公开(公告)号：CN114549890B

公开(公告)日：2025-04-22

申请号：CN202111675503.5

申请日：2021-12-31

Applicant: 南京理工大学

Inventor： 魏秀参 ,  陈昊 ,  肖亮

IPC: G06V10/764 ,  G06Q30/0601

Abstract: 本发明公开了一种从单品示例中进行基于原型的分类器学习方法，包括以下步骤：从单品示例中生成基于原型的分类器，包括背景分类器；利用背景类的得分进行鉴别性重排；在生成产品候选框之前，进行多标签学习，对各类产品在结账图像中的共现关系进行建模，得到相应损失对网络进行约束。本发明利用基于原型的分类器来缓解单品示例和结账图像间的域差异，开发了鉴别性的重新排序模块以增强分类器的鉴别能力，同时使用多标签识别损失，对产品在结账图像中的共现关系建模。本发明可以广泛应用于自动结账、目标检测等领域。

公开(公告)号：CN113850129B

公开(公告)日：2025-04-15

申请号：CN202110964104.4

申请日：2021-08-21

Applicant: 南京理工大学

Inventor： 肖亮 ,  段牧笛

IPC: G06V20/13 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/045 ,  G06N3/09

Abstract: 本发明公开了一种旋转等变的空间局部注意力遥感图像目标检测方法，包括：采取多方向旋转卷积，构造旋转等变卷积模块；级联旋转等变残差子模块，构造特征张量增强模块；采取邻域权重自适应上采样，构建注意力上采样模块；采取金字塔注意力模块提取多尺度特征张量；采取可学习的非极大值抑制损失重构损失函数训练网络，指导区域建议网络生成候选区域；对候选区域进行特征提取并实现目标的分类和定位。本发明方法充分考虑了目标的尺度和旋转对检测任务的影响，上采样注意力机制和非极大值抑制机制提高了多尺度目标的检测精度和检测速度，能够有效处理大纵横比、分布密集和方向任意的目标检测问题，且网络轻量化，小样本学习能力强。

公开(公告)号：CN119478527A

公开(公告)日：2025-02-18

申请号：CN202411611221.2

申请日：2024-11-12

Applicant: 南京理工大学

Inventor： 周哲贤 ,  肖亮 ,  谢国森

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/80 ,  G06V10/774 ,  G06N3/0464 ,  G06V10/40 ,  G06V10/74 ,  G06V40/10

Abstract: 本发明公开了一种基于多尺度特征融合的对动物图像的零样本分类方法，该方法包括：通过利用ResNet101第三层与第四层的不同尺度特征，在零样本分类任务中进行局部特征的挖掘；将第三层与第四层特征输入多尺度特征增强模块，增强特征判别性；设立跨层融合模块，通过学习对方层的特征产生交互，增强模型泛化能力；将同层的特征融合，并输入到属性关注模块。本发明充分利用了不同层的特征信息，减少了零样本分类任务中，模型对可见类的偏见，提升了广义零样本和零样本分类的准确性。

公开(公告)号：CN118691475A

公开(公告)日：2024-09-24

申请号：CN202410810276.X

申请日：2024-06-21

Applicant: 南京理工大学

Inventor： 朱明阳 ,  方健 ,  肖亮

IPC: G06T3/4053 ,  G06T3/4046 ,  G06T7/33 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种双相机感算融合超分辨率智能成像方法，包括：数据采集；构建多光谱数据和高光谱数据互信息配准映射关系；建立融合两路退化过程保真和深度网络先验的联合优化模型；采用交替向乘子法优化算法，得到目标高分辨率高光谱图像、中间辅助变量的隐式迭代表达和乘子的更新公式；将各隐式变量迭代表达转化为深度网络结构；设计近似算子，对模型构建中引入的中间辅助变量的迭代过程进行网络表示；使用设计的损失函数训练网络。本发明利用深度展开网络，结合互信息配准和深度先验，并综合两路不同光谱图像退化过程成像特性，有效利用两路互补信息实现高效融合，可实现高空间分辨率和高光谱分辨率的光谱成像。

公开(公告)号：CN117726950A

公开(公告)日：2024-03-19

申请号：CN202311570239.8

申请日：2023-11-22

Applicant: 南京理工大学

Inventor： 肖亮 ,  何政禹 ,  杨磊

IPC: G06V20/13 ,  G06V10/764 ,  G06V10/42 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开了一种多维注意力引导动态卷积的旋转目标检测器及检测方法，方法包括：构造多维注意力自适应地激励或抑制目标与背景特征；融合特征提取网络获得的分层图像特征，并由上一层的输出加上之前对应层的输出生成多尺度图像特征；采取特征对齐卷积对融合特征进行调节；通过与旋转一定角度的卷积核进行卷积操作，输出响应最大的通道；采用卡尔曼交并比定义损失函数，将原始目标框转化为高斯分布，由两个原分布相乘得到重叠部分分布，采用协方差衡量重叠程度，减小角度回归边界问题。本发明的优势在于网络的多维注意力机制能根据输入特征的不同，在不同维度上动态调节卷积权重，并通过特征自适应加权融合，显著提高多尺度目标的特征提取能力。

