-
公开(公告)号：CN103984953A
公开(公告)日：2014-08-13
申请号：CN201410164575.7
申请日：2014-04-23
Applicant: 浙江工商大学
Abstract: 一种基于多特征融合与Boosting决策森林的街景图像的语义分割方法，包括如下步骤：步骤1，对图像进行超像素分割；步骤2，多特征提取；步骤3，特征融合；步骤4，训练学习以及分类识别；本发明将2D特征和3D特征有效的融合在一起，显著的提高了目标的识别率，与现有技术相比，分割结果一致，连通性好，边缘定位准确，引入了Boosting决策森林分类机制，保证了目标分类的稳定性。
-
公开(公告)号：CN113673594B
公开(公告)日：2022-07-12
申请号：CN202110947457.3
申请日：2021-08-18
Applicant: 浙江工商大学 , 浙江小芃科技有限公司
Abstract: 本发明公开了一种基于深度学习网络的瑕疵点识别方法。本发明首先将瑕疵的图片通过Resnet‑50特征提取网络，提取瑕疵的特征，然后通过改进的transformer网络对瑕疵进行检测，识别出瑕疵。本发明通过对DETR网络的transformer网络模块进行改进，能够提升速度的同时，将瑕疵能够更精确地检测出来。
-
公开(公告)号：CN109543498B
公开(公告)日：2022-02-18
申请号：CN201710957247.6
申请日：2017-10-16
Applicant: 浙江工商大学
Inventor： 王慧燕
IPC: G06V20/56 , G06V10/774 , G06V10/764 , G06V10/82 , G06V10/40 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于多任务网络的车道线检测方法。本发明公开了一种基于深度学习的目标检测和拟合回归的车道线检测方法，包括：(1)将图像通过在卷积神经网络(简称CNN)中的正向传播提取到鲁棒的特征表达；(2)网络的两个全连接层使用提取的特征回归出可能存在的目标的位置，并同时对该区域是否是车道线做出判断；(3)过滤检测到的小段车道线；(4)将过滤后的结果拟合出n段车道线。本发明所提供的方法由于使用卷积神经网络提取图像特征，相比传统特征可以更为准确的确定车道线的位置，有着较好的精确度；由于最终的车道线检测结果是通过小段车道线的拟合，即使有少量的误检，也可以通过过滤孤立检测结果的方式消除，提高了本发明方法的鲁棒性。
-
公开(公告)号：CN113284123A
公开(公告)日：2021-08-20
申请号：CN202110609602.7
申请日：2021-06-01
Applicant: 浙江工商大学 , 浙江小芃科技有限公司
Abstract: 本发明公开了一种基于旋转目标和改进注意力机制的薄膜划痕瑕疵检测方法。本发明首先读取薄膜图像，然后将图像输入到网络模型中进行推理，通过网络结构推理出薄膜图像中的瑕疵并进行标注。本发明通过对CenterNet进行小目标以及旋转目标检测的改进，对主干网络检测小目标进行改进，向网络结构中加入注意力机制，增加对瑕疵目标的角度预测分支，在不影响实时检测速度的前提下提高对瑕疵检测尤其是划痕类目标检测的准确率。本发明用于工业薄膜瑕疵检测可以有效提高薄膜产品的质量，且不需要人工检测，节省了人工及时间成本，满足现代生产要求。
-
公开(公告)号：CN109886159B
公开(公告)日：2021-03-26
申请号：CN201910091271.5
申请日：2019-01-30
Applicant: 浙江工商大学
Inventor： 王慧燕
IPC: G06K9/00
Abstract: 本发明提供一种非限定条件下的人脸检测方法，包括如下步骤：S1）图像预处理；S2）设计基于深度卷积的人脸检测网络；S3）人脸检测网络前向传播；S4）采用非极大值抑制算法；S5）得到最终检测结果。本发明的优点为：适用范围广，效果和速度均可达到state‑of‑art级别，有助于提升行人坐标准确性，降低误检发生概率，缓解深层网络梯度弥散问题，加快网络收敛过程。
-
Patent Agency Ranking
