-
公开(公告)号：CN118172715A
公开(公告)日：2024-06-11
申请号：CN202410368267.X
申请日：2024-03-28
Applicant: 南昌大学
IPC: G06V20/50 , G06V10/30 , G06V10/36 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/0495
Abstract: 本发明涉及车辆重识别领域，尤其涉及一种基于图像增强和模型轻量化的车辆重识别方法，包括如下步骤：S1，双频域的图像增强方法对昏暗场景下的样本进行图像增强处理；S2，修改后的ResNet50作为骨干网络以提取深层的语义信息；S3，多分支对称结构以准确地提取车辆的整体轮廓和局部细节，并且在分支网络中通过通道简化来减少特征的通道数量以减少网络的参数负担。本发明通过双频域的图像增强方法改善照度不足，轮廓模糊的车辆图片，缓解图像中存在的照度低或者对比度不足等问题；为了增加网络的实用性，设计了一个轻量化的多分支结构，通过削减分支中的特征通道以及使用小尺寸的卷积核降低网络负载，保证算法的性能。
-
公开(公告)号：CN117593674B
公开(公告)日：2024-05-03
申请号：CN202410073376.9
申请日：2024-01-18
Applicant: 南昌大学
Abstract: 本发明提供一种轻量级无人机航拍目标实时检测方法，属于目标检测技术领域，该方法具体包括：将YOLOv8n所有原始的C2f模块替换为轻量块DWC2f模块，减少网络模型参数；将YOLOv8n的颈部结构修改为TFPN结构，增加160*160特征图的输入，可以有效解决应对无人机航拍图像小目标占比高的特点；删除20*20特征图的输入，大幅度减少网络参数量，提高实时检测速度；更换SIoU为MPDIoU，进一步提高网络检测性能；使用轻量块DWUnit代替YOLOv8n的头部结构的卷积核大小为3×3的卷积层，在减少参数量的基础上提高模型目标检测头的表达能力。相对于原来的YOLOv8n网络，本发明改进后的模型参数量显著下降了88.3%，从3.2M下降到375K，模型精度mAP值从0.361提升到0.429。
-
公开(公告)号：CN117710898A
公开(公告)日：2024-03-15
申请号：CN202410018018.8
申请日：2024-01-05
Applicant: 南昌大学
IPC: G06V20/52 , G06V10/762 , G06V10/764 , G06V10/74 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本发明公开了基于局部软注意力联合训练的无监督行人重识别方法，涉及行人重识别技术领域，将整个联合训练分为全局和局部两个分支，在局部分支中软注意力机制模块被提出来准确地捕捉局部区域的细微差异，进而提升Re‑ID模型对行人局部显著部位的鉴别能力，其次，双重交叉邻居标签平滑模块被设计来逐步缓解不同局部区域产生的不同程度的标签噪声，双重交叉邻居标签平滑模块模块通过全局与局部的相似性度量来实现行人全局与局部区域的语义对齐，随后通过邻近局部之间的交叉信息进一步建立局部区域之间的邻近关联性，进而实现整个训练过程中全局与局部区域的标签平滑，有效避免不同局部区域所包含的与身份无关信息会导致不同程度局部噪声的产生。
-
公开(公告)号：CN117593674A
公开(公告)日：2024-02-23
申请号：CN202410073376.9
申请日：2024-01-18
Applicant: 南昌大学
Abstract: 本发明提供一种轻量级无人机航拍目标实时检测方法，属于目标检测技术领域，该方法具体包括：将YOLOv8n所有原始的C2f模块替换为轻量块DWC2f模块，减少网络模型参数；将YOLOv8n的颈部结构修改为TFPN结构，增加160*160特征图的输入，可以有效解决应对无人机航拍图像小目标占比高的特点；删除20*20特征图的输入，大幅度减少网络参数量，提高实时检测速度；更换SIoU为MPDIoU，进一步提高网络检测性能；使用轻量块DWUnit代替YOLOv8n的头部结构的卷积核大小为3×3的卷积层，在减少参数量的基础上提高模型目标检测头的表达能力。相对于原来的YOLOv8n网络，本发明改进后的模型参数量显著下降了88.3%，从3.2M下降到375K，模型精度mAP值从0.361提升到0.429。
-
公开(公告)号：CN117152627A
公开(公告)日：2023-12-01
申请号：CN202310990025.X
申请日：2023-08-08
Applicant: 南昌大学
Abstract: 本发明公开了一种基于感受野权重正则化的SAR船舶检测方法，涉及SAR目标检测技术领域，所述检测方法包括以下步骤：基于多感受野提取空间特征，并通过正则化权值减少不同特征之间的耦合；通过上下文增强模块结合周围物体的信息，增强船舶特征的表达能力；基于CIoU的检测头分别执行分类和定位任务。本发明检测方法能提取丰富的空间特征，并利用正则化权值减少不同特征之间的耦合，提出的上下文增强模块可以结合周围物体的信息，增强船舶特征的表达能力，提高船舶特征的可辨识性，基于CIoU的检测头能获得更准确的预测框，与当前主流的目标检测方法相比，检测准确度高。
