-
公开(公告)号：CN113052184B
公开(公告)日：2022-11-18
申请号：CN202110270152.3
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于两阶段局部特征对齐的目标检测技术。该发明可以进一步增强以Faster R‑CNN为代表的目标检测算法在不同应用场景下的泛化性能。以往基于特征对齐的目标检测技术通常存在两个问题：一是网络训练前期前景目标特征区域定位不准确；二是不按前景目标分类进行特征对齐，算法细粒度较低。本发明提出的两阶段特征对齐方法，在训练的第一阶段，利用中心特征点图生成的标准候选框解决前景目标特征区域定位不准确问题；在训练的第二阶段，对前景目标特征按分类结果进行特征对齐，提升算法的细粒度。该发明提出的方法网络结构简单，且能移植到其他目标检测算法中去。
-
公开(公告)号：CN113033428A
公开(公告)日：2021-06-25
申请号：CN202110339871.6
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明属于图像处理领域，具体为一种基于实例分割的行人属性识别方法。大多数行人属性识别算法都会将图像中的背景信息包含进来，并将背景信息一起进行识别。然而这些背景信息对于属性识别来说具有一定的影响性。因此本发明使用YOLACT算法对行人属性识别过程中的背景信息进行抑制处理。首先针对背景噪声问题，本发明采用YOLACT算法进行背景抑制处理，并得到了很好的效果；另外本发明提出将不同大小的特征图拼接后再进行多任务网络预测的方法提高识别准确度；最后为了平衡多任务训练过程中不同任务具有不同的训练速度，本发明提出了梯度权重损失函数很好的解决了该问题。
-
公开(公告)号：CN113160263A
公开(公告)日：2021-07-23
申请号：CN202110341105.3
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明属于图像实例分割领域，具体涉及一种基于YOLACT实例分割的改进方法。随着目标检测和语义分割任务的发展，作为两者任务的结合体实例分割任务也越来越多的受到研究者们的关注，但目前为止实例分割任务依然没有达到令人满意的效果。实例分割任务主要受限于两个评价指标：精度和时间复杂度。虽然YOLACT实例分割算法达到了实时性，但精度却达不到一个较好的水平。因此本文对YOLACT算法进行了相应改进，提高的网络的精度。综合考虑准确性和实时性本发明都具备了较好的效果。
-
公开(公告)号：CN113052185A
公开(公告)日：2021-06-29
申请号：CN202110270154.2
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于Faster R‑CNN的小样本目标检测方法。本发明结合传统目标检测算法和小样本学习算法，对Faster‑RCNN网络进行了深度的改进和优化，使其适应小样本目标检测。本发明提出基于注意力的RPN模块，利用通道注意机制对不同通道特征分配不同的权重，然后将支持集特征和查询集特征进行深度互相关以生成注意力特征图，然后送入RPN网络生成候选框。本发明基于度量学习，用改进的加权原型网络替换Faster R‑CNN分类器头，提高小样本下候选区域分类准确率；本发明引入多尺度FPN模块，包含两个分支，其中一个分支与一般检测网络类似，应用于RPN层，另一分支应用于支持集图像以提取多尺度特征图，以解决小样本数据集尺度稀疏以及查询图片和支持集图片之间的尺度差异问题。
-
公开(公告)号：CN113159063B
公开(公告)日：2022-11-18
申请号：CN202110344831.0
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于改进RetinaNet的小目标检测技术。该发明在许多基于深度学习的目标检测模型都具有一定的实用性，该专利以行人与车辆检测为说明案例。行人与车辆的检测在计算机视觉的实际较为广泛，且两类目标都呈现出目标尺寸下、检测场景复杂的特点。针对检测场景复杂的问题，在RetinaNet模型结构中的FPN加入了多层融合模块，多层融合可以一定程度解决特征金字塔结构中顶层语义信息被稀释的问题；针对小目标的问题，由于多尺度检测中小目标在特征层的选择灵活性较低，较大程度上依赖金字塔底层的细节信息，利用超分辨SR技术对底层特征信息进行补偿，使底层的细节信息和纹理信息等更加丰富。基于改进后的RetinaNet算法模型能够精准识别小尺寸目标，且模型也取得较高检测精度。
-
Patent Agency Ranking
