-
公开(公告)号：CN116630881A
公开(公告)日：2023-08-22
申请号：CN202310512640.X
申请日：2023-05-09
Applicant: 南昌大学
IPC: G06V20/52 , G10L25/03 , G10L21/0208 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于多方位音频辅助的人群计数方法，所述计数方法包括以下步骤：VCC模块结合多种尺寸卷积核的空洞卷积，从图像中提取人群特征；通过自适应将多级上下文信息编码到VCC模块产生的特征中，提取视觉特征；ACC模块对原始的多段多方向音频进行初步融合和特征提取；将VCC模块的多通道视觉特征和ACC模块的多方向音频特征融合，再进行单个卷积操作生成密度图。本发明提出的框架，解决了透视问题、低照度场景以及不同位置对音频特征提取的影响，同时这是人群计数领域第一次尝试使用多段多方向音频辅助人群计数。
-
公开(公告)号：CN109508715B
公开(公告)日：2022-11-08
申请号：CN201811281994.3
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于深度学习的车牌定位和识别方法，包括：步骤1，对训练集的车牌区域尺寸应用k‑means++算法处理，选择最佳的候选尺寸，结合到FasterR‑CNN；步骤2，利用FasterR‑CNN训练图片，得到模型；步骤3，输入一张包含车牌的图片，经过卷积处理之后，得到特征图；步骤4，将获取的特征图经过RPN网络输出车牌位置和分数；步骤5，将车牌区域从原图中截取下来；步骤6，截取的车牌区域通过AlexNet‑L网络模型的端对端的卷积神经网络，最终输出车牌上的各个字符，本发明采用基于FasterR‑CNN的方法进行车牌定位，采用AlexNet‑L的端对端的车牌字符识别方法，可以有效地提高对车牌定位和字符识别的准确率。
-
公开(公告)号：CN111797700A
公开(公告)日：2020-10-20
申请号：CN202010523812.X
申请日：2020-06-10
Applicant: 南昌大学
Abstract: 本发明提供了一种基于细粒度判别网络与二阶重排序的车辆重识别方法，所述方法主要由两个部分组成：细粒度判别网络和二阶段重排序算法；所述细粒度判别网络的整个网络架构采用多元损失来监督，由两部分组成：孪生网络和细粒度网络；所述二阶段重排序算法融合两部分的深度特征向量来计算最终的融合特征，并将其分为两个阶段。在本发明中，细粒度判别网络可用于提取更多细微特征并改进重排序方法。首先，将孪生网络和细粒度网络结合以提取融合特征。提取的特征具有更强的判别细微差异的能力。应用二阶段重排序算法来获得样本均值特征，然后将其添加到最终距离度量中，使得匹配列表中的前k个候选样本所包含的正样本数量增加了。
-
公开(公告)号：CN115909377A
公开(公告)日：2023-04-04
申请号：CN202211392147.0
申请日：2022-11-08
Applicant: 南昌大学
IPC: G06V30/41 , G06V30/14 , G06V30/148 , G06V30/162 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于轻量化空洞网络的高效率文档版面分析方法，包括两个阶段：分割阶段和分类阶段；步骤A：在分割阶段，通过Otsu算法和RLSA将一个文档页面分割成多个内容块；步骤B：在分类阶段，提出一种轻量级扩张网络LD‑Net，LD‑Net将所有区块分类为图像、表格、文本和公式；每个单独的块及其分类标签在OCR系统的下一个过程中被处理。本发明提出了一种用LD‑Net进行布局分析的内存效率方法，当在低内存设备上使用时，它在精度和内存占用方面优于现有方法；LD‑Net是根据深度可分离卷积和剩余连接设计的，这两种结构使得网络高效且轻巧；扩张卷积在LD‑Net中被采用，它可以节省空间信息，这对提高所提方法的准确性很重要。
-
公开(公告)号：CN115661769A
公开(公告)日：2023-01-31
申请号：CN202211391572.8
申请日：2022-11-08
Applicant: 南昌大学
IPC: G06V20/54 , G06V10/74 , G06V10/82 , G06V10/762 , G06V10/764 , G06V10/422 , G06V10/54 , G06V10/56
Abstract: 本发明提供了一种基于特征相似度度量和深度学习的车辆再识别方法，包括两个阶段：第一个阶段是基于半监督的跨域联合预训练，第二阶段则是预训练模型在目标域上的微调。本发明提出了一种新的特征相似性度量方法——重叠特征重排序(OFR)，并设计了一种新的无监督车辆再识别框架。该框架采用一种有效的半监督域训练方式，称为半监督跨域联合学习(JCLS)。OFR将提取的特征进行交叉划分得到特征分区，并将所有特征分区的测量结果相加，作为进行更准确的聚类的基础。在JCLS中，摒弃了以往的单域训练，而是引入目标域风格的样本，共同训练Re‑ID模型。这种方法可以提取出更加具有代表性的特征参与相似性度量，提高识别率。
