公开(公告)号：CN118212454A

公开(公告)日：2024-06-18

申请号：CN202410319869.6

申请日：2024-03-20

Applicant: 哈尔滨工业大学

Inventor： 张印 ,  张永强 ,  丁明理 ,  张子安 ,  张漫 ,  田瑞

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0895 ,  G06N3/0455

Abstract: 一种基于ISP退化自监督学习和解耦正则的暗光目标检测方法，属于暗光条件下的目标检测领域。本发明针对现有暗光图像的目标检测未考虑相机传感器的内部处理过程，影响目标检测准确率的问题。包括：构建教师网络、学生网络和基于ISP退化的自监督学习模块；采用基于ISP的图像退化模块将白天图像退化成与真实暗光场景相似的暗光图像，并以自监督的方式学习图像信号处理相关的参数；采用解耦正则的方法让两个任务的梯度向量尽可能正交，达到减少两个任务之间干扰的同时还能提高暗光条件下的目标检测准确率的目的；其中教师网络用于产生伪标签去训练学生网络，学生网络再使用指数移动平均方法更新教师网络的参数。本发明用于暗光图像的目标检测。

公开(公告)号：CN115601787A

公开(公告)日：2023-01-13

申请号：CN202211184075.0

申请日：2022-09-27

Applicant: 哈尔滨工业大学(CN)

Inventor： 张永强 ,  丁明理 ,  张子安 ,  张印 ,  田瑞 ,  张漫

IPC: G06V40/10 ,  G06V10/82 ,  G06V10/72 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于缩略表示的快速人体姿态估计方法，涉及计算机视觉技术领域，针对现有技术中通过小尺寸图像减少模型的计算量时，会导致模型准确率下降的问题。本申请采用基于风格监督的在线图像缩尺度器自适应地滤除输入图像中的冗余信息，并将剩余的关联信息压缩为小尺寸的缩略图，使得网络运算量大幅降低，并且能够保证预测准确率；使用双分支自动编码的训练策略将知识蒸馏技术引入对轻量化网络的训练，使得缩略特征图能够提取到更多关键信息，使得预测准确率进一步提高。训练完备的缩尺度器可以直接替代传统的图像缩尺度技术。本申请解决了现有人体姿态估计加速方法实施复杂、难以泛化、准确率低的问题。

公开(公告)号：CN119942178A

公开(公告)日：2025-05-06

申请号：CN202411904099.8

申请日：2024-12-23

Applicant: 哈尔滨工业大学

Inventor： 田瑞 ,  张永强 ,  张印 ,  张漫 ,  张子安 ,  朱月熠 ,  李永强 ,  丁明理

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/091

Abstract: 一种由视觉语言大模型和弱监督物体检测器引导的主动学习初始化方法，属于计算机视觉中物体检测器的初始化技术领域。本发明针对现有主动学习物体检测技术初始化阶段标注代价高及视觉语言大模型检测结果的召回率低的问题。包括采用视觉语言大模型通过类相关提示询问获得输入图像中待检测类别数目，再获得空间坐标检测结果；反复迭代检测过程获得最终空间坐标检测结果；同时获得输入图像的候选区域；再结合图像级别标签训练弱监督物体检测器，并获得物体定位检测结果；对最终空间坐标检测结果和物体定位检测结果进行融合，获得伪真值，用于主动学习初始化阶段对全监督物体检测器进行训练。本发明平衡了主动学习初始化过程中标注代价和检测性能。

公开(公告)号：CN119723202A

公开(公告)日：2025-03-28

申请号：CN202411904100.7

申请日：2024-12-23

Applicant: 哈尔滨工业大学

Inventor： 田瑞 ,  张永强 ,  张印 ,  张漫 ,  张子安 ,  朱月熠 ,  李永强 ,  丁明理

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/774 ,  G06V10/74 ,  G06V10/82 ,  G06N3/091

