公开(公告)号：CN115170931A

公开(公告)日：2022-10-11

申请号：CN202210852735.1

申请日：2022-07-20

Applicant: 东南大学

Inventor： 张小国 ,  滕浩 ,  丁立早 ,  杜文俊 ,  王琦

IPC: G06V20/00 ,  G06V10/25 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明设计了一种基于混合空洞卷积的CA‑YOLO目标检测算法，主要包括以下几个步骤：搭建YOLOv4模型；在SPP模块之前加入CA注意力模块，在主干网络backbone的残差模块中添加注意力模块；设计混合空洞卷积模块，将其添加到主干网络CSPDarkNet‑53中；在主干网络输出的卷积层和空间金字塔结构SPP上下两侧的卷积层中改变卷积次数，同时在PANet结构中的P3、P4头部输出端前侧和从特征金字塔提取后的P5位置加入空洞卷积，至此，CA‑YOLO模型搭建完毕；采用预训练好的模型对CA‑YOLO模型进行初始化，对模型进行训练，引入类平滑标签改进损失函数对模型进行优化，使用训练好的CA‑YOLO模型和YOLOv4模型对测试集进行图像检测，对比性能。

公开(公告)号：CN112132822B

公开(公告)日：2024-05-07

申请号：CN202011062244.4

申请日：2020-09-30

Applicant: 东南大学

Inventor： 张小国 ,  丁立早 ,  邵俊杰 ,  邓奎刚 ,  王慧青

IPC: G06T7/00 ,  G06V10/764 ,  G06V20/10 ,  G06V10/82 ,  G06V10/40

Abstract: 本发明设计了一种基于迁移学习的可疑违章建筑检测算法，主要包括以下几个步骤：选取一个预训练好的卷积神经网络模型用来对可疑违建区域进行特征提取；随机选择某一中间层，利用其特征图构建新旧时相图像的结构差异向量，利用结构差异向量训练一个支持向量机，支持向量机的输出结果分为两类，变化和不变化，改变提取特征向量的中间层的层数，重复上述步骤，在测试集上选择最终分类精度最高的层数，作为最终模型的结构差异向量提取层，至此，输入两张同一建筑物的新旧时相图像，该算法便能对是否存在可疑违建区域进行判别。本方法自动选择有效的特征进行提取，无需人工对其进行设计，避免了在像素级层面上进行像素提取，极大地提高了检测的准确率。

公开(公告)号：CN112132822A

公开(公告)日：2020-12-25

申请号：CN202011062244.4

申请日：2020-09-30

Applicant: 东南大学

Inventor： 张小国 ,  丁立早 ,  邵俊杰 ,  邓奎刚 ,  王慧青

IPC: G06T7/00 ,  G06K9/62

Abstract: 本发明设计了一种基于迁移学习的可疑违章建筑检测算法，主要包括以下几个步骤：选取一个预训练好的卷积神经网络模型用来对可疑违建区域进行特征提取；随机选择某一中间层，利用其特征图构建新旧时相图像的结构差异向量，利用结构差异向量训练一个支持向量机，支持向量机的输出结果分为两类，变化和不变化，改变提取特征向量的中间层的层数，重复上述步骤，在测试集上选择最终分类精度最高的层数，作为最终模型的结构差异向量提取层，至此，输入两张同一建筑物的新旧时相图像，该算法便能对是否存在可疑违建区域进行判别。本方法自动选择有效的特征进行提取，无需人工对其进行设计，避免了在像素级层面上进行像素提取，极大地提高了检测的准确率。

公开(公告)号：CN115170801A

公开(公告)日：2022-10-11

申请号：CN202210852168.X

申请日：2022-07-20

Applicant: 东南大学

Inventor： 张小国 ,  滕浩 ,  丁立早 ,  杜文俊 ,  王琦

IPC: G06V10/26 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明设计了一种基于双注意力机制融合的FDA‑DeepLab语义分割算法，主要包括以下几个步骤：按照DeepLabv3+模型框架搭建ResNet‑50结构的特征提取网络，在特征提取网络后搭建空间金字塔池化ASPP模块；设计双注意力机制特征融合模块；基于双注意力机制特征融合模块，设计特征融合模块，将高级特征图和低级特征图输入到特征融合模块中，得到输出图像，再经过深度可分离卷积和上采样得到语义分割结果，至此，FDA‑DeepLab模型搭建完毕；采用预训练好的模型对FDA‑DeepLab骨干模型进行初始化，对模型进行训练，改进损失函数对训练进行优化，使用训练好的FDA‑DeepLab模型和DeepLabv3+模型对测试集进行图像分割，对比性能。

公开(公告)号：CN112132877A

公开(公告)日：2020-12-25

申请号：CN202011057538.8

申请日：2020-09-30

Applicant: 东南大学

Inventor： 张小国 ,  丁立早 ,  邵俊杰 ,  邓奎刚 ,  王慧青

IPC: G06T7/33 ,  G06T7/37 ,  G06T3/40 ,  G06T3/60

Abstract: 本发明设计了一种基于SIFT特征的图像配准改进算法，通过在低尺度图像上进行SIFT特征提取、运用RANSAC特征匹配算法，对低尺度图像变换矩阵进行求解，并由此得到原始输入图像的变换矩阵，最后得到改进后的图像配准结果，主要包括以下几个步骤：先将新时相图像和旧时相图像分别缩小a倍，再对缩小后的低尺度图像分别进行特征提取和特征匹配，得到低尺度图像的变换矩阵，利用矩阵缩放操作和低尺度的变换矩阵，得到原始图像的变换矩阵，最后进行配准。本方法有效地减少了配准算法整体的计算量，在不损失细节信息的前提下，对图像配准算法进行了加速，极大地提高了算法的效率。