公开(公告)号：CN119107446A

公开(公告)日：2024-12-10

申请号：CN202411248474.8

申请日：2024-09-06

Applicant: 常州大学

Inventor： 王明亮 ,  李宁 ,  杨高朝 ,  袁宝华 ,  李博

IPC: G06V10/25 ,  G06V10/774 ,  G06V10/82 ,  G06V10/40 ,  G06N3/096 ,  G06N3/045 ,  G06V10/80 ,  G06V10/74

Abstract: 本发明涉及目标检测领域，具体涉及一种小样本目标的检测方法、装置、设置及可读存储介质。小样本目标的检测方法包括：利用训练好的小样本目标检测模型对目标图片进行检测，输出目标检测结果；其中，小样本目标检测模型的骨干网络之后增加有背景抑制模块、多尺度特征提取模块和综合原型金字塔蒸馏模块，所述背景抑制模块用于抑制支持特征中的背景特征；所述多尺度特征提取模块对背景抑制后的支持特征进行多尺度池化、融合；所述综合原型金字塔蒸馏模块用于对多尺度池化、融合后的特征进行层级蒸馏。本发明可以提取到更纯净的类原型，泛化性强，能够准确检测出小样本目标。

公开(公告)号：CN114283280A

公开(公告)日：2022-04-05

申请号：CN202111469099.6

申请日：2021-12-03

Applicant: 常州大学

Inventor： 李宁 ,  徐守坤 ,  黄河 ,  石林 ,  庄丽华 ,  袁宝华 ,  顾玉宛 ,  刘毅 ,  张铤波 ,  李治邦

IPC: G06V10/25 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及图像识别技术领域，尤其涉及一种基于改进卷积神经网络的水面漂浮垃圾识别方法，包括S1、对水面漂浮垃圾图像数据集进行扩充；S2、将ResNet50作为特征提取网络层，采用金字塔式锚框生成锚框，经Soft‑NMS筛选出疑似垃圾的多个目标候选框，ROI Pooling基于候选框映射的分类判别图来对目标进行分类和回归；S3、对改进后Faster RCNN网络进行模型训练；S4、对测试集进行测试。本发明在原始Faster RCNN上提出金字塔式锚框生成方式提升光照反射不均时检测准确率；针对目标尺寸占比太小，提出分类判别图提升小目标检测准确率，并采取Soft‑NMS，提升遮挡目标检测准确率。

公开(公告)号：CN116188928A

公开(公告)日：2023-05-30

申请号：CN202310102092.3

申请日：2023-02-07

Applicant: 常州大学

Inventor： 袁宝华 ,  肖德豪 ,  石林 ,  陈佳璐 ,  汤瑞

IPC: G06V10/80 ,  G06V10/82 ,  G06V10/26 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及图像处理技术领域，尤其涉及基于CNN与Transformer的四轴向融合方法，包括将医学图像分割数据集剪裁，并转成RGB格式；通过CNN分支编码器和Transformer分支编码器提取图像特征，并通过四轴向融合模块将CNN分支编码器和Transformer分支编码器的图像特征进行融合并输出特征图；将输出特征图送入解码器进行还原。本发明结合了CNN和Transformer的优势，使用CNN缓解Transformer局部性的不足，使用Transformer缓解CNN全局性的不足；采用四轴融合方法不仅关注更多方向的区域，更有利于病灶边缘的分割，而且大大减少了计算量，从而提高了分割性能。

公开(公告)号：CN115035065A

公开(公告)日：2022-09-09

申请号：CN202210660658.X

申请日：2022-06-13

Applicant: 常州大学

Inventor： 徐守坤 ,  钟梅嘉 ,  李宁 ,  庄丽华 ,  石林 ,  袁宝华 ,  刘毅 ,  黄河 ,  顾玉宛 ,  王雪元

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的道路裂缝检测方法，包括：获取多个道路裂缝图片，将多个所述道路裂缝图片划分为训练集、验证集和测试集；搭建U‑Net网络，所述U‑Net网络具有编码部分和解码部分，编码部分和解码部分各有5层；利用边缘细化模块取代所述编码部分中传统的双层卷积结构，每层包含3个边缘细化模块，在所述U‑Net网络的底部设计基于注意力机制的多尺度融合模块，在所述解码部分的第2、3、4层分别设计融合优化模块，得到改进U‑Net网络；将训练集和验证集加载到所述改进U‑Net网络进行训练和验证，保存效果最好的模型；用所述效果最好的模型对所述测试集中的道路裂缝图片进行测试，得到测试结果。它可以减少道路裂缝漏检误检现象。

公开(公告)号：CN116863306A

公开(公告)日：2023-10-10

申请号：CN202310947525.5

申请日：2023-07-31

Applicant: 常州大学

Inventor： 李宁 ,  王明亮 ,  李博 ,  汪立博 ,  杨高朝 ,  袁宝华 ,  徐守坤

IPC: G06V10/82 ,  G06V10/774 ,  G06V10/80 ,  G06V10/74 ,  G06V10/764 ,  G06V10/30 ,  G06T5/00 ,  G06T5/30

Abstract: 本发明涉及一种基于改进YOLOv6网络模型的水面漂浮小目标的检测方法，包括：采用预先训练好的改进YOLOv6网络模型对水面漂浮目标图像进行检测，输出水面小目标检测结果；其中，所述改进YOLOv6网络模型采用细节信息增强模块提高对小目标的细节信息提取能力，采用自适应噪声抑制模块抑制噪声，使用标准化的高斯Wasserstein距离来计算模型训练中的回归损失。本发明能够准确检测出水面的漂浮小目标。

