公开(公告)号：CN110503112B

公开(公告)日：2023-02-03

申请号：CN201910794606.X

申请日：2019-08-27

Applicant: 电子科技大学

Inventor： 程建 ,  林莉 ,  李灿 ,  周晓晔 ,  李月男

IPC: G06V10/40 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种增强特征学习的小目标检测及识别方法，属于图像处理、模式识别及计算机视觉领域，解决现有技术中小目标检测与识别任务检测精度低且网络效率低的问题。本发明依次构建基础网络模块、特征提取模块、候选框产生模块和预测输出模块作为小目标检测与识别网络；基于提取小目标样本图像数据，并对提取的小目标样本图像数据进行预处理；得到预处理的小目标样本图像数据输入初始化了参数的小目标检测与识别网络中进行训练，得到训练好后的小目标检测与识别网络；将待预测的小目标图像输入已经训练好的小目标检测与识别网络，通过前向传播，实现端到端地输出小目标的预测框位置与类别信息。本发明用于小目标检测与识别。

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

Inventor： 程建 ,  周晓晔 ,  刘济樾 ,  林莉 ,  许轲

IPC: G06K9/62 ,  G06K9/00 ,  G06N3/04

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：CN110503112A

公开(公告)日：2019-11-26

申请号：CN201910794606.X

申请日：2019-08-27

Applicant: 电子科技大学

Inventor： 程建 ,  林莉 ,  李灿 ,  周晓晔 ,  李月男

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种增强特征学习的小目标检测及识别方法，属于图像处理、模式识别及计算机视觉领域，解决现有技术中小目标检测与识别任务检测精度低且网络效率低的问题。本发明依次构建基础网络模块、特征提取模块、候选框产生模块和预测输出模块作为小目标检测与识别网络；基于提取小目标样本图像数据，并对提取的小目标样本图像数据进行预处理；得到预处理的小目标样本图像数据输入初始化了参数的小目标检测与识别网络中进行训练，得到训练好后的小目标检测与识别网络；将待预测的小目标图像输入已经训练好的小目标检测与识别网络，通过前向传播，实现端到端地输出小目标的预测框位置与类别信息。本发明用于小目标检测与识别。

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

Inventor： 程建 ,  刘济樾 ,  周晓晔 ,  蒋林枫 ,  刘畅

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

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：CN109190683A

公开(公告)日：2019-01-11

申请号：CN201810925972.X

申请日：2018-08-14

Applicant: 电子科技大学

Inventor： 程建 ,  周娇 ,  郭桦 ,  苏炎洲 ,  周晓晔

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明公开了一种基于注意力机制和双模态图像的分类方法，属于图像分类领域，对待分类项目的双模态图像数据进行预处理，将预处理后的双模态图像数据分为训练数据和测试数据；构建基于注意力机制的深度学习模型，将训练数据输入所述深度学习模型进行训练；利用反向传播及随机梯度下降算法对深度学习模型的网络参数进行优化，得到测试模型；将所述测试数据输入测试模型，通过前向传播得到该测试数据的分类结果；本发明通过模型的学习提取出了样本各自比较重要的特征，实现了更优的特征提取，最终可以得到更好的分类结果，分类准确率高；且本发明提出的方法是端到端的模型，而不需要分开训练两个模态的网络。