-
公开(公告)号：CN111797700B
公开(公告)日：2022-12-06
申请号：CN202010523812.X
申请日：2020-06-10
Applicant: 南昌大学
Abstract: 本发明提供了一种基于细粒度判别网络与二阶重排序的车辆重识别方法，所述方法主要由两个部分组成：细粒度判别网络和二阶段重排序算法；所述细粒度判别网络的整个网络架构采用多元损失来监督，由两部分组成：孪生网络和细粒度网络；所述二阶段重排序算法融合两部分的深度特征向量来计算最终的融合特征，并将其分为两个阶段。在本发明中，细粒度判别网络可用于提取更多细微特征并改进重排序方法。首先，将孪生网络和细粒度网络结合以提取融合特征。提取的特征具有更强的判别细微差异的能力。应用二阶段重排序算法来获得样本均值特征，然后将其添加到最终距离度量中，使得匹配列表中的前k个候选样本所包含的正样本数量增加了。
-
公开(公告)号：CN109583305B
公开(公告)日：2022-05-20
申请号：CN201811282149.8
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R‑CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k‑倒数编码，将紧凑特征与k‑倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。
-
公开(公告)号：CN114119504A
公开(公告)日：2022-03-01
申请号：CN202111312070.7
申请日：2021-11-08
Applicant: 南昌大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明提供了一种基于级联卷积神经网络的钢件焊缝自动检测方法，包括以下步骤：S1，利用工业相机和红外激光线对钢件进行扫描，获得焊缝数据；S2，对图像进行焊缝区域标注和中心线标注，完成焊缝参考图像集和中心线参考图像集制作；S3，根据训练算法，利用焊缝数据和焊缝参考图像集训练级联卷积神经网络，同时利用焊缝数据和中心线参考图像集训练中心线提取网络；S4，利用工业相机和红外激光线对待检测钢件进行扫描，获得待检测焊缝数据；S5，将待检测的焊缝数据输入训练好的检测模型中输出检测结果。本发明能够准确地提取出焊缝位置，极大地提升了抗干扰能力，保证了焊接质量，提高了自动焊接系统的自适应能力。
-
公开(公告)号：CN109583305A
公开(公告)日：2019-04-05
申请号：CN201811282149.8
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R-CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k-倒数编码，将紧凑特征与k-倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。
-
公开(公告)号：CN119920014A
公开(公告)日：2025-05-02
申请号：CN202510406323.9
申请日：2025-04-02
Applicant: 南昌大学
IPC: G06V40/20 , G06V10/80 , G06V10/77 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本申请属于计算机视觉技术领域，公开了一种手‑物估计方法、系统、电子设备及存储介质，该方法包括：获取手‑物交互图像并提取手部和物体深层特征图；预测手部顶点2D坐标和物体2D坐标；将手部顶点2D坐标与手部深层特征图、物体2D坐标与物体深层特征图分别进行姿势对齐，得到手部和物体姿势对齐特征，再映射到3D空间，得到手部和物体3D空间特征；通过交叉注意力机制捕捉手部与物体3D空间特征的细粒度交互性，生成手部和物体增强特征；利用对比学习增强手部顶点间的相似性及其与环境体素的差异性，得到手部空间优化特征；最后解码物体增强特征和手部空间优化特征，输出手‑物估计结果。该方法能够提升3D交互式手‑物姿态估计方法的性能。
-
Patent Agency Ranking
公开(公告)号：CN119903203A
公开(公告)日：2025-04-29
申请号：CN202411890626.4
申请日：2024-12-20
Applicant: 南昌大学