Abstract: 一种基于不确定性和多样性获取函数的主动学习方法，属于计算机视觉中物体检测器的主动学习领域。本发明针对现有主动学习过程利用的初始化后的物体检测器不能深层次挖掘有价值图像的特征的问题。包括：采用基于图像级标签训练好的弱监督物体检测器和部分实例级标签初始化的全监督物体检测器对训练集中已标注真值或伪真值的图像进行检测，根据检测结果计算实例级困难分数、类级困难分数及类相同权重；再对未标注实例级标签图像进行检测，基于类相关权重和熵计算图像级困难分数并确定候选图像；根据对候选图像的检测结果计算每两幅候选图像的相似度，确定候选图像的聚类中心，聚类后确定有价值图像。本发明能够进一步地精炼全监督的物体检测器。

公开(公告)号：CN118411647A

公开(公告)日：2024-07-30

申请号：CN202410448620.5

申请日：2024-04-15

Applicant: 哈尔滨工业大学

Inventor： 董娜 ,  张永强 ,  张印 ,  丁明理 ,  田瑞 ,  朱月熠 ,  张子安 ,  张漫

IPC: G06V20/40 ,  G06V10/25 ,  G06V10/774 ,  G06V10/764 ,  G06V10/75 ,  G06V10/82

Abstract: 一种基于两阶段训练和多视图自标注策略的开放世界目标检测方法，它属于计算机视觉中的目标检测技术领域。本发明解决了现有基于封闭世界假设设计的目标检测方法会对真值标签不存在的未知新类别造成误检、漏检的问题。本发明基于基础模型Deformable‑DETR引入一个类别不可知的二分类头，并提出两阶段的模型训练方法。第一阶段，二分类头将所有预测输出二分类为前景或者背景；第二阶段，提出多视图自标注策略和一致性约束方法，基于当前已知类别的数据集微调模型的投影层、分类头和二分类头的参数，冻结其他类别不可知模块的参数。训练好的模型可以对已知类别的目标进行正确分类，并将未知类别的目标识别出来。本发明方法可以应用于开放世界目标检测。

公开(公告)号：CN115439688B

公开(公告)日：2023-06-16

申请号：CN202211066364.0

申请日：2022-09-01

Applicant: 哈尔滨工业大学

Inventor： 张永强 ,  丁明理 ,  田瑞 ,  张印 ,  张子安 ,  张漫

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06T7/73 ,  G06V10/22 ,  G06N3/048 ,  G06N3/0895

Abstract: 一种基于周围区域感知与关联的弱监督物体检测方法，涉及物体检测技术领域，针对现有技术中弱监督物体检测容易收敛于局部最优解，直观表现为只能检测到物体最有判别力的区域，而不是全部物体区域，导致物体定位失败，进而导致检测精度低的问题，本申请解决了弱监督物体检测方法中检测精度低和收敛于局部最优解的问题，突破了弱监督不存在提高定位精度的模块的局限，降低了物体检测技术对昂贵的人工标注的需求。本发明属于在实际应用场景中，物体检测的基础性技术研究工作，在一定程度上推动了人工智能深度学习的物体检测技术的落地，弥补了弱监督与全监督物体检测的差距。

公开(公告)号：CN116206142A

公开(公告)日：2023-06-02

申请号：CN202211105275.2

申请日：2022-09-09

Applicant: 哈尔滨工业大学

Inventor： 张永强 ,  丁明理 ,  张印 ,  田瑞 ,  张子安 ,  张漫

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/40 ,  G06N3/08 ,  G06N3/0464

