-
公开(公告)号：CN118397345A
公开(公告)日：2024-07-26
申请号：CN202410500327.9
申请日：2024-04-24
Applicant: 郑州轻工业大学
IPC: G06V10/764 , G06N3/0895 , G06V10/25 , G06V10/774
Abstract: 本发明提出了一种基于分割一切模型和伪全监督学习的高分辨率遥感图像弱监督目标检测方法，步骤包括：S1：构建弱监督深度检测网络，获得弱监督深度检测网络的损失函数、实例分类优化分支损失函数和边界框回归分支损失函数；S2：基于在线实例优化器和边界框回归分支构建伪全监督目标检测头，进行种子实例的挖掘；S3：完成种子的更新并进行标签的传播；S4：利用伪真值实例替代原始方法所产生的原伪真值实例，得到PFSOD Head的损失函数，S5：建立总体损失函数进行训练，得到完成训练的弱监督目标检测模型。本申请通过设计了一种基于分割一切模型的伪真值挖掘策略，提升了弱监督目标检测的检测精度。
-
公开(公告)号：CN116977859A
公开(公告)日：2023-10-31
申请号：CN202310996136.1
申请日：2023-08-09
Applicant: 郑州轻工业大学
IPC: G06V20/10 , G06V10/26 , G06V10/25 , G06V10/50 , G06V10/52 , G06V10/764 , G06V10/774
Abstract: 本发明提出了一种基于多尺度图像切割和实例困难度的弱监督目标检测方法，步骤为：对输入图像进行多尺度切割送入共享的主干网络进行特征提取得到特征图；将目标候选框投影到特征图得到目标候选框的特征矩阵；将特征矩阵经过全连接层得到各个切割尺度下的特征向量，将特征向量输入基准弱监督目标检测模块得到得分矩阵并获取类别置信得分矩阵；将特征向量分别送入多个实例分类优化分支得到类别置信度得分并确定正实例；根据目标候选框在背景类别上的最高类别置信得分得到难负例；进行训练得到弱监督目标检测模型；将待检测图像送入弱监督目标检测模型获得目标的类别和位置。本发明可以有效地提升高分辨率遥感图像弱监督目标检测的检测精度。
-
公开(公告)号：CN115665340B
公开(公告)日：2023-05-05
申请号：CN202211304640.2
申请日：2022-10-24
Applicant: 郑州轻工业大学
Inventor： 张勋才 , 任航丽 , 何艳 , 牛莹 , 周林涛 , 刘冠鹤 , 齐宝楠 , 刘梦蕊 , 张衡 , 狄佳丽 , 李家豪 , 周福振 , 卢云飞 , 王延峰 , 李建新 , 赵学伟 , 黄军垒 , 申超楠
Abstract: 本发明提出了一种远程故障诊断系统中的图像加密方法，步骤为：将大小为M×N的原始灰度图像转换为图像矩阵，利用SHA‑256算法计算3D混沌系统的初始值；计算汉明距离，根据循环位移规则进行比特级置乱得到图像矩阵P2；采用改进的Z曲线对图像矩阵P2进行扫描置乱，利用分块重组方法进行分块置乱得到图像矩阵P4；将初始值带入3D混沌系统中进行迭代得到3个混沌序列；利用第一个混沌序列动态选择DNA编码规则，根据信息位‑控制位DNA编码方案分别进行DNA编码并扩散得到DNA序列；根据第三个混沌序列动态选取DNA编码规则，将DNA序列进行DNA解码得到密图像。本发明可以快速有效地对明文图像进行加密，且能够有效抵抗噪声攻击、裁剪攻击等。
-
公开(公告)号：CN111027576B
公开(公告)日：2020-10-30
申请号：CN201911368623.3
申请日：2019-12-26
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于协同显著性生成式对抗网络的协同显著性检测方法，步骤如下：构建协同显著性生成式对抗网络模型；对协同显著性生成式对抗网络模型进行两阶段训练：在第一训练阶段，采用带标签的显著目标数据库对协同显著性生成式对抗网络进行预训练，本阶段训练后，协同显著性生成式对抗网络具备对单幅图像进行显著性检测的能力；在第二训练阶段，基于第一阶段训练好的模型参数，采用协同显著目标属于同一类别的带标签协同显著性数据组对协同显著性生成式对抗网络进行训练，本阶段训练后，可直接使用训练好的模型进行类别协同显著性检测。本发明训练过程简单、检测效率高，通用性较强，准确率较高。
-
公开(公告)号：CN118586520A
公开(公告)日：2024-09-03
申请号：CN202410720728.5
申请日：2024-06-05
Applicant: 郑州轻工业大学
IPC: G06N20/00 , G06F18/214 , G06F18/23213 , G06F18/24
Abstract: 本发明公开了一种基于多视图shapelet原型网络的少样本故障增量学习方法，包括如下步骤：步骤一、获得初始训练样本D0，初始训练样本D0包括训练集#imgabs0#和验证集#imgabs1#步骤二、对训练集#imgabs2#初始化，然后输入多视图shapelet原型网络进行预训练，得到预训练好的多视图shapelet原型网络；多视图shapelet原型网络的输出包括多视图shapelet集#imgabs3#步骤三、对预训练好的多视图shapelet原型网络进行元训练得到最终的多视图shapelet原型网络和元矫正模块。本发明通过横向联系融合多视角信息，因此，旧类原型和新类原型之间的语义鸿沟得以弥合。总之，提取的多视角小形包含了判别波形的部分关键信息，能够识别任意持续时间的新故障。
-
Patent Agency Ranking
公开(公告)号：CN117765380A
公开(公告)日：2024-03-26
