-
公开(公告)号：CN109636846A
公开(公告)日：2019-04-16
申请号：CN201811486423.3
申请日：2018-12-06
Applicant: 重庆邮电大学
CPC classification number: G06T7/70 , G06K2209/21 , G06N3/0454 , G06N3/0481 , G06N3/08 , G06T2207/20081 , G06T2207/20084
Abstract: 本发明属于物体检测领域，具体公开了基于循环注意力卷积神经网络的目标定位方法，应用于物体检测领域下的目标定位；所述方法包括构建一个类似于RA‑CNN三层网络结构的双网络模型；定位子网用于输出目标的边界框；判定子网用于给出定位子网输出的边界框的得分；本发明的数据集只需二分类标签，而不需人工标注的边界框，同时减少了计算的消耗。
-
Patent Agency Ranking
公开(公告)号：CN111126453A
公开(公告)日：2020-05-08
申请号：CN201911232112.9
申请日：2019-12-05
Applicant: 重庆邮电大学
Abstract: 本发明涉及深度学习领域和图像分类领域，具体为一种基于注意力机制和切割填充的细粒度图像分类方法，该方法包括：构建卷积神经网络模型；将原始图像输入卷积神经网络模型，结合注意力机制得到关注图像；将关注图像进行切割，得到子图像，对子图像进行填充，并进行下采样得到填充图像；将关注图像和填充图像输入卷积神经网络模型，并分别通过线性层和softmax分类器，得到对应类别的概率值；选取最大概率值，根据最大值判断分类结果；根据结果在原始图像上标记分类标签；本发明对原图像的关注图像进行分割，再进行填充处理，破坏了各部分之间的相关性，使网络更加关注局部特征，确保高层语义不会被破坏，极大地减少了参数的使用和训练时间。
-
公开(公告)号：CN109636846B
公开(公告)日：2022-10-11
申请号：CN201811486423.3
申请日：2018-12-06
Applicant: 重庆邮电大学
Abstract: 本发明属于物体检测领域，具体公开了基于循环注意力卷积神经网络的目标定位方法，应用于物体检测领域下的目标定位；所述方法包括构建一个类似于RA‑CNN三层网络结构的双网络模型；定位子网用于输出目标的边界框；判定子网用于给出定位子网输出的边界框的得分；本发明的数据集只需二分类标签，而不需人工标注的边界框，同时减少了计算的消耗。
-
公开(公告)号：CN110322509A
公开(公告)日：2019-10-11
申请号：CN201910559655.5
申请日：2019-06-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及深度学习领域和物体检测领域，本发明公开了基于层级类激活图的目标定位方法、系统及计算机设备，该方法构建了一个层级模型，在卷积层后面采用全局平均池化层或金字塔池化层来替代传统的全连接层，以避免在全连接层丢失图像结构信息。该方法在低层中的多个卷积层采集相应的特征信息，从而获得层级类激活图。本发明的层级类激活图不仅仅是从最后一层采集特征图，而是在低层中的多个卷积层中进行采集，从而减少低层图像信息的丢失，提高了图像定位能力。
-
公开(公告)号：CN111126453B
公开(公告)日：2022-05-03
申请号：CN201911232112.9
申请日：2019-12-05
Applicant: 重庆邮电大学
IPC: G06K9/62 , G06V10/764 , G06V10/26 , G06V10/82 , G06N3/04
Abstract: 本发明涉及深度学习领域和图像分类领域，具体为一种基于注意力机制和切割填充的细粒度图像分类方法，该方法包括：构建卷积神经网络模型；将原始图像输入卷积神经网络模型，结合注意力机制得到关注图像；将关注图像进行切割，得到子图像，对子图像进行填充，并进行下采样得到填充图像；将关注图像和填充图像输入卷积神经网络模型，并分别通过线性层和softmax分类器，得到对应类别的概率值；选取最大概率值，根据最大值判断分类结果；根据结果在原始图像上标记分类标签；本发明对原图像的关注图像进行分割，再进行填充处理，破坏了各部分之间的相关性，使网络更加关注局部特征，确保高层语义不会被破坏，极大地减少了参数的使用和训练时间。
-
公开(公告)号：CN110322509B
公开(公告)日：2021-11-12
申请号：CN201910559655.5
申请日：2019-06-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及深度学习领域和物体检测领域，本发明公开了基于层级类激活图的目标定位方法、系统及计算机设备，该方法构建了一个层级模型，在卷积层后面采用全局平均池化层或金字塔池化层来替代传统的全连接层，以避免在全连接层丢失图像结构信息。该方法在低层中的多个卷积层采集相应的特征信息，从而获得层级类激活图。本发明的层级类激活图不仅仅是从最后一层采集特征图，而是在低层中的多个卷积层中进行采集，从而减少低层图像信息的丢失，提高了图像定位能力。
-
-
-
-
-
Search Results
6
records
(took 0.03 seconds)
