-
公开(公告)号：CN116030272B
公开(公告)日：2023-07-14
申请号：CN202310323818.6
申请日：2023-03-30
IPC: G06V10/44 , G06V10/82 , G06V10/774
Abstract: 本发明属于人工智能算法技术领域，涉及一种基于信息抽取的目标检测方法、系统和装置，该方法包括：步骤一，对原始输入图片进行序列化处理，得到图片序列，即将图片按行或列转换成两组序列：行序列和列序列；步骤二，对行序列和列序列进行标签标注，得到对应序列的真实标签；步骤三，利用所述真实标签，输入所述的图片序列，训练一个基于循环神经网络的信息抽取模型，对行序列和列序列分别进行目标信息的抽取，得到行序列和列序列的预测标签；步骤四，根据行序列和列序列的预测标签，确定目标在图片中的位置。本发明利用序列信息抽取的方法来进行目标检测，能够提取原始图片的全局信息进行目标检测，同时不需要生成侯选框，提高算法的精度和效率。
-
公开(公告)号：CN114663965B
公开(公告)日：2022-10-21
申请号：CN202210566142.9
申请日：2022-05-24
Abstract: 本发明公开一种基于双阶段交替学习的人证比对方法和装置，该方法包括：步骤一：收集人脸图像；步骤二：将收集的人脸图像进行裁剪、水平翻转、去噪、亮度增强和对比度增强处理后，得到人脸图像数据集，即训练集，并将训练集分批；步骤三：将经过处理后的训练集的图像依批次输入到卷积神经网络，使用余弦损失函数或者三元组损失函数的双阶段交替的人脸类别训练，得到训练好的人证比对模型；步骤四：将要进行人证比对的摄像头图像和证件图像输入训练好的人证比对模型，提取人脸特征，计算人脸相似度，输出人证比对结果。本发明有效提升了人证比对的准确率，实现余弦损失函数与三元组损失函数的结合，具有重大的应用价值。
-
公开(公告)号：CN115019296A
公开(公告)日：2022-09-06
申请号：CN202210930782.3
申请日：2022-08-04
IPC: G06V20/62 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机视觉领域，尤其涉及一种基于级联的车牌检测识别方法和装置，该方法包括：步骤一，通过摄像头获取视频图像，使用车牌检测模型，输出每张图像中检测到的车牌矩形边界框和包络框的位置；步骤二，基于步骤一车牌检测的结果，采用仿射变换以得到车牌的正面视角图；步骤三，将所述车牌的正面视角图输入到基于深度卷积神经网络的二分类器中，判断车牌是否为真正的车牌，是则保留，否则移除；步骤四：将步骤三去除假样例后的车牌，通过车牌识别技术实现车牌号码识别，获取检测图像中的所有车牌位置及号码。本发明实现方法简单，可移植性强，能够实现不限于移动摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准识别。
-
公开(公告)号：CN114202794A
公开(公告)日：2022-03-18
申请号：CN202210147360.9
申请日：2022-02-17
Applicant: 之江实验室
Abstract: 本发明涉及人工智能算法技术领域，具体涉及一种基于人脸ppg信号的疲劳检测方法和装置，该方法包括以下步骤：步骤一，通过摄像头采集包含人脸的视频帧，进行人脸提取；步骤二，使用关键点检测方法，提取人脸关键点，进行头部运动检测；步骤三，对提取人脸进行预处理，通过疲劳分类模型并结合检测到的头部运动信息，得到疲劳检测结果。本发明针对于人脸的生理信号变化，采用深度学习训练的方式，增加疲劳检测与人脸生理信号变化的相关性，从而提高基于人脸的疲劳检测精度。
-
公开(公告)号：CN114022727A
公开(公告)日：2022-02-08
申请号：CN202111221950.3
申请日：2021-10-20
Applicant: 之江实验室
IPC: G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了本发明公开一种基于图像知识回顾的深度卷积神经网络自蒸馏方法，该方法首先针对目标网络设置辅助网络，在目标网络的下采样层引出分支，采用知识回顾的思路依次融合和连接各个分支，在训练过程中，通过监督学习以及采用目标网络的下采样层向引出分支层进行学习的方式，达到自蒸馏的目的。本发明在深度卷积神经网络自蒸馏领域引入知识回顾的思路，提高了深度卷积神经网络的训练精度；采用辅助网络的形式进行自蒸馏，相对使用数据增强来拉进类内距离的自蒸馏方法，在实际应用中更加简洁方便。
-
Patent Agency Ranking
公开(公告)号：CN112580614A
公开(公告)日：2021-03-30
申请号：CN202110210499.9
申请日：2021-02-25
Applicant: 之江实验室