Abstract: 一种基于退化网络特征学习的压缩图像目标检测方法，涉及计算机视觉技术领域，针对现有技术中目标检测方法利用缩略图进行检测以减少计算量时，会存在准确率降低，甚至为零的问题，本申请首先通过监督的方法学习到一个缩略图，然后将产生的缩略图送入未改变网络结构的目标检测器中，通过这样的方法可以极大地减少计算量和内存占用。本申请的降采样模块能够充分利用卷积神经网络强大的特征提取能力从原始大尺寸图像中生成缩略图。该缩略图是在图像降采样损失、知识蒸馏损失以及目标检测损失的监督下生成的，因此它具有原始图像关键的信息，可以替代原始图像进行目标检测任务。并且通过学习得到的缩略图在目标检测效果上比传统的插值方法要好很多。

公开(公告)号：CN115439688A

公开(公告)日：2022-12-06

申请号：CN202211066364.0

申请日：2022-09-01

Applicant: 哈尔滨工业大学

Inventor： 张永强 ,  丁明理 ,  田瑞 ,  张印 ,  张子安 ,  张漫

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06T7/73 ,  G06V10/22 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于周围区域感知与关联的弱监督物体检测方法，涉及物体检测技术领域，针对现有技术中弱监督物体检测容易收敛于局部最优解，直观表现为只能检测到物体最有判别力的区域，而不是全部物体区域，导致物体定位失败，进而导致检测精度低的问题，本申请解决了弱监督物体检测方法中检测精度低和收敛于局部最优解的问题，突破了弱监督不存在提高定位精度的模块的局限，降低了物体检测技术对昂贵的人工标注的需求。本发明属于在实际应用场景中，物体检测的基础性技术研究工作，在一定程度上推动了人工智能深度学习的物体检测技术的落地，弥补了弱监督与全监督物体检测的差距。

公开(公告)号：CN118781434A

公开(公告)日：2024-10-15

申请号：CN202410997246.4

申请日：2024-07-24

Applicant: 哈尔滨工业大学

Inventor： 张漫 ,  张永强 ,  张印 ,  张子安 ,  朱月熠 ,  田瑞 ,  左旺孟 ,  丁明理

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/25 ,  G06N3/0455 ,  G06N3/0464 ,  G06V10/80

Abstract: 一种基于流式感知的在线目标检测方法，属于自动驾驶中基于计算机视觉的物体检测技术领域。本发明针对现有目标检测模型的计算量大并且不能准确检测变化环境中连续目标物体的问题。包括对当前帧图像采用目标检测模型进行检测获得当前帧检测结果；结合前一帧检测结果进行关联帧损失的计算，并调整目标检测模型的模型参数，得到训练后目标检测模型；将训练后目标检测模型用于车辆行驶过程中的在线目标检测；所述目标检测模型包括特征编码加速模块、混合查询选择模块和解码层；将前一帧检测结果通过投影模块投影到当前帧检测结果上，根据当前帧检测结果和前一帧检测结果的投影计算得到关联帧损失。本发明用于自动驾驶中在线目标检测。

公开(公告)号：CN118570526A

公开(公告)日：2024-08-30

申请号：CN202410639659.5

申请日：2024-05-22

Applicant: 哈尔滨工业大学

Inventor： 田瑞 ,  张永强 ,  张印 ,  张子安 ,  张漫 ,  朱月熠 ,  丁明理 ,  李永强

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06V10/766 ,  G06T9/00

Abstract: 一种基于区域感知与测试时自适应的弱监督物体检测方法，属于计算机视觉中的物体检测技术领域。本发明针对现有弱监督检测中过多的候选区域造成计算复杂度高，并且保留高分类分数候选区域易造成区域内检测物体不完整的问题。包括采用区域感知框架获得初步完整目标候选区域：基于初级候选区域与原始图像特征图获得初级候选区域空间特征图；再得到高维非线性特征，进而得到区域嵌入；结合类别嵌入获得相似度图，再确定初步完整目标候选区域；再采用弱监督检测器进行目标位置预测，获得检测目标的查询区域和键区域；查询区域与键区域再经过无监督对比学习模块的融合过程得到物体检测结果。本发明用于训练数据标注信息稀缺情况下的物体检测。