-
公开(公告)号：CN114119504B
公开(公告)日：2025-04-25
申请号：CN202111312070.7
申请日：2021-11-08
Applicant: 南昌大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种基于级联卷积神经网络的钢件焊缝自动检测方法，包括以下步骤：S1，利用工业相机和红外激光线对钢件进行扫描，获得焊缝数据；S2，对图像进行焊缝区域标注和中心线标注，完成焊缝参考图像集和中心线参考图像集制作；S3，根据训练算法，利用焊缝数据和焊缝参考图像集训练级联卷积神经网络，同时利用焊缝数据和中心线参考图像集训练中心线提取网络；S4，利用工业相机和红外激光线对待检测钢件进行扫描，获得待检测焊缝数据；S5，将待检测的焊缝数据输入训练好的检测模型中输出检测结果。本发明能够准确地提取出焊缝位置，极大地提升了抗干扰能力，保证了焊接质量，提高了自动焊接系统的自适应能力。
-
公开(公告)号：CN118397402A
公开(公告)日：2024-07-26
申请号：CN202410863073.7
申请日：2024-06-29
Applicant: 南昌大学
IPC: G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种轻量级小目标森林火灾检测模型的训练方法及系统，涉及森林火灾检测技术领域，该训练方法包括：获取关于森林火灾的初始图像数据集并进行数据增强；构建StarELAN网络，将StarELAN网络作为YOLOv9模型中特征提取的主网络，并对YOLOv9模型进行缩小调整，以轻量化YOLOv9模型；在轻量化的YOLOv9模型中增设小目标检测头，并在所有检测头中引入LSK注意力机制，以捕捉小目标森林火灾；构建Inner‑CIoU损失函数，并作为轻量级小目标森林火灾检测模型的最终损失函数；根据该损失函数，将数据增强后的初始图像数据集对轻量级小目标森林火灾检测模型进行检测训练。因此，基于该训练方法得到森林火灾检测模型能够快速准确地对小目标森林火灾进行检测。
-
公开(公告)号：CN117152595A
公开(公告)日：2023-12-01
申请号：CN202311046652.4
申请日：2023-08-19
Applicant: 南昌大学
IPC: G06V20/00 , G06V10/764 , G06V10/82 , G06V10/80 , G06V10/52 , G06V10/44 , G06V10/774 , G06V10/776 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于FPN的多尺度图像复制粘贴篡改检测方法，结合使用特征金字塔网络和残差神经网络，对图像进行多尺度，高鲁棒性特征提取，注意力机制进行特征选择，自相关计算区域的相似区域，反卷积将图像还原为和检测图像相同大小的掩码解码，成功定位出图像中的篡改区域，分类出图像是否被篡改。本发明方法多尺度特征提取鲁棒性强，检测准确率高检测效率高。针对图像是否存在复制粘贴篡改进行检测，有效的识别图像中存在的复制粘贴篡改区域。保护图像的真实性，可用性不被破坏。
-
公开(公告)号：CN117133015A
公开(公告)日：2023-11-28
申请号：CN202311050670.X
申请日：2023-08-21
Applicant: 南昌大学
IPC: G06V40/10 , G06V10/25 , G06V10/74 , G06V10/44 , G06V10/80 , G06V10/774 , G06V10/26 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于细粒度交互网络的换衣行人重识别方法，S1，对换衣行人数据集图像预处理，通过像素采样生成换衣后图像；S2，采用ResNet50作为主干网络，将初始图像和生成图像一同输入主干网络，提取它们的特征向量F和引入空间注意力模块获得其对应的细粒度特征；S3，构建成对交互网络，将细粒度特征交互嵌入到特征空间和F，通过non‑local模块自适应地融合相似的上下文信息，获得具有判别力的特征区域，用于行人身份的检索；S4，通过多个损失函数联合对行人特征进行优化。本发明引入注意力算法聚焦于服装区域之外的细粒度空间特征；设计成对交互网络，进一步抑制服装区域对模型的影响，提升模型的鉴别能力。
-
公开(公告)号：CN117132889A
公开(公告)日：2023-11-28
申请号：CN202311046653.9
申请日：2023-08-19
Applicant: 南昌大学
