-
公开(公告)号：CN110570396A
公开(公告)日：2019-12-13
申请号：CN201910723845.6
申请日：2019-08-07
Applicant: 华中科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于深度学习的工业产品缺陷检测方法，属于计算机视觉和深度学习领域，所述方法包括：对原始工业产品图像进行像素级别的缺陷标注，并将原始工业产品图像及其对应的标注信息作为样本数据；对样本数据进行预处理和数据增强，得到训练集、测试集和验证集；构建缺陷检测网络；将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练，得到训练好的缺陷检测模型；将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测，得到所述工业产品图像的缺陷信息。本发明采用深层网络VGG16bn的特征提取网络前端进行下采样，采用亚像素卷积结构实现上采样，同时使用跳跃连接实现特征融合，可以高效、准确的检测出微小的工业产品缺陷。
-
公开(公告)号：CN108734659A
公开(公告)日：2018-11-02
申请号：CN201810473375.8
申请日：2018-05-17
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于多尺度标签的亚像素卷积图像超分辨率重建方法，包括：建立并训练一个由特征提取结构、残差模块、上采样结构、特征重建结构以及跨尺度跳跃连接结构组成的基于多尺度标签的亚像素卷积网络,并使用该网络完成图像的超分辨率重建工作。将输入图像由RGB颜色空间转换到YCbCr颜色空间。其中，Cb、Cr两个通道使用双三次插值上采样的方法完成超分辨率重建工作。Y通道送入到训练好的网络中，输出Y通道的超分辨率重建图像。融合Y、Cb、Cr通道的超分辨率重建图像，得到最终的高分辨率图像。本发明可以快速准确地得到超分辨率图像，得到的超分辨率图像无论是在主观评测还是在客观图像质量评价方面，都能取得很好的效果。
-
公开(公告)号：CN110570396B
公开(公告)日：2022-03-15
申请号：CN201910723845.6
申请日：2019-08-07
Applicant: 华中科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于深度学习的工业产品缺陷检测方法，属于计算机视觉和深度学习领域，所述方法包括：对原始工业产品图像进行像素级别的缺陷标注，并将原始工业产品图像及其对应的标注信息作为样本数据；对样本数据进行预处理和数据增强，得到训练集、测试集和验证集；构建缺陷检测网络；将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练，得到训练好的缺陷检测模型；将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测，得到所述工业产品图像的缺陷信息。本发明采用深层网络VGG16bn的特征提取网络前端进行下采样，采用亚像素卷积结构实现上采样，同时使用跳跃连接实现特征融合，可以高效、准确的检测出微小的工业产品缺陷。
-
公开(公告)号：CN109948453B
公开(公告)日：2021-02-09
申请号：CN201910136583.3
申请日：2019-02-25
Applicant: 华中科技大学
Abstract: 本发明提出了一种基于卷积神经网络的多人姿态估计方法，将待处理图像输入到已完成训练的多人姿态估计网络得到两组数据，分别为人体关键点位置数据和人体关键点映射向量数据，然后解码数据得到图像中人体关键点和人体中心点的位置，并通过映射向量将关键点映射到可聚类的二维空间，再使用k‑means算法对映射后的关键点进行聚类间接实现原始人体关键点的分组，对分组关键点分析，最终实现多人姿态估计。本发明提出的多人姿态估计网络由特征提取网络、特征通道压缩模块、人体关键点位置分支模块和人体关键点映射向量分支模块四部分组成，可以实现端到端的训练和预测。本发明是一种自下而上多人姿态估计方法，在速度和准确率上均有良好表现。
-
公开(公告)号：CN109191491B
公开(公告)日：2020-09-08
申请号：CN201810878152.X
申请日：2018-08-03
Applicant: 华中科技大学
Abstract: 本发明公开了基于多层特征融合的卷积孪生网络的目标跟踪方法及系统，该方法包括：根据图像的目标位置和大小，裁剪出图像序列训练集中的所有图像的目标模板图像和搜索区域图像，目标模板图像和搜索区域图像组成的图像对构成训练数据集；构建基于多层特征融合的卷积孪生网络；基于训练数据集，训练所述基于多层特征融合的卷积孪生网络，获得训练好的基于多层特征融合的卷积孪生网络；使用训练好的基于多层特征融合的卷积孪生网络进行目标跟踪。本发明在跟踪目标的过程中，融合不同层的得分图，结合高层语义特征与底层细节特征，更好地区分相似或同类目标的干扰，防止跟踪过程中的目标漂移和目标丢失问题。
