的相貌评估方法，包括：A.采集输入图像中人脸的关键点，将预处理后的人脸数据分为训练集和测试集；B.构建包括前端网络和后端网络的深度学习模型，并完成对所述深度学习模型的初始化，在前端网络中包括不含全局平均池化层和全连接层的Resnext-50神经网络，在后端网络中包括一个长短期记忆网络和一个全连接层；C.将训练集的数据输入到初始化后的深度学习模型中对深度学习模型进行训练，得到优化后的深度学习模型；D.将所述测试集的数据输入到优化后的深度学习模型，得到人脸相貌评估的结果。本发明大幅度减少了人脸相貌评估过程中的回归误，并且得到了更准确的人脸相貌评估效果。
-
公开(公告)号：CN109145983A
公开(公告)日：2019-01-04
申请号：CN201810952416.1
申请日：2018-08-21
Applicant: 电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6268 , G06K9/6256
Abstract: 本发明公开了一种基于轻量化网络的实时场景图像语义分割方法，包括以下步骤：S1、根据场景图像数据集，训练一个轻量化网络分类模型；S2、以轻量化网络分类模型为基础构建深度卷积神经网络模型；S3、将场景图像数据集中训练数据输入至深度卷积神经网络，输出预测图像，并与场景图像数据集中的语义标注图像对比，并计算出交叉熵损失作为目标函数，得到训练好的图像语义分割模型；S4、将待测试的实时场景图像输入至图像语义分割模型中，得到图像语义分割结果。本发明通过将修改过的MobileNetV2作为基础网络，能高效地提取图像特征，在上采样过程中，运用快捷连接块，使参数利用更加高效，进一步提高了语义分割模型的速度。
-
Patent Agency Ranking
公开(公告)号：CN109063666A
公开(公告)日：2018-12-21
申请号：CN201810921647.6
申请日：2018-08-14
Applicant: 电子科技大学
CPC classification number: G06K9/00288 , G06K9/6273 , G06N3/0454 , G06N3/084
Abstract: 本发明公开了一种基于深度可分离卷积的轻量化人脸识别方法及系统，该人脸识别方法包括：对三层级联卷积神经网络进行训练，得到训练好的三层级联卷积神经网络；对深度可分离卷积神经网络进行训练，得到深度可分离卷积神经网络模型；对深度可分离卷积神经网络模型中的卷积层的权重系数进行压缩，得到训练好的深度可分离卷积神经网络模型；输入待识别人脸图像至训练好的三层级联卷积神经网络进行图像预处理，然后输出预处理图像至训练好的深度可分离卷积神经网络模型进行人脸识别。本发明通过采用深度可分离卷积减少计算量，降低模型大小，并进一步对深度可分离卷积神经网络模型中的卷积层的权重系数进行压缩，使得模型缩小35到49倍。
-
公开(公告)号：CN109190514B
公开(公告)日：2021-10-01
申请号：CN201810921302.0
申请日：2018-08-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于双向长短期记忆网络的人脸属性识别方法及系统，该人脸属性识别方法包括：获取人脸图像数据集；将获取的人脸图像数据集进行图像预处理后，生成人脸图像训练集；构建基于双向长短期记忆网络的深度神经网络，将人脸图像训练集作为输入对所述深度神经网络进行训练，得到深度神经网络模型；将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。本发明通过改进卷积神经网络，并增加双向长短期记忆网络构建深度神经网络，利用长短期记忆网络对于序列相关性的建模能力，学习不同任务得到的人脸属性特征之间的相关性和特异性，从而提高人脸属性识别的准确度。
-
公开(公告)号：CN110598586A
公开(公告)日：2019-12-20
申请号：CN201910794312.7
申请日：2019-08-27
Applicant: 电子科技大学
Abstract: 本发明公开一种目标检测方法及系统。本发明提供的目标检测方法及系统，首先通过模式引导分类模型对待检测图像的场景模式进行识别，然后根据场景模式选择目标检测模型中对应场景的目标检测子模型进行目标检测，获得检测目标的位置信息。本发明首先将多场景的检测任务进行模式分离后，然后在相应的模式分支里进行精准的目标检测，从而在不需要大量扩充网络深度或宽度的前提下，对目标进行高精度检测。
-
公开(公告)号：CN110458133A
公开(公告)日：2019-11-15
申请号：CN201910762210.7
申请日：2019-08-19
Applicant: 电子科技大学
Abstract: 本发明涉及基于生成式对抗网络的轻量级人脸检测方法，包括：A.构建人脸检测数据集；B.根据基于关键点的实时高精度目标检测算法，建立基于生成式对抗网络的轻量级人脸检测模型；C.对所述的轻量级人脸检测模型进行训练，并根据损失，进行随机梯度下降，更新模型参数；D.输入一张待检测的人脸图片，通过训练好的轻量级人脸检测模型进行一次前向传播，输出含有标注信息的人脸检测图片。本发明在检测过程中能够更易于生成更清晰的人脸，由此大幅度提高了检测的速度和准确性。
-
公开(公告)号：CN109241972A
公开(公告)日：2019-01-18
申请号：CN201810947587.5
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于深度学习的图像语义分割方法，涉及图像语义分割和深度学习领域，包括如下步骤：选择训练数据集；构建基于深度学习的语义分割模型；语义分割模型包括：语义监督模块、语义嵌入分值模块、特征重校正模块、上采样层和卷积层；通过分类模型对训练数据集进行预处理，并将分类模型的中间层输出的不同尺度的特征图输入构建好的语义分割模型中的语义监督模块中；对整个图像语义分割模型进行训练；步骤5：输入新的图像，在已训练好的深度神经网络模型中进行一次前向传播，端到端地输出预测的语义分割结果。本发明解决了现有技术中的图像语义分割准确率较低的问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
