-
公开(公告)号：CN115560668A
公开(公告)日：2023-01-03
申请号：CN202211398392.2
申请日：2022-11-09
Applicant: 东南大学
IPC: G01B7/30
Abstract: 本发明公开了一种微型动态倾角测量模组及其解算方法，该发明包括机械结构、电路和解算算法。该模组通过核心板和底板叠加的机械结构，总体尺寸厘米级。整体结构通过贴片工艺和合理规划正反面器件安装位置，将模组的整体温度保持在主控的运行温度，减少惯性传感器温度漂移带来的误差。嵌入式单片机主控芯片实现多种通信方式的数据输出，包括串口输出以及总线输出。运用卡尔曼滤波算法进行误差补偿和噪声滤波，实现估计倾角和测量倾角的融合得到稳定的最优估计倾角。动态输出数据包含惯性传感器六轴数据及解算的二轴倾角，具有体积小、精度高、鲁棒性强等优点。
-
公开(公告)号：CN110706208A
公开(公告)日：2020-01-17
申请号：CN201910867599.1
申请日：2019-09-13
Applicant: 东南大学
Abstract: 本发明公开了一种基于张量均方最小误差的红外弱小目标检测方法，首先提出利用目标邻域块去预测中心像素灰度值；然后根据均方最小误差原理获得预测背景图和差分图；最后通过自适应阈值分割进行小目标检测。完成红外弱小目标检测。本发明能利用全局和局部特征共同探测弱小目标，且具有较强的抑制复杂背景干扰的能力。
-
公开(公告)号：CN110674714A
公开(公告)日：2020-01-10
申请号：CN201910867602.X
申请日：2019-09-13
Applicant: 东南大学
Abstract: 本发明公开了一种快速人脸和人脸关键点联合检测方法，包括如下步骤：步骤1，构建教师网络和学生网络；步骤2，输入一批训练图像，进行数据增强；步骤3，根据自适应尺度匹配策略，划分正负锚点框样本；步骤4，挖掘正负样本，计算多任务损失函数，更新网络参数；步骤5，转至步骤2，直至训练收敛，得到教师网络模型；步骤6，重复步骤2到步骤5，利用教师网络模型，加入迁移学习损失函数，训练得到学生网络模型；步骤7，在测试阶段，输入测试图像到学生网络模型，得到检测结果。本发明可以同时得到人脸和关键点检测结果，加快了人脸识别预处理流程的速度。本发明提出的轻量网络推理速度快，能够部署在算力受限的嵌入式设备。
-
公开(公告)号：CN104992184B
公开(公告)日：2018-03-09
申请号：CN201510381792.6
申请日：2015-07-02
Applicant: 东南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于半监督极限学习机的多类图像分类方法，将训练样本集分为已标注样本集L、未标注样本集U和测试集T；把U中的样本进行有放回重采样构建N个差异的训练子集；然后在各个子集上与已标记训练样本L分别训练一个半监督极限学习机模型，共N个分类器；将这N次极限学习机对应节点的输出求和取平均；将输出作归一化处理后，应用最优标记和次优标记算法BvSB的主动学习技术对样本进行不确定性评估，从U中取最不确定的样本进行人工标注并转移到L中；重新更新分类器模型，直至迭代结束。通过本发明，解决了相关技术中图像分类存在分类正确率低和学习速度低的问题，为准确、快速、稳定的图像分类奠定了一定的基础。
-
公开(公告)号：CN102663426B
公开(公告)日：2013-12-04
申请号：CN201210087448.2
申请日：2012-03-29
Applicant: 东南大学
Abstract: 本发明提供了一种基于小波多尺度分析和局部三值模式的人脸识别方法，涉及模式识别、图像处理和计算机视觉等技术领域。首先选取合适的人脸图像，然后对训练图像作多尺度小波分析，得到一、二级低频逼近图像，使用LTP算子对低频逼近图像进行变换，得到所有像素点的LTP特征值，再分块统计图像的LTP直方图，连接两级图像的分块直方图得到人脸图像的特征向量表示。对于待识别人脸，获得特征向量后，使用概率统计完成人脸识别。本发明方法有效地降低了图像噪声的影响，增强了图像纹理特征抽取能力，鲁棒性强，识别率高，计算速度快，具有十分重要的实用价值。
-
Patent Agency Ranking
公开(公告)号：CN117542051A
公开(公告)日：2024-02-09
申请号：CN202311564627.5
申请日：2023-11-22
Applicant: 东南大学