-
Patent Agency Ranking
公开(公告)号：CN109508715A
公开(公告)日：2019-03-22
申请号：CN201811281994.3
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于深度学习的车牌定位和识别方法，包括两个方面：基于Faster R-CNN模型的车牌定位和基于AlexNet-L网络模型的端对端的车牌字符识别；步骤1，对训练集的车牌区域尺寸应用k-means++算法处理，选择最佳的候选尺寸，结合到Faster R-CNN；步骤2，利用Faster R-CNN训练图片，得到模型；步骤3，输入一张包含车牌的图片，经过卷积处理之后，得到特征图；步骤4，将获取的特征图经过RPN网络输出车牌位置和分数；步骤5，将车牌区域从原图中截取下来；步骤6，截取的车牌区域通过AlexNet-L网络模型的端对端的卷积神经网络，最终输出车牌上的各个字符，本发明采用基于Faster R-CNN的方法进行车牌定位，采用AlexNet-L的端对端的车牌字符识别方法，可以有效地提高对车牌定位和字符识别的准确率。
-
公开(公告)号：CN116189087A
公开(公告)日：2023-05-30
申请号：CN202310117231.X
申请日：2023-02-15
Applicant: 南昌大学
IPC: G06V20/52 , G06V10/82 , G06N3/08 , G06T7/00 , G06N3/0464
Abstract: 本发明公开了一种基于视角自适应的复杂场景下人群计数方法，所述计数方法包括以下步骤：NOOMP框架通过少样本学习方法拟合自然世界；NOOMP框架通过元学习训练使视角适应多头并行网络作为NOOMP框架的主干；视角适应多头并行网络用于估计人群的密度图；视角适应多头并行网络在多个不同的场景中进行训练，并将子损失进行汇总。本发明提出一种新的标记方法，绝对几何高斯生成方法，该方法只需对图像中的每个人增加一个点，便能获得较好的精度。
-
公开(公告)号：CN111797700B
公开(公告)日：2022-12-06
申请号：CN202010523812.X
申请日：2020-06-10
Applicant: 南昌大学
Abstract: 本发明提供了一种基于细粒度判别网络与二阶重排序的车辆重识别方法，所述方法主要由两个部分组成：细粒度判别网络和二阶段重排序算法；所述细粒度判别网络的整个网络架构采用多元损失来监督，由两部分组成：孪生网络和细粒度网络；所述二阶段重排序算法融合两部分的深度特征向量来计算最终的融合特征，并将其分为两个阶段。在本发明中，细粒度判别网络可用于提取更多细微特征并改进重排序方法。首先，将孪生网络和细粒度网络结合以提取融合特征。提取的特征具有更强的判别细微差异的能力。应用二阶段重排序算法来获得样本均值特征，然后将其添加到最终距离度量中，使得匹配列表中的前k个候选样本所包含的正样本数量增加了。
-
公开(公告)号：CN109583305B
公开(公告)日：2022-05-20
申请号：CN201811282149.8
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R‑CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k‑倒数编码，将紧凑特征与k‑倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。
-
公开(公告)号：CN109583305A
公开(公告)日：2019-04-05
申请号：CN201811282149.8
申请日：2018-10-30
Applicant: 南昌大学
Abstract: 本发明提供了一种基于关键部件识别和细粒度分类的车辆重识别的先进方法，包括以下步骤：步骤1，对于给定的测试图像，通过改进的Faster R-CNN获得车辆、车牌和车辆标志的区域；步骤2，如果测试图像的车牌被定位并且车牌字符被改进的端到端AlexNet网络识别，则对其进行识别和比较；步骤3，若识别出车辆标志，细粒度的车辆重识别方法使用除了不同车辆标志的图像外的测试集，否则，它将使用整个测试集；步骤4，在细粒度方法的基础上，利用紧凑双线性池来提取紧凑特征；步骤5，通过k-倒数编码，将紧凑特征与k-倒数特征相结合，对车辆重识别结果进行重新排序，本发明具有更好的车辆重识别率，具有准确识别车牌和区分细微差别的类似车辆的更强能力。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
