-
公开(公告)号：CN109359574A
公开(公告)日：2019-02-19
申请号：CN201811165201.1
申请日：2018-09-30
申请人： 宁波工程学院
摘要： 本发明提供一种基于信道级联的广域视场行人检测方法，包括步骤：S1、获取训练图像的级联信息层；S2、对最新的级联信息层进行训练，获取分类器；S3、提取待检测图像的特征后输入分类器中；步骤S1中包括：S11、对所有的训练图像进行最大池化处理；S12、对第一层池化特征图和第二层池化特征图进行卷积处理；S13、将新获取的级联信息层与下一层池化特征图进行卷积处理；S14、判断当前进行卷积处理的池化特征图是否为第N-a层池化特征图，若是，执行步骤S2；否则，执行步骤S33。上述方法有效改善了广域视场下行人检测问题，在减少小尺寸行人漏检率的同时，提高了整体行人检测精度，同时，信道级联策略也适用于其他网络设计。
-
-
公开(公告)号：CN114487981A
公开(公告)日：2022-05-13
申请号：CN202210085456.7
申请日：2022-01-25
申请人： 宁波工程学院
IPC分类号： G01R35/04
摘要： 本发明公开了一种模组化智能电能表成品检测装置，包括检测柜，且检测柜两侧壁均设有检测触头，所述检测柜外壁套设有矩形框，所述矩形框内壁设有对电能表对位的对位机构，且矩形框与检测柜之间设有驱动机构，所述检测触头上方设有对电能表位置进行固定的固定机构，此模组化智能电能表成品检测装置，通过矩形框同时带动前后两排的电能表进行移动，挤压机构同时对一排的电能表位置进行定位，提高插接效率，实现快速检测，矩形框带动电能表底部与限位套接触，通过导杆对限位套的位置进行固定，且卡扣杆与电能表的顶部相互卡接，从而对电能表的位置进行固定，确保检测的顺利进行。
-
公开(公告)号：CN109359574B
公开(公告)日：2021-05-14
申请号：CN201811165201.1
申请日：2018-09-30
申请人： 宁波工程学院
摘要： 本发明提供一种基于信道级联的广域视场行人检测方法，包括步骤：S1、获取训练图像的级联信息层；S2、对最新的级联信息层进行训练，获取分类器；S3、提取待检测图像的特征后输入分类器中；步骤S1中包括：S11、对所有的训练图像进行最大池化处理；S12、对第一层池化特征图和第二层池化特征图进行卷积处理；S13、将新获取的级联信息层与下一层池化特征图进行卷积处理；S14、判断当前进行卷积处理的池化特征图是否为第N‑a层池化特征图，若是，执行步骤S2；否则，执行步骤S33。上述方法有效改善了广域视场下行人检测问题，在减少小尺寸行人漏检率的同时，提高了整体行人检测精度，同时，信道级联策略也适用于其他网络设计。
-
公开(公告)号：CN109389605A
公开(公告)日：2019-02-26
申请号：CN201811157431.3
申请日：2018-09-30
申请人： 宁波工程学院
IPC分类号： G06T7/11
摘要： 本发明提供一种基于前景背景估计和分级区域关联的图像协同分割方法，所述方法包括步骤：S1、获取所有图像在不同尺度的超像素集合；S2、预估计每幅图像中的每个超像素类别标签和像素类别标签；S3、估计所有图像的前景高斯混合模型和背景高斯混合模型；S4、利用纹理分类器模型训练每幅图像对应的外观模型；S5、根据前景高斯混合模型、背景高斯混合模型、纹理分类器模型，以及图像集的图像之间超像素标注的一致性进行约束，估计图像的像素/超像素的标注；S6、更新估计所有图像的超像素类别标签和像素类别标签；S7、判断更新是否完成。上述方法克服了以往方法存在的需要具有明显前景和背景差异的先验约束，更具备鲁棒性。
-
公开(公告)号：CN109344771A
公开(公告)日：2019-02-15
申请号：CN201811158697.X
申请日：2018-09-30
申请人： 宁波工程学院
摘要： 本发明提供一种基于多重语义交互的递归式场景理解方法，方法包括步骤：提供一待检测图像，通过场景表面布局估计输出待检测图像的几何和语义本征图像；根据上述几何和语义本征图像辅助场景中的物理边界的推理，并通过结合推理出的物体边界信息和相机视点信息对图像场景中物体的相对深度关系进行估计；对待检测图像进行物体/视点检测，并结合深度关系的估计结果，获取最终检测结果。这种基于本征信息交互的反馈式设计能够有效改善前馈式系统存在的不足，并且具有良好的可扩展性。
-
公开(公告)号：CN109255833A
公开(公告)日：2019-01-22
申请号：CN201811157420.5
申请日：2018-09-30
申请人： 宁波工程学院
摘要： 本发明提供一种基于语义先验和渐进式优化宽基线致密三维场景重建方法，所述方法包括步骤：提供多幅不同视角的图像，将所有图像进行超像素分割，划分为具有局部同质性和非规则形状的超像素集合；获取图像中各个超像素的初始深度和不同视角图像之间的位置关系，将高层语义先验作为约束条件，将处于同一平面的相邻超像素区域进行区域合并；将合并的所有区域利用马尔可夫随机场模型进行深度估计，获取原始深度图；通过深度融合的方式丢弃错误的深度估计并将原始深度图中冗余的深度信息进行移除，获取最终三维场景。上述方法在不同的宽基线环境下均能够取得比传统方法更为稳定和精确的三维重建效果。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.023 秒)