IPC: G06V20/70 , G06V10/26 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种面对X射线钛合金图像分割的轻量化视觉Transformer算法；构建自适应轴向注意力机制的轻量化视觉Transformer分割网络，将X射线图像数据输入到所搭建的网络中进行，输入的图像经过主干层后分别进入用于提取图像语义信息的语义分支和用于提取图像细节信息的空间分支；使用特征融合模块，将语义分支和空间分支提取的特征信息相融合；将融合后的信息输入到轻量化分割头中，应用反向传播更新网络参数从而得到训练好的网络模型；用训练好的网络模型进行语义分割测试。本发明解决了传统Transformer计算量大难以落地，以及推理快速性与精准性无法很好融合的问题，在面对高像素X射线图像的密集分割任务时有很好的效果，也可以应用于图像分类、目标检测等深度学习视觉任务。
-
公开(公告)号：CN117011328A
公开(公告)日：2023-11-07
申请号：CN202310606948.0
申请日：2023-05-25
Applicant: 东南大学
Abstract: 本发明公开了一种基于互相关优化网络的通用单目标跟踪方法，包括如下步骤：步骤1，构建权值共享的模板帧和搜索帧提取分支网络；步骤2，输入一批训练图像对，运用数据归一化技术，增强模型泛化能力；步骤3，将两种特征进行卷积互相关优化操作；步骤4，重复步骤三N次，N为互相关优化模块层数；步骤5，将最终响应图送至角点网络，预测物体的目标框；步骤6，采用L1损失和GIOU损失函数，计算损失并训练；步骤7，用测试序列图像第一帧初始化网络，便可在后续图像上实现单目标跟踪。本方法解决了通用单目标跟踪易受相似目标干扰而丢失跟踪目标的情况；同时采用角点预测，预测物体包围框更加精确，提高目标跟踪的精度和鲁棒性。
-
公开(公告)号：CN116824701A
公开(公告)日：2023-09-29
申请号：CN202310819458.9
申请日：2023-07-05
Applicant: 东南大学
IPC: G06V40/20 , G06V10/40 , G06V10/82 , G06V10/774 , G06V10/46 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于高斯函数的显式监督自注意力的多人姿态估计方法，包括如下步骤：步骤1，选取合适的深度学习网络作为特征提取器；步骤2，构造并行卷积与自注意力模块；步骤3，构造关键点位置预测网络；步骤4，对并行模块中的自注意力分支进行基于高斯函数的显式监督；5，输入训练图像，运用数据增广技术，扩充训练样本，用标注监督模型输出；步骤6，反向传播损失，直至训练收敛；步骤7，在测试阶段，把测试图像输入最终的多人姿态估计模型，进行多个人体实例的姿态估计。本申请解决了多人姿态估计效率低，可解释性差的技术问题。通过本申请的方法，可以统一关键点定位与关键点匹配的特征学习过程，加快了多人姿态估计速度。
-
公开(公告)号：CN110599462B
公开(公告)日：2023-04-07
申请号：CN201910782936.7
申请日：2019-08-23
Applicant: 东南大学
IPC: G06T7/00 , G06V10/764 , G01N15/10
Abstract: 本发明公开了一种基于不平衡局部Fisher判别分析的尿沉渣检测方法。首先，对输入尿沉渣有形成分图像提取聚合通道特征。其次，对每个通道使用Haar‑like模板进行通道滤波提取中间层特征。接着，对单个通道的特征进行分组，随机选择若干组的特征进行线性加权组合成一个新的候选特征。然后，考虑到样本分布的不平衡性，提出一种不平衡局部Fisher判别分析方法来进行加权系数的学习。最后，将所有通道的候选特征串联起来形成最后的特征向量，结合基于决策树的Adaboost分类器进行训练，针对不同的尿沉渣有形成分训练不同的检测器。本发明考虑了尿沉渣有形图像的局部信息融合和样本分布的不平衡性，有效的降低了噪声的影响，准确率高，计算速度快，具有十分重要的实用价值。
-
公开(公告)号：CN115311570A
公开(公告)日：2022-11-08
申请号：CN202210985537.2
申请日：2022-08-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于关键点表示的红外弱小目标检测方法，首先构建基于编码器‑解码器结构的检测网络主体框架，基于VGG16的特征提取网络；根据目标中心点的位置坐标，选择合适的高斯半径对中心点坐标按照高斯分布计算关键点热力图，把训练图像的标签图转化为相应的关键点热力图；对训练图像进行预处理后送入检测网络，进行网络训练，计算检测网络的损失函数，并进行参数更新，反复训练直至训练收敛，获得最终的网络模型；将测试图像送入检测网络中，输出热力图结果，并选择合适的阈值获得热力图的峰值区域，输出最终检测结果。本方法直接优化并定位目标中心点坐标，实现了红外弱小目标级别端到端的检测，有效提高红外弱小目标的检测速度与检测精度。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.024 seconds)
