公开(公告)号：CN119251617A

公开(公告)日：2025-01-03

申请号：CN202411346076.X

申请日：2024-09-26

Applicant: 中南大学

Inventor： 赵于前 ,  李明鸿 ,  张帆 ,  桂瑰 ,  阳春华 ,  桂卫华

IPC: G06V10/774 ,  G06V10/82 ,  G06V10/10 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于跨阶段特征交互网络的伪装目标检测方法，应用于数据处理技术领域，其实施方案为：1)获取伪装目标检测训练数据集；2)构建伪装目标检测模型；3)构建损失函数；4)训练检测模型；5)伪装目标检测。本发明构建的跨阶段特征交互网络，通过设计双向连接结构并搭配多尺度跨注意力调制融合策略，有效利用了相邻阶段骨干特征的相关性，使每个阶段的特征信息得以完善，增强模型特征表达能力，更好地探测出伪装目标与背景之间的差异，从而有效提升了伪装目标检测结果的准确率。

公开(公告)号：CN116912622A

公开(公告)日：2023-10-20

申请号：CN202310877553.4

申请日：2023-07-18

Applicant: 中南大学

Inventor： 赵于前 ,  李明鸿 ,  张帆 ,  阳春华 ,  桂卫华

IPC: G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/09 ,  G06T5/00

Abstract: 本发明公开了一种面向低分辨率图像的目标检测方法，其实施方案为：1)获取高分辨率图像目标检测训练数据集；2)创建低分辨率图像目标检测训练数据集；3)构建低分辨率图像目标检测模型；4)构建损失函数；5)训练模型；6)低分辨率图像目标检测。本发明构建的低分辨率图像目标检测模型，通过设计一个任务分解增强网络来逐步增强低分辨率图像的质量，在此基础上，设计一个辅助特征增强头模块来利用高分辨率图像先验信息监督网络训练，增强检测特征的表达能力，改善模型的目标检测性能。

公开(公告)号：CN115100039A

公开(公告)日：2022-09-23

申请号：CN202210736896.4

申请日：2022-06-27

Applicant: 中南大学

Inventor： 赵于前 ,  李明鸿 ,  张帆 ,  阳春华 ,  桂卫华

IPC: G06T3/40 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的轻量级图像超分辨率重建方法，其实施方案为：1)获取训练数据集；2)扩充训练数据集；3)构建多尺度特征挑选网络；4)构建损失函数；5)训练模型；6)图像超分辨率重建。本发明构建的多尺度特征挑选网络，通过构建多尺度特征挑选模块来提取丰富的多尺度特征，增强网络的表达能力，提升图像超分辨率重建性能。为了提高网络的自适应能力，在多尺度特征挑选模块中，设计多尺度特征融合模块用于融合不同尺度的特征并动态调整感受野范围。相比其他基于深度学习的轻量级图像超分辨率重建方法，本发明能以相对较少的参数获得较为准确的图像超分辨率重建结果，易于部署在现实场景的移动设备中。

公开(公告)号：CN115100039B

公开(公告)日：2024-04-12

申请号：CN202210736896.4

申请日：2022-06-27

Applicant: 中南大学

Inventor： 赵于前 ,  李明鸿 ,  张帆 ,  阳春华 ,  桂卫华

IPC: G06T3/4053 ,  G06T3/4046 ,  G06V10/40 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的轻量级图像超分辨率重建方法，其实施方案为：1)获取训练数据集；2)扩充训练数据集；3)构建多尺度特征挑选网络；4)构建损失函数；5)训练模型；6)图像超分辨率重建。本发明构建的多尺度特征挑选网络，通过构建多尺度特征挑选模块来提取丰富的多尺度特征，增强网络的表达能力，提升图像超分辨率重建性能。为了提高网络的自适应能力，在多尺度特征挑选模块中，设计多尺度特征融合模块用于融合不同尺度的特征并动态调整感受野范围。相比其他基于深度学习的轻量级图像超分辨率重建方法，本发明能以相对较少的参数获得较为准确的图像超分辨率重建结果，易于部署在现实场景的移动设备中。