-
公开(公告)号：CN111695513A
公开(公告)日：2020-09-22
申请号：CN202010537198.2
申请日：2020-06-12
Applicant: 长安大学
Abstract: 本发明公开了一种基于深度残差网络的人脸表情识别方法，利用放大的人脸表情图片对深度残差网络模型进行训练，通过深度残差网络模型对放大的人脸表情图片进行特征提取，使其可以提取到不同尺度的特征以获取图像更丰富的特征，以减少网络参数计算量，然后对提取的特征进行降维处理，对降维处理后的进行残差处理得到不同尺度的图形特征，将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征，将学习图形特征进行下采样处理，这样直接实现降维，极大的减少了网络的参数，并可以对整个网络在结构上做正则化防止过拟合，将获得图像更丰富的特征以提高分类识别的准确率，将下采样处理后的学习图形特征进行分类处理，本发明能够提取到更深层次且不同尺度的图像特征，通过对比实验，表明了该网络具有较好的准确率和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111860587B
公开(公告)日：2024-02-02
申请号：CN202010537199.7
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V10/75 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06T5/50
Abstract: 本发明公开了一种用于图片小目标的检测方法，通过以待检测图片作为目标检测网络的输入，从待检测图片中获取六个不同尺寸的特征图，采用双线性插值法将六个不同尺寸的特征图中的金字塔的底层特征图与金字塔的高层特征图进行特征融合得到新的六个不同尺寸的特征图，考虑各尺度特征图之间的关系，使参与预测的特征图有更丰富的细节信息和语义信息，使用预先训练模型的默认设置对目标检测网络进行训练，并采用随机梯度下降算法对损失函数式进行优化训练，有利于模型的快速收敛，利用训练好的目标检测网络进行测试，对待检测的图像特征提取，能够有效提高图片小目标的检测精度和检测速度，可在完全满足实时性条件下有效提高小目标的检测精度。
-
公开(公告)号：CN111695514B
公开(公告)日：2023-04-18
申请号：CN202010537207.8
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V20/54 , G06V10/774 , G06V10/762 , G06T3/40 , G06T7/90
Abstract: 本发明公开了一种基于深度学习的雾天下车辆检测方法，通过对采集到的雾天交通车辆图片进行图像预处理，采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图，然后对多个不同大小的特征图进行多尺度检测，得到多尺度检测特征图，提高特征提取精度，最后根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练得到雾天下车辆检测网络模型，采用迁移学习方法精简了网络结构，不仅提高了检测速度，而且提高了目标检测精度，利用K‑means聚类方法进行聚类，得到网络所需的初始先验框的尺寸，对浅层网络的加深和整体框架的简化，提升了检测速度，简化了损失函数和预测的输出张量，提高了定位的效率。
-
公开(公告)号：CN111695513B
公开(公告)日：2023-02-14
申请号：CN202010537198.2
申请日：2020-06-12
Applicant: 长安大学
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度残差网络的人脸表情识别方法，利用放大的人脸表情图片对深度残差网络模型进行训练，通过深度残差网络模型对放大的人脸表情图片进行特征提取，使其可以提取到不同尺度的特征以获取图像更丰富的特征，以减少网络参数计算量，然后对提取的特征进行降维处理，对降维处理后的进行残差处理得到不同尺度的图形特征，将不同尺度的图形特征进行卷积与压缩处理得到学习图形特征，将学习图形特征进行下采样处理，这样直接实现降维，极大的减少了网络的参数，并可以对整个网络在结构上做正则化防止过拟合，将获得图像更丰富的特征以提高分类识别的准确率，将下采样处理后的学习图形特征进行分类处理，本发明能够提取到更深层次且不同尺度的图像特征，通过对比实验，表明了该网络具有较好的准确率和鲁棒性。
-
公开(公告)号：CN111860587A
公开(公告)日：2020-10-30
申请号：CN202010537199.7
申请日：2020-06-12
Applicant: 长安大学
Abstract: 本发明公开了一种用于图片小目标的检测方法，通过以待检测图片作为目标检测网络的输入，从待检测图片中获取六个不同尺寸的特征图，采用双线性插值法将六个不同尺寸的特征图中的金字塔的底层特征图与金字塔的高层特征图进行特征融合得到新的六个不同尺寸的特征图，考虑各尺度特征图之间的关系，使参与预测的特征图有更丰富的细节信息和语义信息，使用预先训练模型的默认设置对目标检测网络进行训练，并采用随机梯度下降算法对损失函数式进行优化训练，有利于模型的快速收敛，利用训练好的目标检测网络进行测试，对待检测的图像特征提取，能够有效提高图片小目标的检测精度和检测速度，可在完全满足实时性条件下有效提高小目标的检测精度。
-
公开(公告)号：CN111695514A
公开(公告)日：2020-09-22
申请号：CN202010537207.8
申请日：2020-06-12
Applicant: 长安大学
Abstract: 本发明公开了一种基于深度学习的雾天下车辆检测方法，通过对采集到的雾天交通车辆图片进行图像预处理，采用深度残差网络模型对预处理后的雾天交通车辆图片进行特征提取，获取多个不同大小的特征图，然后对多个不同大小的特征图进行多尺度检测，得到多尺度检测特征图，提高特征提取精度，最后根据获取的多尺度检测特征图采用迁移学习方法对深度残差网络模型进行训练得到雾天下车辆检测网络模型，采用迁移学习方法精简了网络结构，不仅提高了检测速度，而且提高了目标检测精度，利用K-means聚类方法进行聚类，得到网络所需的初始先验框的尺寸，对浅层网络的加深和整体框架的简化，提升了检测速度，简化了损失函数和预测的输出张量，提高了定位的效率。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
