-
公开(公告)号：CN113159057B
公开(公告)日：2022-09-02
申请号：CN202110353991.1
申请日：2021-04-01
Applicant: 湖北工业大学
Abstract: 本发明提供了一种图像语义分割方法和计算机设备，图像语义分割方法包括：将待处理图像输入轻量级神经网络，得到轻量特征图；将所述轻量特征图输入所述增强金字塔网络，得到拼接特征图；将拼接特征图输入分类网络，得到多张分类特征图；对于每张分类特征图，将该分类特征图输入条形注意力网络，得到该分类特征图对应的注意力特征图，将该分类特征图和该注意力特征图相加，得到该分类特征图对应的语义特征图；根据多张语义特征图确定语义分割结果。本发明在降低了计算量的同时，保证了图像语义分割的精度，适用于硬件资源有限的终端。
-
公开(公告)号：CN108647723B
公开(公告)日：2020-10-13
申请号：CN201810448134.8
申请日：2018-05-11
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于深度学习网络的图像分类方法，首先建立与ResNext网络相同的提取特征部分，这部分通过堆叠卷积快来实现。根据参数设置，将每个参数相同的卷积块分为一节，并对每节部分进行同样大小卷积块的删减；然后在建立好网络的三节部分中提取每一部分网络得到的特征图，处理后获得最后的特征列向量；接着将最后的特征列向量与softmax分类器连接，完整整个网络；整个网络用已知数据库进行调节，保存调节好后的权值；最后将网络运用到新数据库时，用保存好的权值迁移学习，然后进行微调。本发明提出了一种新的卷积神经网络算法结构，并降低了参数储存量，缩短了网络训练时间，同时提高了识别效率。
-
公开(公告)号：CN108932550B
公开(公告)日：2020-04-24
申请号：CN201810666946.X
申请日：2018-06-26
Applicant: 湖北工业大学
Abstract: 本发明提出了一种密集稀疏密集算法的优化方法，包括初始Dense训练阶段、Fuzzy阶段、最后Dense阶段，该方法使用隶属度来度量网络权重与整个网络的关联程度，确定每个数据信息与群集之间的关联程度。本发明有如下有点：1、与其他经典网络相比，本发明提出的优化网络是基于学习权重的价值，并且计算出哪些网络权重是更重要的连接，这种筛选过程更好地提高了分类精度。2、本发明的框架迁移性相比传统DSD得到提高，可用于继Alexnet后的VGG16、vgg19等其余新型网络。3、针对传统的深度神经网络所需上万次迭代分类问题，本发明在数百次迭代以内能有效提高分类精度。
-
公开(公告)号：CN108304920B
公开(公告)日：2020-03-10
申请号：CN201810108120.1
申请日：2018-02-02
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于MobileNets优化多尺度学习网络的方法，本发明所述多尺度学习网络包括4部分，前3部分为相同的可分离卷积层，每个可分离卷积层后面连接batchnorm和ReLU，再连接池化层，最终与第4部分的全连接层和输出层连接，其中可分离卷积层包括3组卷积操作，具体网络结构为，第一组以3*3的深度卷积进行卷积操作，第二组连续用两个3*3的深度卷积进行卷积操作，然后再将第一组和第二组的输出进行加和操作，继续用1*1的点卷积进行卷积操作；第三组直接用1*1的点卷积进行卷积操作，接着把第一、二组和第三组的输出进行合并操作；通过实验对比发现，本发明构建的网络结构实验参数少，精度高，三组可分离卷积层结构稳定，实验效果最为理想。
-
公开(公告)号：CN107609638B
公开(公告)日：2019-12-10
申请号：CN201710946508.4
申请日：2017-10-12
Applicant: 湖北工业大学
Abstract: 本发明属于图像识别领域，具体涉及一种基于线性编码器和插值采样优化卷积神经网络的方法。本发明构建的卷积神经网络，包括输入层、卷积层、池化层、全连接网络层及输出层，首先利用卷积线性编码器训练获得权值，并以此作为卷积神经网络的初始值，然后将卷积层获得的特征图分别进行多重插值采样池化，经过前向传播和反向调节，最终获得每一层中各个神经元的局部梯度以及每一层卷积层卷积核的权值。通过与现有的方法进行对比实验，实验结果表明：利用本发明方法构建的卷积神经网络对图像进行分类时，具有收敛速度更快，精确度更高的优点。
-