-
Patent Agency Ranking
公开(公告)号：CN116469040A
公开(公告)日：2023-07-21
申请号：CN202310685914.5
申请日：2023-06-12
Applicant: 南昌大学
Abstract: 本发明提供了一种基于视频和传感器感知融合的橄榄球员跟踪方法，S1：使用YOLOv7方法检测橄榄球赛视频中每一帧中球员头盔的位置信息；S2：根据时间戳信息将视频帧和传感器数据的量纲对齐；S3：分别确定底线和边线视频帧对应的机位朝向；S4：匹配S1所得球员头盔检测信息及S2的传感器信息中的球员位置和球员编号；S5：利用增强特征提取的DeepSORT方法完成球员跟踪。本发明将量纲不同的视频帧和传感器两个维度的信息完成数据对齐，通过YOLOv7检测出的球员头盔信息与传感器帧确定球员编号的分配问题，利用DeepSORT完成对球员的跟踪，实现简单，具有更强的适用性，且能够有效提高数据关联正确率。
-
公开(公告)号：CN116188799A
公开(公告)日：2023-05-30
申请号：CN202310117366.6
申请日：2023-02-15
Applicant: 南昌大学
Abstract: 本发明公开了一种基于深度时空网络的密集车辆计数方法，所述计数方法包括以下步骤：通过MSCNet将计数图像发送到VGG‑16的前十层，提取初始图像特征；采用基于方向的透视编码模块，对全局特征进行四个方向的编码；设计提取不同尺度特征信息的多尺度空洞残差模块，通过级联方法，在模块内联合不同的层形成多种空洞卷积率，并通过残差连接解决由深度网络引起的梯度消失问题；通过信道感知注意力模块学习不同信道特征的权值，增强在混合场景中提取的车辆特征。本发明通过MSCNet对车辆计数，MSCNet基于CNN的单列多分支网络，采用端到端级联框架，可以有效地挖掘交通拥堵图像中的时空数据，预测生成高质量的密度图并计算车辆数量，对车辆的计数精度高。
-
公开(公告)号：CN113596950B
公开(公告)日：2023-03-14
申请号：CN202110782534.4
申请日：2021-07-12
Applicant: 南昌大学
Abstract: 本发明公开了一种能量平衡的圆形无线传感器网络非均衡分簇方法，以实现簇头节点能量负载均衡，延长无线传感网络的生命周期；通过簇头节点负载，利用广泛的理论推导和簇头节点能量计算，得到每层簇头节点的最优数目；基于模糊逻辑方法，得到一种簇头节点更替机制；结合两种方式，提出一种能量均衡的分簇方法；利用模拟实验，最终证明该算法在提升无线传感网络生命周期上，效果显著。
-
公开(公告)号：CN108171181B
公开(公告)日：2021-11-19
申请号：CN201711494618.8
申请日：2017-12-31
Applicant: 南昌大学
Abstract: 一种适用于家居内的人体摔倒检测方法，包括步骤：1）场景分析；2）对多特征进行提取：3）对行为进行分类。步骤1）是利用视频摄取装置拍摄视频图像，基于Faster R‑CNN算法，包括如下分步骤：1.1）生成候选框；1.2）基于Fast R‑CNN算法直接对全图进行卷积，获得特征图；1.3）将候选框的位置映射到特征图中，得到每个候选框所对应的特征。用新特征结合已有行为特征的多特征融合作为家居内摔倒检测的自动判定引擎，可以对日常行为进行有效的分类，且将Faster R‑CNN算法运用于场景分析进行家居内摔倒检测，对一些类摔倒行为和特殊摔倒行为的区分能力强，可以显著提高家居内的人体摔倒检测的准确率。
-
公开(公告)号：CN108681693A
公开(公告)日：2018-10-19
申请号：CN201810324180.7
申请日：2018-04-12
Applicant: 南昌大学
CPC classification number: G06K9/00825 , G06K9/6223 , G06K2209/15
Abstract: 本发明涉及一种基于可信区域的车牌识别方法，采用k‑means++聚类来选择初始车辆和车牌候选框的数量和尺度；将得到的初始候选框的数量和尺度结合到YOLO‑L模型，来提高车辆区域和车牌区域的定位准确率。通过YOLO‑L模型来定位车辆区域和车牌区域，并输出左上角和右下角的坐标；YOLO‑L模型首先区分道路上的车辆和其他物体；车牌识别算法判断车牌区域是否位于车辆区域内，以消除车牌区域的错误识别；如果所在车牌区域位于这些车辆区域内，则认为所在车牌区域正确检测，完成车牌识别。本发明基于可信区域的车牌识别方法，有效区分了车牌和类似的物体，能有效地定位车牌，减少了车牌的误判，大大降低了类似物体的误判性，提供了车牌识别效率，提高车牌识别的准确性。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.027 seconds)
