-
公开(公告)号：CN114882430A
公开(公告)日：2022-08-09
申请号：CN202210465142.X
申请日：2022-04-29
Applicant: 东南大学
Abstract: 本发明公开了一种基于Transformer的轻量化早期火灾检测方法，包括建立室内外多场景火灾初期图像样本数据集；设计基于Transformer的轻量化主干网络，在Transformer结构中引入线性增强注意力机制，并通过序列与图像的转换和深度可分离卷积，将局部性引入前馈网络中，实现对图像的全局和局部特征处理，并通过逆残差块进行下采样，得到不同分辨率的特征图；通过特征加强和多尺度特征融合结构进一步加强特征提取，最终在混合后的特征图中进行检测，得到火焰目标检测结果。本发明结合了Transformer和卷积神经网络的优势，在优化特征提取的同时，减少了网络的参数和计算量，构建了轻量的检测模型，在保证较高检测精度的同时，实现了较快的检测速度，可以较好地实现多场景火灾早期目标的检测。
-
公开(公告)号：CN114140451A
公开(公告)日：2022-03-04
申请号：CN202111485988.1
申请日：2021-12-07
Applicant: 东南大学
Abstract: 本发明涉及一种基于深度学习的多轨道钢轨定位方法，包括以下步骤：使用安装摄像头的巡检车采集轨道图像，对图像数据集进行人工标注；构建R2CNN深度学习模型，设置合理的锚窗参数，并对模型进行训练；将训练好的模型对图像进行检测，分别得到轴对齐边界框和倾斜边界框的检测结果，并进行初步筛选；对两类边界框检测结果进行修正和融合，即可得到准确、稳定的多轨道钢轨定位结果。本发明可以适用于同时包含垂直和倾斜轨道的道岔路段图像，且能够定位多轨道钢轨区域。
-
公开(公告)号：CN109271904B
公开(公告)日：2022-02-15
申请号：CN201811018255.5
申请日：2018-09-03
Applicant: 东南大学
Abstract: 本发明公开了一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法，包括：利用PBAS模型检测运动目标，并把图像划分网格，标记前景目标所在的所有小方格；针对每个前景目标方格，提取POEM直方图特征或者LDP直方图特征，刻画空间信息；针对每个前景目标方格，提取HOOF直方图特征或者MOH直方图特征，刻画时序信息；针对每个前景目标方格，提取STH特征，刻画结构信息；将不同类型的直方图特征进行融合，利用实际场景非黑烟车远高于黑烟车的特点，加入先验知识，利用贝叶斯模型对每一帧每个前景目标小方格进行分类，综合分析多帧识别黑烟车。本发明能从车流中自动识别黑烟车，提高检出率，降低误报率，对阴影具有鲁棒性。
-
公开(公告)号：CN113506269A
公开(公告)日：2021-10-15
申请号：CN202110786295.X
申请日：2021-07-12
Applicant: 东南大学
Abstract: 本发明涉及一种基于深度学习的道岔与非道岔轨道紧固件定位方法，包括以下步骤：使用携带高清相机的巡检车获得轨道图像，并对图像数据集进行人工标注；构建改进的FasterR‑CNN深度学习模型，模型进行了多尺度特征融合、添加注意力模块等优化；根据标注的待检测目标的实际尺寸，修改模型中的预定义锚框；对改进的FasterR‑CNN模型进行训练，并选择最优模型；将待检测图像输入训练好的模型即可得到精确、稳定的紧固件定位结果。本发明可以适用于道岔路段与非道岔路段场景的图像，能够同时对多种类型的紧固件进行准确的定位检测。
-
公开(公告)号：CN109446938B
公开(公告)日：2021-09-03
申请号：CN201811193688.4
申请日：2018-10-15
Applicant: 东南大学
Abstract: 本发明涉及一种基于多序列双投影的黑烟车检测方法。该方法包括：（1）检测运动目标，确定关键区域；（2）利用积分投影和局部随机滤波技术，提取多序列双投影特征，形成描述关键区域的特征向量；（3）训练C‑BPNN分类器，并用于新特征向量的分类；（4）通过对连续多帧的分析，对当前车辆是否为黑烟车做出判断。利用本发明的技术方案，不仅提高了检测效率，降低了成本，而且，所提出的多序列双投影特征具有计算简单，描述能力强的特点，大大提高了黑烟车的检出率，降低了误报率。
-
Patent Agency Ranking
公开(公告)号：CN110084160B
公开(公告)日：2021-08-10
申请号：CN201910302743.7