IPC: G06V20/10 , G06V10/80 , G06V10/52 , G06V10/44 , G06V10/82 , G06V10/764 , G06V10/766 , G06V10/25 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明提供了一种基于深浅层注意特征融合的多尺度路面裂纹检测方法，采集路面裂纹图像并对图像进行预处理；将图像输入主干网络提取层次特征P2，P3，P4，P5；将P5输入尺度自适应SA模块中获取多尺度信息；将P2，P3，P4输入到Neck中细化特征；所述Neck包括深浅层注意特征融合DSAFF模块和特征细化FR模块；DSAFF模块利用通道注意力获取通道信息，采用分块解耦注意力BDAM模块获取深浅层融合的空间信息，FR用来细化边缘信息；分别输入检测头中获取最终的检测结果；引入SimOTA优化训练时的标签分配方案。本发明能够在增加少量计算的情况捕捉更充分地多尺度特征信息；本发明能够强化网络对损伤区域的特征提取，从而缓解背景区域的干扰。
-
Patent Agency Ranking
公开(公告)号：CN116416672B
公开(公告)日：2023-08-29
申请号：CN202310685922.X
申请日：2023-06-12
Applicant: 南昌大学
IPC: G06V40/16 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于GhostNetV2的轻量化人脸与人脸关键点检测方法，使用GhostNetV2作为主干特征提取网络的人脸检测模型，并且为了提高对小人脸的检测，使用了由特征融合模块加权双向特征金字塔网络改进而来的分离的特征金字塔网络，为了提高对较大人脸的检测效果，在模型的检测头部分使用了级联上下文预测模块来增大感受野，并加入人脸关键点损失。最后针对WIDER FACE数据集进行分析，制定了合适的锚点分配策略。模型的总参数量为1.6M，在简单，中等，困难子集上的准确率分别达到93.13%，92.39%，84.11%，在CPU上对VAG图像进行推理，仅需要37.7ms。
-
公开(公告)号：CN116597139A
公开(公告)日：2023-08-15
申请号：CN202310501929.1
申请日：2023-05-06
Applicant: 南昌大学
IPC: G06V10/26 , G06V10/764 , G06V10/40 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于双分支结构的实时语义分割网络的方法，包括：准备训练和测试用的图像数据集；构建基于双分支结构的实时语义分割网络，包含细节分支、语义分支、融合层和分割头四个部分。在语义分支使用了专用于语义分割的骨干网络STDC网络，STDC网络能够提供更大的感受野，并且参数量更少，达到轻量级的效果；在细节分支和语义分支上分别使用了SE模块和SPM模块，达到在细节分支上使用通道注意力提取细节特征，在语义分支上使用空间注意力提取空间语义的效果；使用UAFM模块来融合细节特征信息和空间语义信息，能够充分地捕获上下文信息，获取物体更强的依赖信息，提升了网络的分割准确性；使用训练好的网络模型得到图像语义分割结果。
-
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：CN115661867A
公开(公告)日：2023-01-31
申请号：CN202211395116.0
申请日：2022-11-08
Applicant: 南昌大学
IPC: G06V40/10 , G06V10/80 , G06V10/42 , G06V10/44 , G06V10/26 , G06V20/70 , G06V10/74 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明提供了一种基于三维骨架信息和优化区域匹配的双流行人重识别方法，包括以下步骤：步骤1，使用三维骨架进行局部区域优化分割，提取局部特征；步骤2，使用孪生网络提取全局特征，充分利用标签信息；步骤3，将局部特征与全局特征进行融合，以保持人的完整性；步骤4，设计了一种用于度量学习的优化区域匹配方法。本发明提出了一种三维骨架和双流方法来实现人物Re‑ID。该方法的第一个流使用三维骨架进行背景过滤和区域分割。第二个流使用孪生网络提取全局描述符。这两条流的特征融合在一起，以保持人的完整性。设计了一种用于度量学习的优化区域匹配方法。实验结果表明，该方法在识别精度上优于现有方法。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.023 seconds)