Abstract: 本发明公开了一种基于注意力机制的手绘草图识别方法，该方法包括将原始手绘草图输入到一个深度卷积神经网络中，得到最后一个卷积层输出的特征图；将特征图输入到一个通道注意力模块中，得到基于通道注意力优化后的特征图；训练一个用于预测手绘草图垂直翻转的分类网络，将原始手绘草图输入到训练好的分类网络中，得到垂直翻转空间注意力图；联合基于通道注意力优化后的特征图和垂直翻转空间注意力图，计算得到垂直翻转空间注意力优化后的特征图；最后经过全连接层输出识别的结果。本发明的优点：采用通道注意力和垂直翻转空间注意力对卷积神经网络的特征进行优化，能够使网络关注于学习更有判别力的部分，从而有效提高手绘草图的识别精度。
-
公开(公告)号：CN112434723A
公开(公告)日：2021-03-02
申请号：CN202011163778.6
申请日：2020-10-27
Applicant: 之江实验室
Abstract: 本发明公开了一种基于注意力网络的日/夜间图像分类及物体检测方法，该方法首先采集街道摄像头监控视频处理成图像进行标注，结合开源的街道数据集共同构建图像数据集；通过基于特征金字塔的深度卷积神经网络提取图像的表观特征；在所提取特征上预测图像的日/夜属性，并捕获表征日/夜间物体的注意图；基于注意力图对提取的特征图进行加权；最后根据预测的日/夜属性将加权后的特征图输入对应日/夜间的检测头做位置回归与物体分类。本发明旨在通过注意力机制使网络关注到日/夜间的不同特征，并通过两个分支分别完成日/夜间物体的检测，能够提升日/夜间物体检测的性能，可用于街道智能监控系统。
-
公开(公告)号：CN118509039B
公开(公告)日：2024-10-22
申请号：CN202410977268.4
申请日：2024-07-22
Applicant: 之江实验室
IPC: H04B7/185 , H04B10/118 , H04B10/073 , H04B10/112
Abstract: 本发明提供一种多态卫星间激光通信链路仿真方法、装置及电子设备，该方法主要用来模拟多种状态下近地卫星之间的激光器通信的可达性，包括同轨、异轨同轨道半长轴、异轨不同轨道半长轴卫星之间的三种情况分别进行计算模拟，判断建立通信的激光器架设在卫星的上下左右前后哪个位置，实现常见近地卫星间激光通信链路的仿真。本发明通过建立卫星轨道模型，然后通过坐标系转换方法以及卫星轨道六根数信息判断目标卫星和参考卫星的相对位置确定两个卫星链接的激光器编号，另外引入光线投射算法判断目标卫星是否在参考卫星的激光器扫描范围内，从而确定两个卫星是否可以建立通信链路。本发明能够解决激光器各类布设情况下的星间激光链路的建立问题。
-
公开(公告)号：CN116703820B
公开(公告)日：2024-05-03
申请号：CN202310406884.X
申请日：2023-04-17
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06T7/00 , G06T7/70 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/774
Abstract: 一种基于热力图的高密度豆粒计数及中心点定位方法，用高斯函数生成高斯核模板，结合已标记的豆粒中心点位置，生成用于豆粒计数的真值热力图；采用基于空洞卷积的CSRNet作为密度图估计模块，将原始图像与真值热力图输入到模型中计算得到与原始图像同大小的热力图，通过对比预测热力图与真值热力图的L2损失进行参数的学习，实现高质量的热力图估计。对于待测试图像，使用CSRNet预测热力图，再通过判断局部最大位置点，从热力图中获取得到所有中心点的位置坐标，并通过局部中心点热力图的值取整获得豆粒数。还包括一种基于热力图的高密度豆粒计数及中心点定位系统。本发明可提高豆粒计数模型在高密度、遮挡严重场景下的计数准确性。
-
公开(公告)号：CN117058492B
公开(公告)日：2024-02-27
申请号：CN202311322535.6
申请日：2023-10-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/70 , G06N3/09 , G06N5/04
Abstract: 一种基于学习解耦的两阶段训练病害识别方法和系统，其方法包括：步骤S1：采集待识别作物的图像样本，制作训练数据集；步骤S2：构造基于学习解耦的分类算法网络模型；步骤S3：对基于学习解耦的分类算法模型进行一阶段训练；步骤S4：固定部分权重，对基于学习解耦的分类算法模型进行二阶段训练；步骤S5：基于训练得到的基于学习解耦的分类算法模型进行推理，最终得到待分类目标叶片的病害种类和病害等级。本发明具有准确度高，标注成本极低，且可实现单模型对病害种类和病害等级进行细分类识别。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.044 seconds)
