公开(公告)号：CN113920455A

公开(公告)日：2022-01-11

申请号：CN202111009898.5

申请日：2021-08-31

Applicant: 暨南大学

Inventor： 李志颖 ,  戚自华 ,  陈唯彬 ,  陈力彦 ,  赵容 ,  黄斐然

IPC: G06V20/40 ,  G06V20/52 ,  G06V10/25 ,  G06V10/56 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明涉及一种基于深度神经网络的夜间视频着色方法，包括步骤：S1、建立目标检测神经网络模型，输入待处理的视频图像，利用目标检测算法，检测目标实例并生成裁剪的目标图像；S2、建立着色网络，通过构建两个端到端训练的骨干网络，包括实例着色网络和全图像着色网络，进行实例着色和全图像着色；再构建两个着色网络对应层级，进行端到端训练的全卷积神经网络；S3、建立融合模块，选择性地融合从实例着色网络和全图像着色网络中提取到的特征，最终获得着色后的夜间视频图像。本发明通过输入待处理的视频图像，将图像经过目标检测网络，实例图像着色和全图像着色的全卷积网络，以及融合模块的处理，最终获得着色后的夜间视频图像。

公开(公告)号：CN113743233B

公开(公告)日：2023-08-01

申请号：CN202110912415.6

申请日：2021-08-10

Applicant: 暨南大学

Inventor： 黄斐然 ,  戚自华 ,  钟建强 ,  李志颖 ,  赖浩天 ,  刘启霄 ,  吴永东

IPC: G06V20/54 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于YOLOv5和MobileNetV2的车辆型号识别方法，包括以下步骤：S1、获取含车辆型号标签的公开车辆图片数据集；S2、对图片数据集按YOLOv5方式打标签；S3、为图片进行预处理；S4、进行YOLOv5训练，反复优化得到模型参数；S5、对原始图片数据集按YOLOv5标签的锚框数据进行裁剪，尽可能裁剪至图片仅含车辆信息；S6、修改MobileNetV2模型，拼接训练好的YOLOv5模型和修改后的MobileNetV2模型；S7、使用标签为车辆型号的原始数据集，预处理后对新拼接得到的模型进行训练，反复优化提升模型性能，得到优化训练完成的识别模型并将其用于实际车辆型号识别。本发明方法解决现有模型识别速率低，不足以满足交通系统的实时性、高效性以及在条件受限的情况下识别的准确率偏低的问题。

公开(公告)号：CN113920455B

公开(公告)日：2024-08-06

申请号：CN202111009898.5

申请日：2021-08-31

Applicant: 暨南大学

Inventor： 李志颖 ,  戚自华 ,  陈唯彬 ,  陈力彦 ,  赵容 ,  黄斐然

IPC: G06V20/40 ,  G06V20/52 ,  G06V10/25 ,  G06V10/56 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明涉及一种基于深度神经网络的夜间视频着色方法，包括步骤：S1、建立目标检测神经网络模型，输入待处理的视频图像，利用目标检测算法，检测目标实例并生成裁剪的目标图像；S2、建立着色网络，通过构建两个端到端训练的骨干网络，包括实例着色网络和全图像着色网络，进行实例着色和全图像着色；再构建两个着色网络对应层级，进行端到端训练的全卷积神经网络；S3、建立融合模块，选择性地融合从实例着色网络和全图像着色网络中提取到的特征，最终获得着色后的夜间视频图像。本发明通过输入待处理的视频图像，将图像经过目标检测网络，实例图像着色和全图像着色的全卷积网络，以及融合模块的处理，最终获得着色后的夜间视频图像。

公开(公告)号：CN113743233A

公开(公告)日：2021-12-03

申请号：CN202110912415.6

申请日：2021-08-10

Applicant: 暨南大学

Inventor： 戚自华 ,  钟建强 ,  李志颖 ,  赖浩天 ,  刘启霄 ,  黄斐然 ,  吴永东

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于YOLOv5和MobileNetV2的车辆型号识别方法，包括以下步骤：S1、获取含车辆型号标签的公开车辆图片数据集；S2、对图片数据集按YOLOv5方式打标签；S3、为图片进行预处理；S4、进行YOLOv5训练，反复优化得到模型参数；S5、对原始图片数据集按YOLOv5标签的锚框数据进行裁剪，尽可能裁剪至图片仅含车辆信息；S6、修改MobileNetV2模型，拼接训练好的YOLOv5模型和修改后的MobileNetV2模型；S7、使用标签为车辆型号的原始数据集，预处理后对新拼接得到的模型进行训练，反复优化提升模型性能，得到优化训练完成的识别模型并将其用于实际车辆型号识别。本发明方法解决现有模型识别速率低，不足以满足交通系统的实时性、高效性以及在条件受限的情况下识别的准确率偏低的问题。