Patent Agency Ranking
公开(公告)号：CN106096610B
公开(公告)日：2019-04-12
申请号：CN201610421725.7
申请日：2016-06-13
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于支持向量机的文档图像二值化方法，包括彩色图像灰度化、文档图像分块、提高图像块的局部对比度、特征参数提取、SVM阈值分类、图像块拼接、笔画宽度估计、局部二值化等八个步骤；本发明采用最小均值法对彩色图像进行灰度化，所得灰度图像具有彩色无关性；定义的局部对比度，不仅能够补偿图像亮度变化产生的影响，还综合考虑了图像邻域内所有像素对图像局部对比度的归一化贡献；采用SVM阈值分类法准确性高，可靠性高；采用逐行扫描法进行笔画宽度估计，对文档图像分辨率变化具有较好的鲁棒性；本发明能够较好地保留字符笔画细节，并在有效分割字符前景的同时，较好地抑制墨迹浸润、页面污渍、纹理背景及光照不均等现象。
-
公开(公告)号：CN106295648B
公开(公告)日：2019-03-19
申请号：CN201610613720.4
申请日：2016-07-29
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于多光谱成像技术的低质量文档图像二值化方法，包括读取多光谱图像、光谱分量图像阈值化、目标检测和阈值图像融合处理等四步骤；与其它经典的文档图像二值化方法相比，无论是从输出图像质量，还是算法性能指标，本发明提出的基于多光谱成像技术的低质量文档图像二值化方法，都要具有明显优势，在较好保留字符笔画细节的同时，能够有效抑制墨迹浸润、页面污渍、纹理背景和光照不均等现象。
-
公开(公告)号：CN108932550A
公开(公告)日：2018-12-04
申请号：CN201810666946.X
申请日：2018-06-26
Applicant: 湖北工业大学
Abstract: 本发明提出了一种密集稀疏密集算法的优化方法，包括初始Dense训练阶段、Fuzzy阶段、最后Dense阶段，该方法使用隶属度来度量网络权重与整个网络的关联程度，确定每个数据信息与群集之间的关联程度。本发明有如下有点：1、与其他经典网络相比，本发明提出的优化网络是基于学习权重的价值，并且计算出哪些网络权重是更重要的连接，这种筛选过程更好地提高了分类精度。2、本发明的框架迁移性相比传统DSD得到提高，可用于继Alexnet后的VGG16、vgg19等其余新型网络。3、针对传统的深度神经网络所需上万次迭代分类问题，本发明在数百次迭代以内能有效提高分类精度。
-
公开(公告)号：CN106991440A
公开(公告)日：2017-07-28
申请号：CN201710198700.X
申请日：2017-03-29
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于空间金字塔的卷积神经网络的图像分类算法，借鉴了空间金字塔先提取全局特征，然后每个金字塔水平画以网格的方式获取局部特征组成空间金字塔的整体特征。构造了一个新的卷积神经网络模型，此模型前半部分为传统的卷积网络，有3个卷积层2个池化层；之后将这3个卷积层以画网格的方式进行均匀池化获得各自特征图。每层特征图按列连成一个特征向量，然后将这3个特征向量顺序连接成为一个总的特征向量。这个总的特征向量即涵盖了经典卷积层的特征，同时也添加了前面卷积层的特征，避免了重要特征的遗失，同时网格大小调整了各卷积层特征图的权重，有助于提高网络的识别效率。
-
公开(公告)号：CN113159057A
公开(公告)日：2021-07-23
申请号：CN202110353991.1
申请日：2021-04-01
Applicant: 湖北工业大学
Abstract: 本发明提供了一种图像语义分割方法和计算机设备，图像语义分割方法包括：将待处理图像输入轻量级神经网络，得到轻量特征图；将所述轻量特征图输入所述增强金字塔网络，得到拼接特征图；将拼接特征图输入分类网络，得到多张分类特征图；对于每张分类特征图，将该分类特征图输入条形注意力网络，得到该分类特征图对应的注意力特征图，将该分类特征图和该注意力特征图相加，得到该分类特征图对应的语义特征图；根据多张语义特征图确定语义分割结果。本发明在降低了计算量的同时，保证了图像语义分割的精度，适用于硬件资源有限的终端。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.022 seconds)
