公开(公告)号：CN110782420A

公开(公告)日：2020-02-11

申请号：CN201910886472.4

申请日：2019-09-19

Applicant: 杭州电子科技大学

Inventor： 姜明 ,  何利飞 ,  张旻 ,  李鹏飞 ,  汤景凡

IPC: G06T5/50

Abstract: 本发明公开了一种基于深度学习的小目标特征表示增强方法。本发明步骤如下：步骤1、在包含超过1400万张图像，涵盖20000个类别的超大规模数据库上预训练神经网络模型Faster R-CNN；步骤2、读取输入的图像数据；步骤3、通过卷积神经网络生成特征图，建立特征图空间金字塔；步骤4、从注意力机制模块中获得特征图权重；步骤5、按照获得的权重融合了来自不同层次的特征图；步骤6、对特征图进行了检测和定位；步骤7、针对指定任务重复步骤3到6继续训练神经网络模型，直至网络达到最优值。我们的方法增强了显著特征的影响，并且有效地结合了深层语义和浅层高分辨率的卷积神经网络特征，因此提高了整体目标检测精度。

公开(公告)号：CN112926669A

公开(公告)日：2021-06-08

申请号：CN202110259286.5

申请日：2021-03-09

Applicant: 杭州电子科技大学

Inventor： 姜明 ,  何利飞 ,  张旻 ,  李鹏飞

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于特征增强的隧道裂缝快速检测方法。本发明步骤：(1)使用特征提取模块、特征融合模块和注意力机制模块，构建初始卷积神经网络LFDNet；(2)在MSCOCO数据集上对初始卷积神经网络LFDNet进行预训练得到基础检测模型；(3)收集多种场景下的隧道裂缝图片，标注所有收集的裂缝图片中的裂缝，从而形成一个专门的隧道裂缝数据集；使用隧道裂缝数据集对基础检测模型进行训练得到最终的裂缝检测网络LFDNet；(4)将测试裂缝图片输入最终的裂缝检测网络LFDNet，检测出该裂缝图片中是否存在裂缝以及裂缝的位置信息。本发明能够较为快速、准确的检测出隧道内的裂缝，可用性强。

公开(公告)号：CN112926669B

公开(公告)日：2022-03-08

申请号：CN202110259286.5

申请日：2021-03-09

Applicant: 杭州电子科技大学

Inventor： 姜明 ,  何利飞 ,  张旻 ,  李鹏飞

IPC: G06V10/774 ,  G06N3/04

Abstract: 本发明公开了一种基于特征增强的隧道裂缝快速检测方法。本发明步骤：(1)使用特征提取模块、特征融合模块和注意力机制模块，构建初始卷积神经网络LFDNet；(2)在MSCOCO数据集上对初始卷积神经网络LFDNet进行预训练得到基础检测模型；(3)收集多种场景下的隧道裂缝图片，标注所有收集的裂缝图片中的裂缝，从而形成一个专门的隧道裂缝数据集；使用隧道裂缝数据集对基础检测模型进行训练得到最终的裂缝检测网络LFDNet；(4)将测试裂缝图片输入最终的裂缝检测网络LFDNet，检测出该裂缝图片中是否存在裂缝以及裂缝的位置信息。本发明能够较为快速、准确的检测出隧道内的裂缝，可用性强。

公开(公告)号：CN111507359A

公开(公告)日：2020-08-07

申请号：CN202010159455.3

申请日：2020-03-09

Applicant: 杭州电子科技大学

Inventor： 姜明 ,  何利飞 ,  张旻 ,  李鹏飞 ,  汤景凡

IPC: G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种图像特征金字塔的自适应加权融合方法。本发明步骤：1.首先在计算机视觉有名的超大规模数据库ImageNet上预训练神经网络模型；2.将二次训练用的训练集数据输入预训练神经网络模型；3.针对训练集中的目标检测任务，重复步骤4-8继续训练神经网络模型，直至网络能够准确的检测训练集中的图片；4.使用步骤(1)预训练后的神经网络模型提取图片的特征图；5.把获得的特征图按分辨率建立特征图金字塔模型；6.计算每一层特征图在整个金字塔模型中的重要程度；7.根据特征图在金字塔模型中的重要程度，对每一层特征图分配不同的权重；8.对特征图按照所分配的权重进行融合，然后进行检测。本发明提高目标定位和分类的准确性。