-
公开(公告)号：CN114283320B
公开(公告)日：2024-06-14
申请号：CN202111603923.2
申请日：2021-12-25
Applicant: 福州大学
IPC: G06V20/00 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于全卷积的无分支结构标检测方法，包括以下步骤：步骤S1:获取目标检测数据集，并预处理，生成训练集；步骤S2:构建可重参数化的多分支全卷积网络模型；步骤S3:基于训练集对可重参数化的多分支全卷积网络模型进行训练，通过随机梯度下降方法，优化模型参数；步骤S4:对训练好的多分支全卷积网络模型进行重参数化，构建无分支全卷积网络，作为推理模型；步骤S5:将待测试图像输入推理模型进行测试。本发明能够有效地减少边缘小目标的漏检。
-
公开(公告)号：CN112364883B
公开(公告)日：2022-06-10
申请号：CN202010976987.6
申请日：2020-09-17
Applicant: 福州大学
IPC: G06V20/62 , G06V10/774 , G06K9/62
Abstract: 本发明涉及一种基于单阶段目标检测和deeptext识别网络的美式车牌识别方法，步骤S1：获取美式车牌数据集，并预处理后生成训练集；步骤S2：根据车牌检测特点修改目标检测网络CornerNet‑Squeeze；步骤S3：使用检测端训练集训练改进的CornerNet‑Squeeze,使用数据集MJSynth和SynthText训练deeptext识别网络；步骤S4：将检训练集送入训练好的检测网络，输出车牌号码、年检信息、州名三部分图像，将这三部分图像送入识别网络，识别网络输出的文本信息通过手工修改错误信息，得到识别标签；步骤S5：使用获得的识别标签对识别网络进行进一步训练，获得高精度的识别网络。步骤S6：使用步骤S5训练好的高精度识别网络对待检测的美式车牌图像检测，输出结果。本发明能够有效地对美式车牌进行识别。
-
公开(公告)号：CN112364883A
公开(公告)日：2021-02-12
申请号：CN202010976987.6
申请日：2020-09-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于单阶段目标检测和deeptext识别网络的美式车牌识别方法，步骤S1：获取美式车牌数据集，并预处理后生成训练集；步骤S2：根据车牌检测特点修改目标检测网络CornerNet‑Squeeze；步骤S3：使用检测端训练集训练改进的CornerNet‑Squeeze,使用数据集MJSynth和SynthText训练deeptext识别网络；步骤S4：将检训练集送入训练好的检测网络，输出车牌号码、年检信息、州名三部分图像，将这三部分图像送入识别网络，识别网络输出的文本信息通过手工修改错误信息，得到识别标签；步骤S5：使用获得的识别标签对识别网络进行进一步训练，获得高精度的识别网络。步骤S6：使用步骤S5训练好的高精度识别网络对待检测的美式车牌图像检测，输出结果。本发明能够有效地对美式车牌进行识别。
-
公开(公告)号：CN112149729A
公开(公告)日：2020-12-29
申请号：CN202011000935.1
申请日：2020-09-22
Applicant: 福州大学
Abstract: 本发明涉及一种基于通道剪裁和定位分类子网络的细粒度图像分类方法及系统，包括以下步骤：获取细粒度图像分类数据集，构建定位分类子网络；对构建的定位分类子网络进行联合训练，得到训练好的模型；对训练好的模型进行剪裁，得到新的更小的模型后，再进行微调以恢复精度，最后得到最终模型；采用最终模型对细粒度图像进行分类。本发明能够有效地对图像进行细粒度的分类。
-
Patent Agency Ranking
公开(公告)号：CN114266846B
公开(公告)日：2024-06-14
申请号：CN202111604881.4
申请日：2021-12-25
Applicant: 福州大学
IPC: G06T11/40 , G06T3/4038 , G06V10/82 , G06V10/774 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种用于目标检测模型的自学习填充方法，包括以下步骤：步骤S1:获取图像数据集，并进行数据增强扩充数据集；步骤S2:构建可根据网络需要自动调整填充值的特征填充模块；步骤S3:将特征填充模块用于CenterNet骨干网络中，并且使用模糊池化优化下采样层，构建基于自学习填充的目标检测模型；步骤S4:基于扩充后的数据集对基于自学习填充的目标检测模型进行训练，通过随机梯度下降方法，优化自学习填充模块参数，得到训练后的目标检测模型；步骤S5:将测试图像输入训练好的目标检测模型，获取目标检测结果。本发明能够有效地减少边缘小目标的漏检。
-
公开(公告)号：CN112070768B
公开(公告)日：2022-08-09
申请号：CN202010973846.9
申请日：2020-09-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于Anchor‑Free的实时实例分割方法，包括以下步骤：步骤S1:获取实例分割数据集，并预处理后生成训练集；步骤S2:基于改进的目标检测网络CenterNet和CAG‑Mask模块,构建基于Anchor‑Free的实时实例分割模型；步骤S3:根据训练集训练基于Anchor‑Free的实时实例分割模型，得到训练好的分割模型；步骤S4：根据训练好的分割模型对待检测图像或视频数据进行处理，获得实例分割效果。本发明有效缩短了分割时间，可用于实时的实例分割。
-
公开(公告)号：CN112070768A
公开(公告)日：2020-12-11
申请号：CN202010973846.9
申请日：2020-09-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于Anchor‑Free的实时实例分割方法，包括以下步骤：步骤S1:获取实例分割数据集，并预处理后生成训练集；步骤S2:基于改进的目标检测网络CenterNet和CAG‑Mask模块,构建基于Anchor‑Free的实时实例分割模型；步骤S3:根据训练集训练基于Anchor‑Free的实时实例分割模型，得到训练好的分割模型；步骤S4：根据训练好的分割模型对待检测图像或视频数据进行处理，获得实例分割效果。本发明有效缩短了分割时间，可用于实时的实例分割。
-
公开(公告)号：CN114283320A
公开(公告)日：2022-04-05
申请号：CN202111603923.2
申请日：2021-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于全卷积的无分支结构标检测方法，包括以下步骤：步骤S1:获取目标检测数据集，并预处理，生成训练集；步骤S2:构建可重参数化的多分支全卷积网络模型；步骤S3:基于训练集对可重参数化的多分支全卷积网络模型进行训练，通过随机梯度下降方法，优化模型参数；步骤S4:对训练好的多分支全卷积网络模型进行重参数化，构建无分支全卷积网络，作为推理模型；步骤S5:将待测试图像输入推理模型进行测试。本发明能够有效地减少边缘小目标的漏检。
-
公开(公告)号：CN114266846A
公开(公告)日：2022-04-01
申请号：CN202111604881.4
申请日：2021-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种用于目标检测模型的自学习填充方法，包括以下步骤：步骤S1:获取图像数据集，并进行数据增强扩充数据集；步骤S2:构建可根据网络需要自动调整填充值的特征填充模块；步骤S3:将特征填充模块用于CenterNet骨干网络中，并且使用模糊池化优化下采样层，构建基于自学习填充的目标检测模型；步骤S4:基于扩充后的数据集对基于自学习填充的目标检测模型进行训练，通过随机梯度下降方法，优化自学习填充模块参数，得到训练后的目标检测模型；步骤S5:将测试图像输入训练好的目标检测模型，获取目标检测结果。本发明能够有效地减少边缘小目标的漏检。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
