-
公开(公告)号：CN116778446A
公开(公告)日：2023-09-19
申请号：CN202310761995.2
申请日：2023-06-26
Applicant: 华侨大学
IPC: G06V20/56 , G06N3/0464 , G06V10/82 , G06N3/048 , G06V10/22 , G06V10/764 , G06V10/26 , G06V10/74 , G06N3/08
Abstract: 本发明公开了一种车道线快速检测方法、装置及可读介质，获取路况图像；构建基于编码器‑解码器的神经网络并训练，得到车道线检测模型，基于编码器‑解码器的神经网络包括主干分支和辅助分支，主干分支包括依次连接的编码器网络、CBAM注意力机制模块和解码器网络，编码器网络中包括改进的残差结构，改进的残差结构包括第一卷积层以及分别与第一卷积层连接的第一分支和第二分支，第一分支包括第二卷积层，第二分支包括依次连接的第三卷积层和第四卷积层，第一分支、第二分支与第一卷积层的输入通过加法器相连，辅助分支为实例分割网络，并仅在训练过程中使用；将路况图像输入车道线检测模型，检测得到车道线图像，提高车道线检测的准确率和检测速度。
-
公开(公告)号：CN116740143A
公开(公告)日：2023-09-12
申请号：CN202310744027.0
申请日：2023-06-21
Applicant: 华侨大学
IPC: G06T7/246 , G06T7/73 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/74
Abstract: 本发明提供一种联合轨迹损失和排名损失优化的鲁棒目标跟踪器，包括：步骤S1、用非权重共享的孪生骨干网络提取特征，得到模板特征图和历史特征图；步骤S2、利用模板特征图和历史特征图获得目标相似性响应图；步骤S3、利用轨迹损失学习使跟踪器学习目标的运动信息；步骤S4、利用IOU引导的排名损失优化跟踪器的分类子网络和回归子网络；步骤S5、联合轨迹损失和IOU引导的排名损失实现目标状态的估计。本发明能够提升孪生跟踪器的准确性和鲁棒性。
-
公开(公告)号：CN111241911B
公开(公告)日：2023-03-24
申请号：CN201911265306.9
申请日：2019-12-11
Applicant: 华侨大学
Abstract: 本发明公开了一种自适应的车道线检测方法，涉及车道线检测技术领域。本方法首先采用三维块匹配(BM3D)算法对摄像头采集到的实时行车图像进行去噪处理；然后，在HSV颜色空间，选择V通道对去噪图像进行阈值分割，以区分白色与黄色车道线；接着设定车道线的感兴趣区域，再使用Canny算法提取边缘，以获得准确的边缘特征数据；之后，通过基于梯度方向分类的概率霍夫直线检测方法对车道线进行检测，并融合角度滤波算法将极大钝角或者极小锐角的线段滤除；最后，对提取的车道线进行转向识别。本发明公开的一种自适应的车道线检测方法，有效提高了车道线检测算法的准确性和鲁棒性，并可对车辆的转向进行识别。
-
公开(公告)号：CN114581389A
公开(公告)日：2022-06-03
申请号：CN202210176395.5
申请日：2022-02-24
Applicant: 华侨大学
Abstract: 本发明提供了一种基于三维边缘相似度特征的点云质量分析方法，该方法考虑到人眼视觉系统特性对点云图像的边缘轮廓特征具有较高的敏感性，且考虑到了点云的三维特征，将参考和失真点云尺度归一化后采用多尺度的3D‑DOG滤波器提取其边缘和结构特征，多尺度的滤波器可以从不同程度展现点云的细节，即可以从不同的角度有效地反映点云的退化程度；该方法充分利用人眼视觉对于边缘信息的敏感度，模拟了人眼主观评价点云图像的过程，相较于其他方法具有较好的点云质量分析性能，且本发明方法具有较高的识别准确性、敏感性以及鲁棒性。
-
公开(公告)号：CN114239861A
公开(公告)日：2022-03-25
申请号：CN202111543069.5
申请日：2021-12-16
Applicant: 华侨大学
IPC: G06N20/20 , G06V10/778 , G06V10/776 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明实例公开了一种基于多教师联合指导量化的网络模型压缩方法及系统，利用模型量化降低深度神经网络的存储开销，提高推理速度；基于在线同步学习的联合训练范式，结合集成学习中对弱学习进行线性组合构建强学习的思想，由多个教师网络对学生网络进行量化感知训练，充分利用教师网络提供的量化梯度信息，以弥补量化压缩造成的性能损失；最后，再以全精度模型作为教师网络，通过离线知识蒸馏进一步训练量化学生网络，最终得到精度不逊于复杂模型的轻量级模型。本发明有效结合了模型量化、知识蒸馏以及集成学习的优势，在实现模型压缩与加速的同时也提升了模型性能。