公开(公告)号：CN112700370B

公开(公告)日：2023-06-13

申请号：CN202011602987.6

申请日：2020-12-29

Applicant: 南京理工大学

Inventor： 杨劲翔 ,  肖亮

IPC: G06T3/40 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种超参数保真与深度先验联合学习的高光谱图像超分辨方法，该方法包括：建立超参数保真模型深度先验正则化的高光谱和多光谱图像融合的变分模型；优化高光谱‑多光谱图像融合变分模型；对模型优化迭代过程进行张量化表示；对变分模型优化的迭代过程进行网络展开，执行优化的迭代过程；使用L1范数作为损失函数，训练网络。本发明具有同时在网络中表示高光谱图像退化模型和数据先验的能力，应用于高光谱‑多光谱图像融合具有优异性能。

公开(公告)号：CN113390508B

公开(公告)日：2023-04-14

申请号：CN202110612417.3

申请日：2021-06-02

Applicant: 南京理工大学

Inventor： 肖亮 ,  汪顺清 ,  郑志忠

IPC: G01J3/28 ,  G01J3/02

Abstract: 本发明公开了一种光谱‑空间分辨像质优化的短波红外成像方法与装置，方法包括：计算大气、光学系统、探测器和电子学的综合调制传递函数；建立系统成像信噪比函数；设计同心非共轴结构分光光路；依据综合调制传递函数，系统成像信噪比函数、光谱分辨率、球差、慧差、像散、场曲和畸变量等8个要求，利用同心非共轴光学系统矢量波像差优化模型，优化光学系统结构参数；根据优化参数进行器件选型与装调，根据同心结构分光光路，选择符合性能指标的狭缝组件、凸面光栅组件、反射镜组件和焦平面探测器组件等，通过腔体结构装调形成短波红外成像装置。本发明具有高光谱分辨率、高信噪比成像，成像装置结构紧凑和轻量化的特点。

公开(公告)号：CN115546873A

公开(公告)日：2022-12-30

申请号：CN202211365584.3

申请日：2022-11-03

Applicant: 南京理工大学

Inventor： 刘思佟 ,  练智超 ,  肖亮

IPC: G06V40/16 ,  G06V20/00 ,  G06V10/82

Abstract: 本发明公开一种基于局部区域正则化的人脸伪造检测方法，属于人工智能技术领域，对人脸区域图像进行缩放和分块后形成的图像块的排列次序进行随机打乱生成新图像，并记录排列次序；然后提取打乱次序生成的新图像的特征；在训练过程中，将提取到的打乱次序生成的新图像的特征输入位置重建分支得到图像块的排列次序，以此鼓励模型建模图像块的相关性；将提取到的打乱次序生成的新图像的特征输入分类器，得到最终的图像是伪造图像的概率。本发明通过对图像进行块级打乱并重建实现局部区域正则化，克服训练集和测试集分布偏差导致的过拟合，鼓励模型关注图像局部区域和建模图像块相关性，增强网络的检测和泛化能力，提高对折损数据的伪造检测性能。

公开(公告)号：CN111199521B

公开(公告)日：2022-10-18

申请号：CN201911262011.6

申请日：2019-12-10

Applicant: 南京理工大学

Inventor： 肖亮 ,  杨帆

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种嵌入傅立叶聚合的视频去模糊三维卷积深度网络方法，该方法通过三维卷积深度网络，学习窗口内视频帧的时空特征，并将编码器‑解码器卷积网络学习出的初始去模糊图像进行傅立叶变换，采用傅立叶聚合模块，进一步学习图像的傅立叶特征，通过三维卷积神经网络与傅立叶聚合模块的合成网络，训练深度网络，最终根据训练好的深度网络，生成去模糊视频。本发明依据三维卷积深度网络学习视频中的时空特征，避免了视频去模糊中复杂的配准过程，且无需运动矢量估计，并在网络中嵌入傅立叶聚合模块显著提升了去模糊效果，大幅降低了视频去模糊的处理时间，可广泛应用于手机拍摄、无人机拍摄、车载导航等多种类型的视频去模糊。

公开(公告)号：CN114494846A

公开(公告)日：2022-05-13

申请号：CN202111556994.1

申请日：2021-12-18

Applicant: 南京理工大学

Inventor： 张安迪 ,  刘芳 ,  刘嘉 ,  肖亮 ,  徐洋 ,  杨劲翔 ,  郜文菲

IPC: G06V20/10 ,  G06T5/00 ,  G06N3/04 ,  G06K9/62 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明公开了一种基于对尺度内卷网络的高光谱图像分类的方法，该方法包括：对原始高光谱数据进行最大最小归一化；构建自适应光谱去噪网络提纯归一化后的数据；构建空间卷积子网络与内卷子网络，并在网络中嵌入Dropblock模块提高网络泛化能力；构建自编码器模块，并将重建损失施加正则化以保持图像原本特征；融合空间卷积子网络与内卷子网络，并同时训练自编码器模块，最终得到分类识别结果。本发明构建的内卷网络更加关注于高光谱数据的光谱特征，并且融合了空间卷积网络以完善模型的空间特征提取能力，同时引入的Dropblock模块更进一步地提高了模型的泛化性，而自编码器模块能够保持重建图像的质量。