-
公开(公告)号：CN109102025A
公开(公告)日：2018-12-28
申请号：CN201810932825.5
申请日：2018-08-15
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习联合优化的行人重识别方法，步骤为：步骤1、采集筛选数量均衡的正负行人样本对，构建数据集；步骤2、构建深度学习的Siamese神经网络结构模型，包括两路前端卷积神经网络和多层级特征融合模块，将正负行人样本输入模型，提取得到两路不同的行人的Hyper特征；步骤3、将两路不同行人的Hyper特征送入分类网络和验证网络，联合分类网络和验证网络，联合分类损失函数和验证损失函数，优化神经网络结构模型参数。该方法联合采用深度卷积神经网络和HyperNet网络，提取多尺度的特征增强对行人目标的检测能力，联合验证模型和分类模型优化网络结构，得到性能优越的行人重识别神经网络结构模型。
-
公开(公告)号：CN109101975A
公开(公告)日：2018-12-28
申请号：CN201810947884.X
申请日：2018-08-20
Applicant: 电子科技大学
Abstract: 本发明公开一种基于全卷积神经网络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；构建并训练由图像到类别标签的分类模型，并将其作为语义分割模型前端网络；前端网络每个块输出的特征图分别经过细节保留池化层降采样成统一大小，然后将这四个输出特征图串联，并通过特征重校正模块，重新校正特征图后，将得到的特征图传入后端网络；后端网络是主要负责图像上采样，在经过上采样之后，再经过一个变权重的全局池化，最后与训练数据集的语义标注图像计算交叉熵，进行误差反向传播。本发明解决了现有技术中的图像分割准确率较低的问题。
-
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
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：CN109087298A
公开(公告)日：2018-12-25
申请号：CN201810941074.3
申请日：2018-08-17
Applicant: 电子科技大学
CPC classification number: G06T7/0012 , G06K9/6267 , G06T2207/10088 , G06T2207/20081 , G06T2207/30016
Abstract: 本发明公开了一种阿尔兹海默病MRI图像的分类方法。发明使用度量学习的思想构造损失函数并用于训练一组卷积神经网络。一方面，对于每一个3D数据在Axial、Sagittal、coronal三个方向上得到多个2D形式切片，同时输入到一组卷积神经网络中，既在一定程度上保留了3D的数据信息，又避免了使用3D卷积神经网络难以找到合适的数据集进行预训练而过拟合严重的问题；另一方面，以度量学习的思想构造损失函数训练得到的深度学习模型提取出的特征更具有可分性。最终可以得到更好的分类结果。
-
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
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。
-
Patent Agency Ranking
公开(公告)号：CN109087298B
公开(公告)日：2020-07-28
申请号：CN201810941074.3
申请日：2018-08-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种阿尔兹海默病MRI图像的分类方法。发明使用度量学习的思想构造损失函数并用于训练一组卷积神经网络。一方面，对于每一个3D数据在Axial、Sagittal、coronal三个方向上得到多个2D形式切片，同时输入到一组卷积神经网络中，既在一定程度上保留了3D的数据信息，又避免了使用3D卷积神经网络难以找到合适的数据集进行预训练而过拟合严重的问题；另一方面，以度量学习的思想构造损失函数训练得到的深度学习模型提取出的特征更具有可分性。最终可以得到更好的分类结果。
-
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：CN108960212A
公开(公告)日：2018-12-07
申请号：CN201810915453.5
申请日：2018-08-13
Applicant: 电子科技大学
CPC classification number: G06K9/00362 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了基于端到端的人体关节点检测与分类方法，其实现方法具体包括：构造深度学习网络、对输入图片数据进行训练及测试。深度学习网络包含基础网络层结构、金字塔池化残差模块、堆栈式沙漏型模块。在训练阶段：对输入图像进行预处理操作以及网络参数的初始化，将处理后的图像输入到基于堆栈式沙漏型以及条件随机场理论的深度学习网络中进行训练，根据Softmax损失函数对网络权值参数进行更新；测试阶段：使用学习得到的深度学习网络模型参数对测试图片进行前向传播，得到测试关节点的概率分布情况，利用已知准则将各个关节点依次连接起来，得到结果图像。
-
公开(公告)号：CN109101975B
公开(公告)日：2022-01-25
申请号：CN201810947884.X
申请日：2018-08-20
Applicant: 电子科技大学
IPC: G06V20/70 , G06V10/82 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于全卷积神经网络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；构建并训练由图像到类别标签的分类模型，并将其作为语义分割模型前端网络；前端网络每个块输出的特征图分别经过细节保留池化层降采样成统一大小，然后将这四个输出特征图串联，并通过特征重校正模块，重新校正特征图后，将得到的特征图传入后端网络；后端网络是主要负责图像上采样，在经过上采样之后，再经过一个变权重的全局池化，最后与训练数据集的语义标注图像计算交叉熵，进行误差反向传播。本发明解决了现有技术中的图像分割准确率较低的问题。
-
公开(公告)号：CN110490174A
公开(公告)日：2019-11-22
申请号：CN201910799142.1
申请日：2019-08-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于特征融合的多尺度行人检测方法，属于计算机视觉中的行人检测技术领域，解决现有技术中，对行人检测所用的特征融合、多级检测方法会造成小目标检测精度低，或检测时间长、资源需求高，从而无法达到实时性的问题。本发明包括：将获取的行人检测数据集进行预处理；构建基于特征融合的多尺度行人检测卷积神经网络，多尺度行人检测卷积神经网络包括用于特征融合提取的共享卷积神经网络和将融合特征进行检测的尺度子网络；将预处理后的行人检测数据集输入到多尺度行人检测卷积神经网络中进行训练，得到训练好后的多尺度行人检测卷积神经网络；将待检测的行人图像输入到训练好后的多尺度行人检测卷积神经网络，得到最终的检测结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
