-
公开(公告)号：CN119169265A
公开(公告)日：2024-12-20
申请号：CN202411212720.4
申请日：2024-08-30
Applicant: 河南大学
IPC: G06V10/25 , G06V10/143 , G06V10/30 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/776 , G06V20/70 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/048
Abstract: 本发明涉及目标检测技术领域，具体涉及一种红外小目标检测方法，该方法包括：获取红外图像数据集，利用基本特征图提取器对红外图像数据集中的图像过滤噪声，获得基本特征图；通过语义标记转换器，对基本特征图进行特征丰富，获得丰富后的特征图，然后利用局部空间语义注意力模块对丰富后的特征图进行分块增强，获得增强特征图；基于增强特征图进行模型训练获得小目标检测模型，对待检测的红外图像进行小目标检测，得到检测结果。本发明中的小目标检测模型可以抑制复杂红外背景信息，有效提高了红外小目标的检测准确性和检测效率。
-
公开(公告)号：CN119007288A
公开(公告)日：2024-11-22
申请号：CN202411077123.5
申请日：2024-08-07
Applicant: 河南大学
IPC: G06V40/20 , G06V20/40 , G06V10/80 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/049 , G06N3/08
Abstract: 本发明提供一种联合RGB外观、骨骼姿态与音频信息的多模态视频异常检测方法及相关设备。该方法包括：将目标视频分割为若干个视频片段；对每个视频片段进行预处理以获取每个视频片段的多模态数据，所述多模态数据包括人体骨骼轨迹、外观关键区域和声音频谱图；利用骨骼姿态子网络、RGB外观子网络和音频信息子网络分别对每个视频片段的多模态数据进行特征提取，得到每个视频片段的骨骼姿态特征、外观特征和音频特征；采用自适应多流融合策略对每个视频片段的骨骼姿态特征、外观特征和音频特征进行融合并预测每个视频片段的异常分数；若视频片段的异常分数超过设定阈值，则认为所述视频片段包含异常行为。
-
公开(公告)号：CN117765409A
公开(公告)日：2024-03-26
申请号：CN202311787559.9
申请日：2023-12-23
Applicant: 河南大学
IPC: G06V20/13 , G06V10/26 , G06V10/774 , G06V10/82 , G06V10/42 , G06V10/80 , G06N3/0464
Abstract: 本发明涉及图像分割技术领域，具体涉及基于多尺度特征融合和注意力机制的遥感图语义分割方法，包括：获取遥感图数据集，进行图像增强处理，将其分为训练集和测试集；构建基于多尺度特征融合和注意力机制的神经网络模型；迭代训练神经网络模型，直至训练次数达到预设训练次数得到训练好的神经网络模型；对训练好的神经网络模型进行性能测试，获得性能测试结果；优化训练好的神经网络模型的各个参数，获得优化后的神经网络模型；利用优化后的神经网络模型，对待检测遥感图像进行语义分割处理，获得分割结果。本发明基于多尺度特征融合和注意力机制进行遥感图语义分割，有效提高了遥感图语义分割的准确性和鲁棒性。
-
公开(公告)号：CN116976505A
公开(公告)日：2023-10-31
申请号：CN202310837811.6
申请日：2023-07-08
Applicant: 河南大学
IPC: G06Q10/04 , G06Q30/0251 , G06F18/241 , G06N3/04
Abstract: 本发明属于智能推荐及深度学习技术领域，公开了一种基于信息共享的解耦注意网络的点击率预测方法。具体来说，将高维稀疏样本经过嵌入层后放入解耦的多头自注意层作为并行网络架构的输入，在显式部分使用层次注意机制的交互函数，提高模型的表达能力。此外，本发明设置了共享交互层，解决并行网络信息共享不足的问题。本发明显式地模拟特征在低维空间中的交互作用，使整个模型以端到端的方式有效地适应大规模的互联网平台数据集。最后，在两个真实数据集Criteo和Avazu上进行实验，实验结果表明该模型在点击率预测的损失率和精确率以及算法效率方面均有显著提升。
-
公开(公告)号：CN116797922A
公开(公告)日：2023-09-22
申请号：CN202310352316.6
申请日：2023-04-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于特征融合的遥感图像目标检测方法，其方案如下：(1)对遥感图像目标检测数据集进行预处理，并划分出训练集、验证集和测试集；(2)构建金字塔特征细化单元，以三条不同大小感受野的路径对特征进行多尺度学习；(3)构建金字塔特征细化模块，并以此替换路径聚合网络中的C3模块，使得网络可以进行更充分有效的特征融合；(4)构建轻量级的解耦检测头，并以此替换YOLOv5原有的检测头，在引入少量模型参数的情况下，有效缓解了分类任务和回归任务之间的冲突问题，提高了检测精度；(5)对改进后的网络进行训练和测试。本发明可在遥感图像数据集上取得良好的检测效果，为遥感智能解译提供支持。
