公开(公告)号：CN113033482A

公开(公告)日：2021-06-25

申请号：CN202110425906.8

申请日：2021-04-20

Applicant: 上海应用技术大学

Inventor： 李文举 ,  苏攀 ,  那馨元

IPC: G06K9/00 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于区域注意力的交通标志检测方法，包括步骤1：获取ImageNet数据集和TT100K交通标志数据集，在ImageNet数据集上预先训练ResNet50深度网络；步骤2：输入TT100K训练集图片，从预训练的ResNet50网络的第10、22、40和49层获取样本特征，构成特征金字塔，在Faster R‑CNN目标检测框架下对网络进行微调；步骤3：训练数据集以图片形式输入区域注意力模块，获取注意力图；步骤4：RPN网络使用特征金字塔的信息生成候选区域；步骤5：利用区域注意力图滤除注意力区域之外的候选区域，得到最终的检测结果。

公开(公告)号：CN111461060A

公开(公告)日：2020-07-28

申请号：CN202010321962.2

申请日：2020-04-22

Applicant: 上海应用技术大学

Inventor： 李文举 ,  那馨元 ,  苏攀

IPC: G06K9/00 ,  G06N3/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习和极限学习机的交通标志识别方法，包括以下步骤：步骤1：获取交通标志样本数据集，按照交叉验证的方法，按照10：1的比例随机分为训练数据集和测试数据集；步骤2：对数据集进行增强处理，得到分布均匀的训练样本集，并通过分布均匀的训练样本集训练神经网络模型；步骤3：利用VGG16网络生成的特征金字塔监测出交通标志；步骤4：利用极限学习机ELM分类器识别交通标志，利用全连接网络进行边界框回归。本发明是基于VGG16网络结构进行交通标志的检测，并采用极限学习机进行交通标志的识别；在德国公共数据集上有较好的检测与识别表现，且对不同类型的标志均有较快的检测与识别速度。

公开(公告)号：CN113033482B

公开(公告)日：2024-01-30

申请号：CN202110425906.8

申请日：2021-04-20

Applicant: 上海应用技术大学

Inventor： 李文举 ,  苏攀 ,  那馨元

IPC: G06V20/58 ,  G06V10/82 ,  G06V10/40 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/096

Abstract: 本发明公开了一种基于区域注意力的交通标志检测方法，包括步骤1：获取ImageNet数据集和TT100K交通标志数据集，在ImageNet数据集上预先训练ResNet50深度网络；步骤2：输入TT100K训练集图片，从预训练的ResNet50网络的第10、22、40和49层获取样本特征，构成特征金字塔，在Faster R‑CNN目标检测框架下对网络进行微调；步骤3：训练数据集以图片形式输入区域注意力模块，获取注意力图；步骤4：RPN网络使用特征金字塔的信息生成候选区域；步骤5：利用区域注意力图滤除注意力区域之外的候选区域，得到最终的检测结果。

公开(公告)号：CN110175976A

公开(公告)日：2019-08-27

申请号：CN201910065861.0

申请日：2019-01-23

Applicant: 上海应用技术大学

Inventor： 李文举 ,  沈子豪 ,  李培刚 ,  何茂贤 ,  那馨元

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/13 ,  G06T7/136 ,  G06T7/187 ,  G06K9/62 ,  G01N21/88

Abstract: 本发明提供了一种基于机器视觉的CRTS II板式无砟轨道裂缝检测分类方法。该方法将提高裂缝识别的准确性，有效的降低误检率。由于裂缝的形状决定其病害程度，导致裂缝的修补方式不同。因此该方法通过机器学习算法解决裂缝形状分类的问题。