-
公开(公告)号：CN107133929B
公开(公告)日：2019-06-11
申请号：CN201710289747.7
申请日：2017-04-27
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于背景估计和能量最小化的低质量文档图像二值化方法，首先对彩色文档图像进行灰度预处理、采用双边滤波对图像进行降噪处理、图像背景估计、背景减除与图像增强、构造能量函数、构造网络图、最后采用基于增广路径的图割算法实现能量函数的最小化。本发明显著提高了复杂背景下的文档图像二值化效果，能够适用于多种颜色书写、笔画渐变、墨迹浸润、页面有污渍或纹理、光照不均、对比度低等复杂背景的文档图像二值化处理。
-
公开(公告)号：CN108304920A
公开(公告)日：2018-07-20
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：CN108304916A
公开(公告)日：2018-07-20
申请号：CN201810023210.0
申请日：2018-01-10
Applicant: 湖北工业大学
IPC: G06N3/04
Abstract: 本发明公开了一种结合注意机制与深度可分解卷积的卷积神经网络优化方法，是针对于手机等嵌入式设备提出的一种轻量级的神经网络优化方法。注意机制起源于人的大脑当中的注意力机制，人在接受信息时会将注意力集中到所需要的地方，加强对所需信息的提取，从而加快信息提取的效率。而我们知道深度可分解卷积网络本身就是用于移动和嵌入式视觉应用的一种网络结构，具有轻量级，低延迟，且精度尚可接受等特点。本发明将注意机制与深度可分解卷积两者有效结合，在低延迟的前提下，对特征提取加以改进，提高网络的精确度。
-
公开(公告)号：CN106845528A
公开(公告)日：2017-06-13
申请号：CN201611259889.0
申请日：2016-12-30
Applicant: 湖北工业大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于K‑means与深度学习的图像分类算法，包括步骤：1)将无标签图像作为输入图像，并随机抽取图像块构成大小相同的无标签图像集；2)采用K‑means算法提取一次最佳聚类中心；3)构建特征映射函数，提取无标签图像集的图像特征；4)进行池化操作与归一化处理；5)采用K‑means算法提取二次最佳聚类中心，并采用卷积操作，提取最终图像特征，对最终图像特征进行标准化处理；6)通过分拣器对经过标准化处理的最终图像特征进行分类。本发明具有简单、高效、训练参数少等优点，对于海量高维图像的分类具有很好的效果，且对输入图像进行预处理，达到改善图像分类效果，提高分类精度的效果。
-
公开(公告)号：CN106295648A
公开(公告)日：2017-01-04
申请号：CN201610613720.4
申请日：2016-07-29
Applicant: 湖北工业大学
CPC classification number: G06K9/38 , G06K9/4604 , G06K9/4671 , G06T2207/10036 , G06T2207/20221
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。
-
Patent Agency Ranking
公开(公告)号：CN114694003B
公开(公告)日：2024-08-13
申请号：CN202210303602.9
申请日：2022-03-24
Applicant: 湖北工业大学
IPC: G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标检测领域，涉及一种基于目标检测的多尺度特征融合方法，包括以下步骤：1）将不同尺寸的特征图进行卷积处理后得到通道数相同的特征图；2）将步骤1）获取得到的特征图分别进行通道维度融合处理以及空间维度融合处理，分别得到通道维度融合处理特征图以及空间维度融合处理特征图；3）将步骤2）所获取得到的通道维度融合处理特征图以及空间维度融合处理特征图进行融合处理，实现对不同尺寸的特征图在空间和通道两个维度的特征融合。本发明提供了一种可显著提升检测精度的基于目标检测的多尺度特征融合方法。
-
公开(公告)号：CN115439706A
公开(公告)日：2022-12-06
申请号：CN202210523305.5
申请日：2022-05-13
Applicant: 湖北工业大学
IPC: G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种基于目标检测多感受野注意力机制及系统。注意力机制获取不同感受野的特征图以获得丰富的上下文信息。它将每个特征图分成两组，通过不同感受野的一维卷积实现了每个特征图的权重提取，然后再将五组权重融合，并与输入特征向量相乘，实现不降维的局部跨通道交互的通道注意力学习。通过实验对比发现，本发明提出的模块在不同的网络上均能提高其检测精度，并且可视化结果表明我们所提出的网络在不同的场景均有不错的检测效果。
-
公开(公告)号：CN115294356A
公开(公告)日：2022-11-04
申请号：CN202210882431.X
申请日：2022-07-26
Applicant: 湖北工业大学
IPC: G06V10/44 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80
Abstract: 本发明公开一种基于广域感受野空间注意力的目标检测方法，包括：准备训练、测试用的图像数据集；构建基于广域感受野空间注意力的目标检测网络，包括Backbone、Neck、Head和MSA四部分；使用训练好的网络对测试集图像进行特征提取。本发明从广域感受野的角度捕获像素级特征信息，同时考虑了不同特征信息之间的相互交叉，在不显着增加参数量和计算量的情况下，大大提高了特征提取的效果。
-
公开(公告)号：CN114694003A
公开(公告)日：2022-07-01
申请号：CN202210303602.9
申请日：2022-03-24
Applicant: 湖北工业大学
Abstract: 本发明属于目标检测领域，涉及一种基于目标检测的多尺度特征融合方法，包括以下步骤：1）将不同尺寸的特征图进行卷积处理后得到通道数相同的特征图；2）将步骤1）获取得到的特征图分别进行通道维度融合处理以及空间维度融合处理，分别得到通道维度融合处理特征图以及空间维度融合处理特征图；3）将步骤2）所获取得到的通道维度融合处理特征图以及空间维度融合处理特征图进行融合处理，实现对不同尺寸的特征图在空间和通道两个维度的特征融合。本发明提供了一种可显著提升检测精度的基于目标检测的多尺度特征融合方法。
-
公开(公告)号：CN113723411A
公开(公告)日：2021-11-30
申请号：CN202110678322.1
申请日：2021-06-18
Applicant: 湖北工业大学
Abstract: 本发明提供了一种用于遥感图像语义分割的特征提取方法和分割系统，特征提取方法应用于特征提取模型，特征提取模型包括卷积模块和多尺度卷积网络，特征提取方法包括：将遥感图像输入卷积模块，得到初始特征图；将初始特征图输入多尺度卷积网络，得到目标特征图，其中，多尺度卷积网络包括若干多尺度卷积模块，每个多尺度卷积模块均包括级联的若干深度可分离卷积单元。本发明中的特征提取模型，主要通过多尺度卷积网络提取遥感图像对应的目标特征图，多尺度卷积网络中的深度可分离卷积单元可以有效降低参数量，提取到遥感图像更精确的目标特征图，进而可以基于目标特征图得到效果更好的分割图像，可以做到快速对遥感图像进行分割。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.023 seconds)