-
Patent Agency Ranking
公开(公告)号：CN116797922B
公开(公告)日：2025-03-07
申请号：CN202310352316.6
申请日：2023-04-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于特征融合的遥感图像目标检测方法，其方案如下：(1)对遥感图像目标检测数据集进行预处理，并划分出训练集、验证集和测试集；(2)构建金字塔特征细化单元，以三条不同大小感受野的路径对特征进行多尺度学习；(3)构建金字塔特征细化模块，并以此替换路径聚合网络中的C3模块，使得网络可以进行更充分有效的特征融合；(4)构建轻量级的解耦检测头，并以此替换YOLOv5原有的检测头，在引入少量模型参数的情况下，有效缓解了分类任务和回归任务之间的冲突问题，提高了检测精度；(5)对改进后的网络进行训练和测试。本发明可在遥感图像数据集上取得良好的检测效果，为遥感智能解译提供支持。
-
公开(公告)号：CN119005203A
公开(公告)日：2024-11-22
申请号：CN202411176667.7
申请日：2024-08-26
Applicant: 河南大学
IPC: G06F40/30 , G06F40/211 , G06F18/213 , G06N3/045 , G06F16/35
Abstract: 本发明提供一种基于组成树和多重注意力机制的方面级情感分析方法。该方法利用将方面感知注意力机制和自注意力机制相结合提取目标文本的语义向量，利用图注意力网络聚合组成树和依赖树的信息生成目标文本的句法向量，基于BiAffine模块对上述的语义向量和句法向量进行交互生成更丰富的表示来用于情感分析。本发明可以解决依赖树引入的噪声问题，提升情感分析预测准确性。
-
公开(公告)号：CN118643154A
公开(公告)日：2024-09-13
申请号：CN202410790743.7
申请日：2024-06-18
Applicant: 河南大学
IPC: G06F16/35 , G06F16/332 , G06F16/33 , G06F40/30 , G06F18/24 , G06N3/042 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明提供一种基于语义和句法关系图卷积的方面级情感分析方法。该方法包括：将待分析数据集输入至编码层以获取每个句子的句子嵌入和对应的方面项嵌入；将句子嵌入和方面项嵌入输入至语义信息层以得到整体语义信息；其中，所述语义信息层包括自注意力机制模块和方面距离注意力机制模块；将待分析数据集输入至多阶句法关系层以得到多阶句法关系矩阵；其中，所述多阶句法关系层包括依赖解析器；将整体语义信息和多阶句法关系矩阵融合后输入至图卷积神经网络以提取句子和方面项的特征向量；将句子和方面项的特征向量依次经过平均池化层和softmax激活函数，得到各方面项的情感极性。
-
公开(公告)号：CN116259055A
公开(公告)日：2023-06-13
申请号：CN202310087151.4
申请日：2023-02-07
Applicant: 河南大学
Abstract: 本发明提供一种基于区域融合算法的图像标记方法及装置。该方法包括：步骤1：对待标记图像进行预处理以去除噪声；步骤2：使用分水岭算法对预处理后的待标记图像预分割为多个子区域，并将预分割后的图像记作初始标记图像R0；步骤3：设定区域融合次数T，从面积最小的子区域开始，将初始标记图像R0中面积较小的子区域与其相邻的子区域进行区域融合，并将第T/2次融合得到的图像记作标记图像R1，将第T次融合得到的图像记作标记图像R2；步骤4：在所述标记图像R2中选择感兴趣区域。本发明无需学习样本，工作量较小，通用性较强。
-
公开(公告)号：CN112926552A
公开(公告)日：2021-06-08
申请号：CN202110442345.2
申请日：2021-04-23
Applicant: 河南大学
Abstract: 本发明提供一种基于深度神经网络的遥感影像车辆目标识别模型及方法。该模型将Yolov4网络结构中PANet网络中的卷积块替换为倒置残差模块，具体为：将PANet网络中上采样单元自下而上依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第一倒置残差模块和第二倒置残差模块；将PANet网络中下采样单元自上而下依次连接的两层卷积块均替换为倒置残差模块，并分别定义为第三倒置残差模块和第四倒置残差模块；在第二倒置残差模块和第三倒置残差模块之间新增一个倒置残差模块，并定义为第五倒置残差模块，所述第五倒置残差模块用于对输入的图像进行下采样。本发明对阴影遮挡等复杂环境下的车辆目标识别更精确。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.018 seconds)