公开(公告)号：CN116051945A

公开(公告)日：2023-05-02

申请号：CN202310041351.6

申请日：2023-01-13

Applicant: 常州大学

Inventor： 袁宝华 ,  陈佳璐 ,  李宁 ,  肖德豪 ,  汤瑞

IPC: G06V10/80 ,  G06V10/82 ,  G06V10/26 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明涉及图像处理技术领域，尤其涉及一种基于CNN‑Transformer并行融合方法，包括：通过PCTNet网络的编码器提取待分割的医学图像特征，PaFusion‑encoder由两个分支组成；CNN分支感受野逐渐增大，特征编码从局部到全局；Transformer分支，采用全局自注意力与CNN分支中同等分辨率大小的特征图组成的并行融合模块，最大限度地保留了局部特征和全局特征。本发明通过充分挖掘CNN和Transformer各自的优点，提出基于医学图像分割的CNN和Transformer并行融合网络，进而整合图像中粗粒度和细粒度信息。

公开(公告)号：CN115035065B

公开(公告)日：2025-05-02

申请号：CN202210660658.X

申请日：2022-06-13

Applicant: 常州大学

Inventor： 徐守坤 ,  钟梅嘉 ,  李宁 ,  庄丽华 ,  石林 ,  袁宝华 ,  刘毅 ,  黄河 ,  顾玉宛 ,  王雪元

IPC: G06T7/00 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/776 ,  G06N3/08 ,  G06N3/048

Abstract: 本发明公开了一种基于深度学习的道路裂缝检测方法，包括：获取多个道路裂缝图片，将多个所述道路裂缝图片划分为训练集、验证集和测试集；搭建U‑Net网络，所述U‑Net网络具有编码部分和解码部分，编码部分和解码部分各有5层；利用边缘细化模块取代所述编码部分中传统的双层卷积结构，每层包含3个边缘细化模块，在所述U‑Net网络的底部设计基于注意力机制的多尺度融合模块，在所述解码部分的第2、3、4层分别设计融合优化模块，得到改进U‑Net网络；将训练集和验证集加载到所述改进U‑Net网络进行训练和验证，保存效果最好的模型；用所述效果最好的模型对所述测试集中的道路裂缝图片进行测试，得到测试结果。它可以减少道路裂缝漏检误检现象。

公开(公告)号：CN118823352A

公开(公告)日：2024-10-22

申请号：CN202411030316.5

申请日：2024-07-30

Applicant: 常州大学

Inventor： 袁宝华 ,  吴旭东 ,  马瑾 ,  秦其乐 ,  汤瑞

IPC: G06V10/26 ,  G06V10/44 ,  G06V10/46 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及图像分割技术领域，尤其涉及一种基于深度学习的2D医学图像分割方法，包括采集医学图像数据集；构建CNN分支和Transformer分支，利用CNN分支提取局部特征，利用Transformer分支提取全局特征；构建CAF模块，将局部特征和全局特征输入CAF模块中进行第一特征融合；在残差块中引入深度可分离卷积，将第一特征融合与Hadamard积进行第二特征融合；利用上采样、和跳跃连接融合不同层级的第二特征融合，得到融合后的图像特征；将第一层图像特征与解码第三上采样进行残差连接，再通过上采样得到分割结果。本发明解决现有CNN和Transformer特征融合时存在信息丢失问题。

公开(公告)号：CN117496348A

公开(公告)日：2024-02-02

申请号：CN202311468585.5

申请日：2023-11-07

Applicant: 常州大学

Inventor： 李宁 ,  张铤波 ,  李博 ,  杨高朝 ,  袁宝华 ,  汪立博

IPC: G06V20/10 ,  G06V10/774 ,  G06V10/26 ,  G06V20/70 ,  G06V10/44 ,  G06V10/75 ,  G06V10/74 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及图像处理技术领域，具体涉及一种基于小样本学习的水面垃圾识别方法，方法包括：构建水面垃圾识别的训练集和测试集，训练集和测试集均包括支持集和查询集，支持集中的图像为标注图像，查询集内的图像为未标注图像；构建基于特征匹配和场景解析的小样本语义分割模型，模型包括特征提取网络、瓶颈层和多尺度解码器，瓶颈层包括匹配模块和场景解析模块；利用训练集对模型进行训练，保存训练效果最好的模型权重；加载训练效果最好的模型及其权重，输入测试集中的水面垃圾图像进行识别。本发明结合场景解析的方法，在标注样本较少的情况下，通过匹配实现较高精度的识别。

公开(公告)号：CN115601627A

公开(公告)日：2023-01-13

申请号：CN202211285444.5

申请日：2022-10-20

Applicant: 常州大学(CN)

Inventor： 李宁 ,  张铤波 ,  袁浩珉 ,  徐守坤 ,  杨庆元 ,  袁宝华 ,  龚研

IPC: G06V20/00 ,  G06V10/26 ,  G06V10/30 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的水面垃圾识别方法，包括对水面垃圾识别数据集图片进行剪裁；将特征图与输入图通过残差连接相加后，得到抑制权重；输入图的每个通道分别与作差后的抑制权重逐元素相乘得到带权重的特征图；深层使用两个深度可分离卷积组成DSC模块，浅层使用Res模块；结合通道注意力机制的深度可分离卷积，得到一维的特征矢量，再使用一维卷积生成通道权重，最后将通道权重与原特征图相乘；编码器的Res模块和DSC模块后加入了ECA模块；解码器使用深度可分离卷积模块。本发明解决水面场景存在较多的反光、倒影等噪声干扰以及网络结构模型规模较大，占用存储空间大，消耗计算资源多的问题。