申请号：CN202310423678.X
申请日：2023-04-18
Applicant: 郑州轻工业大学
IPC: G06V20/10 , G06V10/25 , G06V10/766 , G06V10/774 , G06V10/40 , G06V10/764
Abstract: 本发明提出了一种基于焦点旋转交并比边框回归损失的有向目标检测方法，其步骤如下：以带标注的高分辨率遥感图像为训练图像，训练粗略有向候选框生成模块；粗略有向候选框生成模块的损失函数是二分类损失函数和边框回归损失函数的联合损失；将粗略有向候选生成模块生成的粗略有向候选框送入到精细有向候选生成模块进行训练；以精细有向候选框作为候选目标框训练区域检测模块；精细有向候选生成模块和区域检测模块采用焦点旋转交并比回归损失函数；将待检测的高分辨率遥感图像输入目标检测模型，获得感兴趣目标的位置和类别。本发明提出的旋转交并比损失和焦点旋转交并比损失可以提供更好的性能，能够使目标检测模型的定位更加准确。
-
公开(公告)号：CN114743027B
公开(公告)日：2023-01-31
申请号：CN202210375572.2
申请日：2022-04-11
Applicant: 郑州轻工业大学
IPC: G06V10/46 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/94 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种弱监督学习引导的协同显著性检测方法，用以解决现有协同显著性检测方法易受到不相关的显著目标的干扰的技术问题。本发明的步骤为：搭建GCAM网络的架构；搭建主干网络的架构，通过GCAM网络和主干网络构建GWSCoSal模型；利用训练数据对GCAM网络以图像组的公共类别标签作为真值进行弱监督训练；利用训练数据对主干网络进行像素级训练；GCAM网络的弱监督训练和主干网络的像素级训练联合执行，得到训练后的优化GWSCoSal模型。利用优化GWSCoSal模型对协同显著性数据集进行预测，生成预测的协同显著图。本发明在受到相似非公共显著目标干扰的情况下，能够更准确地检测出协同显著目标，操作简单，检测精度较高。
-
公开(公告)号：CN113300827B
公开(公告)日：2022-05-13
申请号：CN202110551860.4
申请日：2021-05-20
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于拉丁方的混沌图像加密方法，其步骤为：利用原始图像矩阵生成密钥，将密钥输入超混沌Lorenz系统进行得到混沌序列；截取混沌序列转换为矩阵对原始图像矩阵进行置乱；截取混沌序列生成拉丁方阵作为查找表；截取混沌序列并组成索引矩阵，利用索引矩阵从查找表中的对应坐标选取元素进行替换得到像素替换矩阵；截取混沌序列并生成拉丁方矩阵，将像素替换矩阵的位平面组成比特矩阵，利用拉丁方矩阵对比特矩阵进行比特置乱并组合为位平面矩阵，转换为十进制得到密文图像。本发明所用拉丁方阵均由混沌序列产生，增强了复杂度，提升了安全性；有效地提高了随机性、灵敏性，能够有效的抵抗差分攻击，增加了破译难度，适合实际应用。
-
公开(公告)号：CN116310299A
公开(公告)日：2023-06-23
申请号：CN202310294383.7
申请日：2023-03-23
Applicant: 郑州轻工业大学
IPC: G06V10/25 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明提出了一种基于语义分割和实例再检测的弱监督视觉目标检测方法，步骤为：将图像送入主干网络中得到特征图；使用选择性搜索算法得到初始目标候选框，将初始目标候选框映射到特征图上，感兴趣区域池化得到目标候选框的特征向量；对基础多实例学习网络训练，将目标候选框与分割实例进行交并比运算得到目标覆盖得分和目标置信得分；根据目标置信得分挖掘实例分类优化分支的伪真值实例；利用伪真值实例监督实例分类优化分支的训练；通过增强伪真值生成策略生成增强伪真值实例；依据增强伪真值实例分别对实例再检测模块的再分类分支和再定位分支的训练进行监督。本发明能够有效提升伪标签挖掘的鲁棒性，可以有效提升图像弱监督目标检测的准确性。
-
公开(公告)号：CN114743027A
公开(公告)日：2022-07-12
申请号：CN202210375572.2
申请日：2022-04-11
Applicant: 郑州轻工业大学
IPC: G06V10/46 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/94 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种弱监督学习引导的协同显著性检测方法，用以解决现有协同显著性检测方法易受到不相关的显著目标的干扰的技术问题。本发明的步骤为：搭建GCAM网络的架构；搭建主干网络的架构，通过GCAM网络和主干网络构建GWSCoSal模型；利用训练数据对GCAM网络以图像组的公共类别标签作为真值进行弱监督训练；利用训练数据对主干网络进行像素级训练；GCAM网络的弱监督训练和主干网络的像素级训练联合执行，得到训练后的优化GWSCoSal模型。利用优化GWSCoSal模型对协同显著性数据集进行预测，生成预测的协同显著图。本发明在受到相似非公共显著目标干扰的情况下，能够更准确地检测出协同显著目标，操作简单，检测精度较高。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.021 seconds)