-
Patent Agency Ranking
公开(公告)号：CN113096157A
公开(公告)日：2021-07-09
申请号：CN202110481653.6
申请日：2021-04-30
Applicant: 华侨大学
Abstract: 本发明可靠的局部目标跟踪方法及跟踪器，包括：利用随机分块方法和人工分块方法来划分目标，得到第一类粒子和第二类粒子；结合第一类粒子和第二类粒子来估计目标位置；利用重采样规则来剔除第一类粒子中的不可靠粒子；计算探测分数r来判断第二类粒子是否被遮挡；若目标从全遮挡状态转变为部分遮挡或无遮挡状态，由第二类粒子确定最终的目标位置，否则，由第一类粒子中的可靠粒子来确定；S60，对于第一类粒子，其跟踪器的位置滤波器在每一帧都进行更新，而对于第二类粒子，只有当某个粒子的探测分数r大于设定阈值时，其跟踪器的位置滤波器才进行更新；利用可靠粒子之间的距离来估计目标的宽度与高度变化，得到目标的尺度。
-
公开(公告)号：CN112149535A
公开(公告)日：2020-12-29
申请号：CN202010953936.1
申请日：2020-09-11
Applicant: 华侨大学
Abstract: 本发明提供一种结合SegNet和U‑Net网络的车道线检测方法，包括以下步骤：制作数据集和标签；构建基于SegNet的车道线检测网络；将U‑Net网络的跳跃连接结构加入所述的基于SegNet的车道线检测网络，得到一种结合SegNet和U‑Net的车道线检测网络；使用所述结合SegNet和U‑Net网络的车道线检测网络对待识别的行车场景图像进行检测，得到检测结果。本发明提出车道线检测方法，克服原有SegNet模型提取的特征过于单一的问题，提高车道线检测的精度。
-
公开(公告)号：CN111640067A
公开(公告)日：2020-09-08
申请号：CN202010523197.2
申请日：2020-06-10
Applicant: 华侨大学
Abstract: 本发明提供了图像处理领域的一种基于三通道卷积神经网络的单幅图像超分辨率重建方法，包括如下步骤：步骤S10、获取图像的数据集，并基于所述数据集创建复数张高分辨率图像以及高分辨率图像所对应的低分辨率图像；步骤S20、创建三通道卷积神经网络模型，并利用所述三通道卷积神经网络模型对各高分辨率图像和低分辨率图像进行训练，并生成低分辨率图像与高分辨率图像的映射关系；步骤S30、利用均方误差损失函数对所述映射关系进行优化；步骤S40、基于优化后的所述映射关系，将待重建的低分辨率图像输入所述三通道卷积神经网络模型，输出重建后的高分辨率图像。本发明的优点在于：实现不增加网络深度和模型参数的前提下，极大的提升了重建图像的质量。
-
公开(公告)号：CN107016664B
公开(公告)日：2019-08-30
申请号：CN201710036716.0
申请日：2017-01-18
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
Abstract: 本发明一种大圆机的坏针瑕疵检测方法，利用机器学习方法实现对织物坏针瑕疵的检测，通过自适应图像增强技术预处理瑕疵图像，并有效分割感兴趣区域，根据相位一致的多尺度金字塔方法，有效地提取织物瑕点的特征信息；在织物瑕疵点分类识别方面，利用超图正则化属性学习，成功地检测出织物坏针瑕疵。本发明大大提高了纺织品的瑕疵检测速度和效率。
-
公开(公告)号：CN109146785A
公开(公告)日：2019-01-04
申请号：CN201810871111.8
申请日：2018-08-02
Applicant: 华侨大学 , 泉州市中仿宏业信息科技有限公司
CPC classification number: G06T3/4053 , G06T9/002
Abstract: 本发明涉及一种基于改进稀疏自动编码器的图像超分辨率方法，其以训练样本的高频信息为特征，分别构造高、低分辨率图像训练集，并通过ZCA白化技术对联合训练集去相关以降低其冗余性，从而提高自动编码器的训练效率；然后，在传统稀疏自动编码器的代价函数中加入构造的稀疏正则化项，获取改进的稀疏自动编码器，进一步加强对隐含层的稀疏性约束；接着，采用改进的稀疏自动编码器实现无监督的联合字典学习，以学习到更加准确和鲁棒的字典；最后将学习到的字典应用于基于稀疏表示的图像超分辨率重建框架中，实现图像的重建，达到提高重建质量的效果。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.02 seconds)