公开(公告)号：CN111144203A
公开(公告)日：2020-05-12
申请号：CN201911131589.8
申请日：2019-11-19
Applicant: 浙江工商大学
Abstract: 本发明提供一种基于深度学习的行人遮挡检测方法，首先采用无锚点的数据预处理方式，并且对于行人数据进行遮挡扩充，还采用了随机色彩变换、水平翻转、随机尺寸变换等数据增强方式；其次是一种新的特征融合方式，对于精炼神经网络(Refinement Neural Network,RefineDet)的特征融合模块（Transfer Connection Block，TCB）进行改进，减少其下采样次数，对于ResNet的不同阶段进行了更为充分的特征融合；最终传入到检测头网络中，得到效果更好的行人遮挡检测算法RefinePedDet。本发明通过实际测试得到漏检率更低的行人遮挡检测算法。
-
公开(公告)号：CN109993089A
公开(公告)日：2019-07-09
申请号：CN201910222252.1
申请日：2019-03-22
Applicant: 浙江工商大学
Inventor： 王慧燕
Abstract: 本发明提供一种基于深度学习的视频目标去除及背景恢复方法，包括如下步骤：S1）人脸检测；S2）人脸识别；S3）人身检测；S4）人脸与人身匹配；S5）去除行人与背景恢复。本发明的优点为：将视频中非控制条件下准确的人脸识别与高精度、高准确率的人身检测的技术融合，只要给定视频中需要去除的人脸图片就可以在视频中全自动去除此行人，去除的区域用相似背景填充，不需要人工干预，可节省人工和时间成本。
-
公开(公告)号：CN109886159A
公开(公告)日：2019-06-14
申请号：CN201910091271.5
申请日：2019-01-30
Applicant: 浙江工商大学
Inventor： 王慧燕
IPC: G06K9/00
Abstract: 本发明提供一种非限定条件下的人脸检测方法，包括如下步骤：S1）图像预处理；S2）设计基于深度卷积的人脸检测网络；S3）人脸检测网络前向传播；S4）采用非极大值抑制算法；S5）得到最终检测结果。本发明的优点为：适用范围广，效果和速度均可达到state-of-art级别，有助于提升行人坐标准确性，降低误检发生概率，缓解深层网络梯度弥散问题，加快网络收敛过程。
-
公开(公告)号：CN109543498A
公开(公告)日：2019-03-29
申请号：CN201710957247.6
申请日：2017-10-16
Applicant: 浙江工商大学
Inventor： 王慧燕
Abstract: 一种基于多任务网络的车道线检测方法。本发明公开了一种基于深度学习的目标检测和拟合回归的车道线检测方法，包括：(1)将图像通过在卷积神经网络(简称CNN)中的正向传播提取到鲁棒的特征表达；(2)网络的两个全连接层使用提取的特征回归出可能存在的目标的位置，并同时对该区域是否是车道线做出判断；(3)过滤检测到的小段车道线；(4)将过滤后的结果拟合出n段车道线。本发明所提供的方法由于使用卷积神经网络提取图像特征，相比传统特征可以更为准确的确定车道线的位置，有着较好的精确度；由于最终的车道线检测结果是通过小段车道线的拟合，即使有少量的误检，也可以通过过滤孤立检测结果的方式消除，提高了本发明方法的鲁棒性。
-
公开(公告)号：CN109344700A
公开(公告)日：2019-02-15
申请号：CN201810958986.1
申请日：2018-08-22
Applicant: 浙江工商大学
Inventor： 王慧燕
Abstract: 本发明提供一种基于深度神经网络的行人姿态属性识别方法，通过对深度神经网络及目标函数的设计、网络训练，对卷积层采用多特征融合的策略提升识别率，获得较为准确的行人姿态属性识别的数据分类，包括如下步骤：（1）深度神经网络设计；（2）损失函数设计与网络训练；（3）行人姿态属性识别。本发明的行人姿态属性识别的方法，可应用于后续的行人再识别中，可增强行人再识别效果及提高行人再识别效率。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.046 seconds)