-
Patent Agency Ranking
公开(公告)号：CN109460774A
公开(公告)日：2019-03-12
申请号：CN201811091554.1
申请日：2018-09-18
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于改进的卷积神经网络的鸟类识别方法，包括：利用鸟类识别器对待识别的鸟类图像进行识别，得到待识别的鸟类图像的鸟类类别；所述鸟类识别器的训练包括：构建样本鸟类图像的数据集；在卷积神经网络的ResNet50输入层之后增加BN层，在5层卷积层之后增加2层卷积层，在FC层之前增加Dropout层，得到改进的卷积神经网络；利用样本鸟类图像的数据集训练改进的卷积神经网络，得到鸟类识别器。本发明基于迁移学习的思想，对卷积神经网络进行改进，将其应用在鸟类属性识别上，在样本量有限的前提下，获得了比改进之前的网络更好的结果。
-
公开(公告)号：CN109191491A
公开(公告)日：2019-01-11
申请号：CN201810878152.X
申请日：2018-08-03
Applicant: 华中科技大学
Abstract: 本发明公开了基于多层特征融合的卷积孪生网络的目标跟踪方法及系统，该方法包括：根据图像的目标位置和大小，裁剪出图像序列训练集中的所有图像的目标模板图像和搜索区域图像，目标模板图像和搜索区域图像组成的图像对构成训练数据集；构建基于多层特征融合的卷积孪生网络；基于训练数据集，训练所述基于多层特征融合的卷积孪生网络，获得训练好的基于多层特征融合的卷积孪生网络；使用训练好的基于多层特征融合的卷积孪生网络进行目标跟踪。本发明在跟踪目标的过程中，融合不同层的得分图，结合高层语义特征与底层细节特征，更好地区分相似或同类目标的干扰，防止跟踪过程中的目标漂移和目标丢失问题。
-
公开(公告)号：CN108829692A
公开(公告)日：2018-11-16
申请号：CN201810312552.4
申请日：2018-04-09
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于卷积神经网络的花卉图像检索方法，包括：构建带有类别信息的花卉图像数据集，并使用随机图像变换方法处理花卉图像以增强花卉图像数据集；构建基于VGG16的花卉分类深度卷积神经网络模型VGG-F，其中，FC1、FC2和分类层的节点数分别为1024、256和花卉类别总数；通过模型VGG-F的FC2分别提取待查询图像和花卉图像数据集中每一个花卉图像的特征向量，并进行相似性比较，得到最相似的2N个花卉图像；分别计算待查询图像和得到的2N个花卉图像中每一个花卉图像的HSV颜色分布特征向量，并进行比较，得到最相似的N个花卉图像。本发明基于卷积神经网络，有效提高了花卉检索的准确率。
-
公开(公告)号：CN108764164A
公开(公告)日：2018-11-06
申请号：CN201810542168.3
申请日：2018-05-30
Applicant: 华中科技大学
CPC classification number: G06K9/00228 , G06N3/0454
Abstract: 本发明公开一种基于可变形卷积网络的人脸检测方法及系统，包括：接收输入的图像，所述图像中包括待检测的人脸信息；通过主干网络提取图像的特征，所述特征包括语义特征和偏移量特征；通过可变形卷积分别输出图像的语义特征和偏移量特征；根据图像的语义特征，通过分类子网络输出锚点框包含人脸的概率；根据图像的语义特征，通过IOU预测分支输出各个预测框与人脸的重叠程度IOU；根据图像的偏移量特征，通过位置回归子网络输出各个预测框对应的人脸大小和位置。本发明可以准确预测图像中的人脸。
-
公开(公告)号：CN109460774B
公开(公告)日：2022-04-22
申请号：CN201811091554.1
申请日：2018-09-18
Applicant: 华中科技大学
IPC: G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于改进的卷积神经网络的鸟类识别方法，包括：利用鸟类识别器对待识别的鸟类图像进行识别，得到待识别的鸟类图像的鸟类类别；所述鸟类识别器的训练包括：构建样本鸟类图像的数据集；在卷积神经网络的ResNet50输入层之后增加BN层，在5层卷积层之后增加2层卷积层，在FC层之前增加Dropout层，得到改进的卷积神经网络；利用样本鸟类图像的数据集训练改进的卷积神经网络，得到鸟类识别器。本发明基于迁移学习的思想，对卷积神经网络进行改进，将其应用在鸟类属性识别上，在样本量有限的前提下，获得了比改进之前的网络更好的结果。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.024 seconds)
