-
公开(公告)号：CN115035363B
公开(公告)日：2024-04-16
申请号：CN202210599504.4
申请日：2022-05-30
Applicant: 东南大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06V10/74 , G06V10/26 , G06T7/277 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种深度神经网络模型的在线训练方法，涉及深度学习技术领域，解决了网络模型在训练完成后无法使用新的数据集对模型进行及时优化调整的技术问题，其技术方案要点是通过离线训练的实例分割网络对采集图像进行实例分割，基于多假设跟踪算法对多目标进行数据关联，再基于卡尔曼滤波算法对每个目标的运动状态进行估计，当漏检情况发生时，利用生成式对抗网络生成样本图像，实例分割网络利用新样本(即样本图像)进行在线训练，在线训练的方法可以根据实时反馈的数据，快速地进行网络模型参数的优化，从而可以使深度神经网络模型在实际应用中取得比离线训练更好的效果。
-
Patent Agency Ranking
公开(公告)号：CN116128946A
公开(公告)日：2023-05-16
申请号：CN202211588573.1
申请日：2022-12-09
Applicant: 东南大学
Abstract: 本发明公开了一种基于边缘导向和注意力机制的双目红外深度估计方法，涉及计算机视觉中的双目视觉技术领域，解决了因红外图像具有纹理不清晰、边缘模糊、特征不明显等缺陷而导致的深度估计精度低的技术问题，其技术方案要点是引入基于伽马校正和中值滤波的图像预处理模块以增强图像边缘和细节信息，为卷积神经网络提供更多可被挖掘的深层次特征表示；在高维特征图中构建混合注意力模块以获取待匹配特征间不同通道和空间位置的深度关联，促进后续网络进行有效的深度推理；同时引入边缘导向模块，构造“边缘‑深度”联合损失函数以生成边缘清晰、深度平滑且不存在深度空洞的前景深度图，为智能体在低照度环境下维持正常运转提供可能。
-
公开(公告)号：CN116128946B
公开(公告)日：2024-02-09
申请号：CN202211588573.1
申请日：2022-12-09
Applicant: 东南大学
Abstract: 本发明公开了一种基于边缘导向和注意力机制的双目红外深度估计方法，涉及计算机视觉中的双目视觉技术领域，解决了因红外图像具有纹理不清晰、边缘模糊、特征不明显等缺陷而导致的深度估计精度低的技术问题，其技术方案要点是引入基于伽马校正和中值滤波的图像预处理模块以增强图像边缘和细节信息，为卷积神经网络提供更多可被挖掘的深层次特征表示；在高维特征图中构建混合注意力模块以获取待匹配特征间不同通道和空间位置的深度关联，促进后续网络进行有效的深度推理；同时引入边缘导向模块，构造“边缘‑深度”联合损失函数以生成边缘清晰、深度平滑且不存在深度空洞的前景深度
-
公开(公告)号：CN116012620A
公开(公告)日：2023-04-25
申请号：CN202211578227.5
申请日：2022-12-09
Applicant: 东南大学
Abstract: 本发明公开了一种基于代价群组注意力和边缘强化的红外立体匹配方法，涉及计算机视觉中的双目视觉技术领域，解决了低辨识度环境下红外立体匹配精度不高的技术问题，其技术方案要点是基于canny边缘检测算法和边缘特征提取网络提取原始图像的多尺度边缘特征；结合多尺度边缘特征及原始图像特征构建边缘强化模块以获取融合特征；利用融合特征构造代价群组注意力模块；经代价聚合和视差回归获取预测视差图。本发明创新采用边缘强化模块和代价群组注意力模块，分别能够补充和聚焦红外立体匹配过程中的有益特征，以获得更好的立体匹配精度。
-
公开(公告)号：CN115700808A
公开(公告)日：2023-02-07
申请号：CN202211324033.2
申请日：2022-10-27
Applicant: 东南大学
Abstract: 本发明公开了一种自适应融合可见光和红外图像的双模态无人机识别方法，涉及计算机视觉技术领域，解决了单独用可见光相机在复杂环境下对无人机检测效果较差的技术问题，其技术方案要点是利用可见光图像和红外图像的互补性；利用自适应融合模块根据图像特征质量对双模态输入分配权重，再通过轻型的双模态网络对无人机进行实时识别。该算法在满足实时性的要求下，能够在光照复杂环境下对微小目标进行识别，以应对复杂环境下的无人机检测任务，在军事领域有较好的应用前景。且该网络的结构简单，计算量小，对小目标有较好的检测效果，具有较强的鲁棒性。
-
公开(公告)号：CN115035363A
公开(公告)日：2022-09-09
申请号：CN202210599504.4
申请日：2022-05-30
Applicant: 东南大学
IPC: G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/74 , G06V10/26 , G06T7/277
Abstract: 本发明公开了一种深度神经网络模型的在线训练方法，涉及深度学习技术领域，解决了网络模型在训练完成后无法使用新的数据集对模型进行及时优化调整的技术问题，其技术方案要点是通过离线训练的实例分割网络对采集图像进行实例分割，基于多假设跟踪算法对多目标进行数据关联，再基于卡尔曼滤波算法对每个目标的运动状态进行估计，当漏检情况发生时，利用生成式对抗网络生成样本图像，实例分割网络利用新样本(即样本图像)进行在线训练，在线训练的方法可以根据实时反馈的数据，快速地进行网络模型参数的优化，从而可以使深度神经网络模型在实际应用中取得比离线训练更好的效果。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