申请日：2019-04-16
Applicant: 东南大学
Abstract: 本发明公开了一种基于运动和亮度显著性特征的视频森林烟火检测方法，包括读入原视频；将原视频图像转换成灰度图，按X‑Y‑T方向将连续帧图像重新整合，采用ROSL算法以及全局显著性算法得到全局显著性运动区域；采用运动显著性算法得到运动显著性运动区域；提取亮度显著性运动区域；计算显著性均值得到最终显著性区域显著特征值；基于得到的最终显著性区域显著特征值，采用组稀疏背景检测算法，得到视频显著性前景区域；提取得到的视频显著性前景区域的LBP特征，采用SVM分类器进行分类识别。本发明通过亮度和运动显著性算法，一方面去除了森林中非显著性运动目标干扰，另一方面将烟火区域从视频中分割出来，提高了烟火检测的正确率。
-
公开(公告)号：CN112101103A
公开(公告)日：2020-12-18
申请号：CN202010790835.7
申请日：2020-08-07
Applicant: 东南大学
Abstract: 本发明涉及了一种基于深度集成网络的视频驾驶员疲劳检测方法，框架包含风格迁移模块、人脸关键点检测模块和分类模块，风格迁移模块由一个编解码生成网络构成，用于复原输入红外视频帧的颜色信息，输出彩色视频帧；人脸关键点检测模块采用全卷积神经网络结构，以红外视频帧和风格迁移模块生成的彩色视频帧作为输入，对人脸关键点进行定位并输出掩膜特征图；分类模块由一个3D卷积神经网络组成，集成红外视频序列的时空信息、彩色视频序列的颜色信息、和掩膜特征序列的显著性信息，判定驾驶员疲劳状态。相比现有的疲劳驾驶检测算法，本发明检测率高，误报率低，可用于红外监控视频下的驾驶员疲劳检测。发明在智能交通领域有重要的应用价值。
-
公开(公告)号：CN112085655A
公开(公告)日：2020-12-15
申请号：CN202010847791.7
申请日：2020-08-21
Applicant: 东南大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于密集残差注意面部先验网络的人脸超分辨率方法，包括如下步骤：分别构建跳线连接的密集残差注意模块、面部结构先验预测模块和上采样模块；并联跳线连接的密集残差注意模块和面部结构先验预测模块，继而级联上采样模块和图像重建层，构建密集残差注意面部先验网络；对公布的数据集进行预处理，并将处理之后的数据分为训练集和测试集；训练密集残差注意面部先验网络；将测试集中的图像，输入到训练好的密集残差注意面部先验网络中，输出重建后的高分辨率人脸图像。本发明通过训练密集残差注意面部先验网络，继而实现对测试人脸图像的超分辨率处理，能够有效恢复具备面部高频细节，同时保留身份信息的超分辨率人脸图像。
-
公开(公告)号：CN110991219A
公开(公告)日：2020-04-10
申请号：CN201910964765.X
申请日：2019-10-11
Applicant: 东南大学
Abstract: 本发明设计了一种基于双路3D卷积网络的行为识别方法，本发明主要由3D卷积和伪3D卷积堆叠而成，包括时空降采样模块、细分支、粗分支和侧边连接等四个模块。该网络通过一个共享的时空降采样模块，为两个分支提供低层的时空基元信息。细分支是由三个3D卷积块组成的，其中每个卷积块包含两个卷积层。粗分支是从所有的输入视频帧中学习时空特征。同时采用侧边连接以融合两个分支的特征。本发明参数少、准确率高、速度快，可用于手机、录像机、监控摄像头等设备所拍摄视频的分类，在家庭、公共场所等场景中有着重要的应用价值。
-
公开(公告)号：CN110717387A
公开(公告)日：2020-01-21
申请号：CN201910823920.6
申请日：2019-09-02
Applicant: 东南大学
Abstract: 本发明公开了一种基于无人机平台的实时车辆检测方法，通过无人机拍摄建立航拍车辆数据集，整体数据集按一定比例划分为训练集和测试集；建立卷积神经网络的快速消除卷积层；建立神经网络的多尺度卷积层；基于航拍视频中车辆的宽高比进行多尺度锚点设计，并对小尺度锚点进行稠密化处理；基于二值权重网络；对网络进行时间优化；加载视频数据集，对卷积神经网络进行训练；在无人机航拍视频中实时检测出视频中的车辆。本发明可以在运动的背景中检测出车辆，适用于无人机航拍的环境，通过合理设计RDCL层的步长和调整锚点宽高比等措施大大减小了小目标车辆的漏检率，航拍视频中的车辆能够在机载计算模块上被实时得检测出来。
-
-
-
-
-
-
-
-
-
Search Results
205
records
(took 0.024 seconds)