公开(公告)号：CN113392876B
公开(公告)日：2022-07-05
申请号：CN202110563578.8
申请日：2021-05-24
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的小样本图像分类方法。本发明对基于图神经网络的EGNN算法进行改进优化，提出一种小样本图像分类方法。本发明方法主要由任务适应特征提取模块TAB、原型图神经网络模块和特征融合度量模块组成。本发明首先提出一种任务适应特征提取模型进行查询图像的特征提取，通过利用支持图像特征学习预测一组参数作用于查询图像特征图，调整查询图像不同特征的贡献，使其更能适应小样本的分类任务。同时在原网络上引入原型节点表示、特征融合度量模块，分别用于降低图节点规模和提升分类准确率。
-
公开(公告)号：CN113392876A
公开(公告)日：2021-09-14
申请号：CN202110563578.8
申请日：2021-05-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于图神经网络的小样本图像分类方法。本发明对基于图神经网络的EGNN算法进行改进优化，提出一种小样本图像分类方法。本发明方法主要由任务适应特征提取模块TAB、原型图神经网络模块和特征融合度量模块组成。本发明首先提出一种任务适应特征提取模型进行查询图像的特征提取，通过利用支持图像特征学习预测一组参数作用于查询图像特征图，调整查询图像不同特征的贡献，使其更能适应小样本的分类任务。同时在原网络上引入原型节点表示、特征融合度量模块，分别用于降低图节点规模和提升分类准确率。
-
公开(公告)号：CN113159063A
公开(公告)日：2021-07-23
申请号：CN202110344831.0
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于改进RetinaNet的小目标检测技术。该发明在许多基于深度学习的目标检测模型都具有一定的实用性，该专利以行人与车辆检测为说明案例。行人与车辆的检测在计算机视觉的实际较为广泛，且两类目标都呈现出目标尺寸下、检测场景复杂的特点。针对检测场景复杂的问题，在RetinaNet模型结构中的FPN加入了多层融合模块，多层融合可以一定程度解决特征金字塔结构中顶层语义信息被稀释的问题；针对小目标的问题，由于多尺度检测中小目标在特征层的选择灵活性较低，较大程度上依赖金字塔底层的细节信息，利用超分辨SR技术对底层特征信息进行补偿，使底层的细节信息和纹理信息等更加丰富。基于改进后的RetinaNet算法模型能够精准识别小尺寸目标，且模型也取得较高检测精度。
-
公开(公告)号：CN113052184A
公开(公告)日：2021-06-29
申请号：CN202110270152.3
申请日：2021-03-12
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于两阶段局部特征对齐的目标检测技术。该发明可以进一步增强以Faster R‑CNN为代表的目标检测算法在不同应用场景下的泛化性能。以往基于特征对齐的目标检测技术通常存在两个问题：一是网络训练前期前景目标特征区域定位不准确；二是不按前景目标分类进行特征对齐，算法细粒度较低。本发明提出的两阶段特征对齐方法，在训练的第一阶段，利用中心特征点图生成的标准候选框解决前景目标特征区域定位不准确问题；在训练的第二阶段，对前景目标特征按分类结果进行特征对齐，提升算法的细粒度。该发明提出的方法网络结构简单，且能移植到其他目标检测算法中去。
-
公开(公告)号：CN113010691A
公开(公告)日：2021-06-22
申请号：CN202110337986.1
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明提出了一种基于图神经网络的知识图谱关系推理方法，该方法包括：在知识图谱推理中的关系推理模型中主要分为评分函数和预测结果两个部分，其中关系推理的结果可以根据不同方式来获得目标节点的与关系组成的候选结果集。在候选结果集中推理正确关系的过程中，本发明主要是结合知识图谱中的结构信息联合知识图谱的语义和注意力机制，以实现知识图谱中未知关系推理预测。在进行知识图谱语义信息获取的过程中，同时使用同构信息理论对目标头尾实体周围的结构信息进行提取，对目标关系周围的知识图谱进行注意力信息采集，通过注意力机制有效融合，将分值最高的候选结果作为最终结果进行输出。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
