-
Patent Agency Ranking
公开(公告)号：CN109871873A
公开(公告)日：2019-06-11
申请号：CN201910045667.6
申请日：2019-01-17
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于Fast R-CNN的毫米波图像目标检测与识别方法，包括下列步骤；S1：有条件的深度卷积生成对抗网络(C-DCGAN)模型；S2：将条件加入深度卷积生成对抗网络中的生成器，利用卷积网络提取特征的能力加上条件辅以训练；S3：将训练好的C-DCGAN中的判别器部分抽取出来，添加Softinax后形成用于图像识别的新网络结构；利用该方法提取特征用于图像识别，条件深度卷积对抗网络不仅可以在条件的限制下生成预期的样本，而且利用卷积层提取特征的能力较为高。
-
公开(公告)号：CN111160120A
公开(公告)日：2020-05-15
申请号：CN201911263762.X
申请日：2019-12-11
Applicant: 重庆邮电大学
Abstract: 本发明属于物品识别领域，具体涉及一种基于迁移学习的Faster R-CNN物品检测方法，该方法包括：获取待检测的毫米波图像，并通过图像的信息熵确定图像的分割阈值，通过分割阈值对图像进行分割填充，得到目标分割结果图；将目标分割结果图输入到Faster R-CNN模型中；Faster R-CNN模型中的特征提取网络为ResNet50，在进行映射时采用聚类算法K-Means算法优化锚设置；根据Faster R-CNN模型输出的结果判断物品的类别和物品所处的位置；本发明在进行特征提取时，采用了迁移学习的方法，同时也采用了K-Means算法优化锚设置，使得分类的结果更精确。
-
公开(公告)号：CN109934254A
公开(公告)日：2019-06-25
申请号：CN201910045663.8
申请日：2019-01-17
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于R-CNN的毫米波图像目标检测与识别方法，包括下列步骤；S1：有条件的深度卷积生成对抗网络(C-DCGAN)模型；S2：将条件加入深度卷积生成对抗网络中的生成器，利用卷积网络提取特征的能力加上条件辅以训练；S3：将训练好的C-DCGAN中的判别器部分抽取出来，添加Softinax后形成用于图像识别的新网络结构；利用该方法提取特征用于图像识别，条件深度卷积对抗网络不仅可以在条件的限制下生成预期的样本，而且利用卷积层提取特征的能力较为高。
-
公开(公告)号：CN108508498A
公开(公告)日：2018-09-07
申请号：CN201810306110.9
申请日：2018-04-08
Applicant: 重庆邮电大学
Abstract: 本发明涉及三维毫米波安检成像及压缩感知领域，特别涉及一种基于加权全变差和参考先验的毫米波稀疏成像算法。包括：利用毫米波安检成像系统获得被测目标的三维回波数据，并设置采样率，对回波数据进行欠采样；依据压缩感知理论和毫米波安检成像算法，建立波数域相位函数观测矩阵以及构造傅里叶操作算子将原本毫米波成像算法耦合于压缩感知算法中构造线性测量模型；利用加权全变差以及基于参考先验指导的方法构造压缩感知正则化项，结合线性测量模型构建的压缩感知拟合项，加入平衡参数建立起完整的毫米波稀疏成像算法模型；利用欠采样回波数据和毫米波稀疏成像算法模型将图像恢复。该发明实现了压缩感知理论框架下高质量毫米波安检图像重建，在理论可上大大减少数据采样，降低成本，为毫米波稀疏成像在安检领域的应用提供了有力支撑。
-
公开(公告)号：CN111144238A
公开(公告)日：2020-05-12
申请号：CN201911270179.1
申请日：2019-12-11
Applicant: 重庆邮电大学
Abstract: 本发明涉及三维毫米波安检成像系统中物品识别领域，具体涉及一种基于Faster R-CNN的物品检测方法，该方法包括：获取待检测的毫米波图像；将预处理后的图像输入深度卷积神经网络VGG19中，提取毫米波图像的特征，生成特征图；选取候选区域提取网络的矩形候选区域，并将矩形候选区域射在特征图上，得到映射图；将特征图和映射图输入到分类回归网络中，得到候选区域对应各类别的置信度和修正参数；根据各类别的置信度和修正参数判断物品的类别；本发明通过对分类回归网络的优化，即采用Inception Module模块并结合LeNet-5的结构构建特征提取网络模型，使得分类算法更简便有效，提高了检测的效率和质量。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