IPC: G06F16/583 , G06F16/532 , G06F16/383 , G06F16/332 , G06V20/68 , G06V10/44 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及人工智能和机器学习的跨学科研究领域，尤其涉及。本发明提供了一种跨模态食品检索方法，重点是在图像编码器与食谱编码器的基础上增加多粒度交互编码器构建TE I框架，将给定的图像‑文本配对数据分别输入到图像编码器与食谱编码器进行训练学习，图像编码器提取全局视觉特征，食谱编码器提取层次化特征并使用线性层获得全局食谱特征，多粒度交互编码器提取多粒度特征，所述层次化特征与多粒度特征计算成对的自注意力并取平均值得多粒度交互特征，基于层次化语义对齐损失函数对齐两种模态之间的相关性。目的是探索图像和文本模态之间的多粒度互动相关性，以提高跨模态检索性能。
-
公开(公告)号：CN117475506A
公开(公告)日：2024-01-30
申请号：CN202311034417.5
申请日：2023-08-17
Applicant: 南昌大学
Abstract: 本发明提供了一种基于深度学习的视图不变人体动作姿态匹配方法，首先通过已有的2D人体姿态检测器提取人体运动的姿态热图，然后使用深度学习模型推理嵌入姿态，得到对应姿态在嵌入空间分布的均值和方差，最后通过计算分布之间的相似性得到其对应姿态的视觉匹配度。本发明用于跨视图学习人体姿态的视图不变特征，仅使用2D人体关键点作为输入，解决2D姿态存在的不确定性，嵌入的2D人体姿态可以跨视图进行姿态相似性度量。本发明通过跨视图的运动姿态匹配，还可以判断一些任务执行是否正确，以及可以通过与异常行为进行比较，从而提前预知异常的行为并给出提示，还可以通过匹配来自不同相机的目标人员进行行人重识别等。
-
公开(公告)号：CN117315614A
公开(公告)日：2023-12-29
申请号：CN202311597170.8
申请日：2023-11-28
Applicant: 南昌大学
IPC: G06V20/56 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于改进YOLOv7的交通目标检测方法，包括：构建交通目标检测网络模型，并在YOLOv7网络结构的骨干特征提取网络中采用ReduceBlock模块替换原始卷积进行深层特征提取，以及在YOLOv7网络结构的头部预测模块中嵌入SimCAM模块加深对关键特征的提取，并更换边界框回归损失函数为FocalDIoU函数；建立训练集和验证集，用于交通目标检测网络模型进行训练学习和检测验证;使用递归热启动策略对交通目标检测网络模型进行训练，并对所述训练集和/或所述验证集进行检测、输出交通目标检测结果。本发明在小幅度增加参数量和计算量的情况下，达到运算精度高、速度快的交通目标检测效果。
-
公开(公告)号：CN117132962A
公开(公告)日：2023-11-28
申请号：CN202311046684.4
申请日：2023-08-19
Applicant: 南昌大学
IPC: G06V20/58 , G06V20/70 , G06V10/26 , G06V10/25 , G06V10/80 , G06V10/52 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于自适应区域筛选高分辨率交通标志快速检测方法，提出自适应区域筛选模型，通过提取图像特征并利用图像分块技术实现判断每个图像块是否含有交通标志的目的，该模型包括，图像调整、多尺度特征融合、区域特征提取、类别预测四个部分。提出基于图像分割技术辅助交通标志检测模型，多尺度语义分割模块CAM，提取多尺度特征实现简单融合后再对融合特征进一步提取获得对应不同分辨率的多尺度分割图，将上述分割图引入交通标志检测模型的多尺度特征融合网络中，指导并提高对前景特征的信息提取，Tex在融合特征输出之后，对特征的背景区域再度探索，对输入特征再度细化。本发明能帮助交通标志检测实现对精度和实时性的平衡。
-
公开(公告)号：CN117131919A
公开(公告)日：2023-11-28
申请号：CN202311048083.7
申请日：2023-08-19
Applicant: 南昌大学
IPC: G06N3/082 , G06N3/084 , G06N3/0495 , G06F21/62
Abstract: 本发明提供了一种基于坐标自适应的高斯差分隐私保护方法，根据隐私保护需求，设置相应的隐私预算和训练轮数；将数据集划分为训练集和测试集，对训练集进行概率为p的泊松采样；在训练过程中，通过随机梯度下降算法计算每个样本梯度值，根据坐标自适应算法，对每个样本的梯度利用辅助参数进行变换，对变换后的值进行自适应裁剪、加噪操作；将裁剪、加噪后的梯度进行逆运算，变换回原始形式继续训练；在训练过程中，根据更新的梯度值对所需的辅助变量值进行更新；多次迭代训练，得到最终隐私保护的预测模型；利用f‑DP机制的性质，跟踪训练过程中造成的隐私损失，训练结束后得到总体隐私损失。本发明能够提高模型的准确性，实现隐私保护。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.018 seconds)
