公开(公告)号：CN112052877A

公开(公告)日：2020-12-08

申请号：CN202010782565.5

申请日：2020-08-06

Applicant: 杭州电子科技大学

Inventor： 吕岱霖 ,  戚武滕 ,  王亚奇 ,  王琳艳 ,  章一帆 ,  孙玲玲

IPC: G06K9/62 ,  G06K9/68 ,  G06N3/04 ,  G06T7/11

Abstract: 本发明公开了一种基于级联增强网络的图片细粒度分类方法。主要包括构建级联了SEME‑ResNet50和SEME‑DenseNet169的Cascade‑SEMEnet网络结构、用自适应的直方图均衡化方法对原始数据进行预处理、在网络中添加MoEx、SE、和GAP模块来增强图像特征、改变网络对各通道的满意度以及使网络获得更大的感受野。然后利用了区域学习的训练方法，来减轻非目标特征对网络训练造成的影响。评估结果证明该方法也能够有效的修正非目标特征对网络造成的影响。最后使用Grad‑CAM可视化了网络的判断依据，定位出可能的目标特征区域，来验证网络有效性的。本发明能够避免神经网络在训练过程中学习错误的信息，加强神经网络分类的有效性。

公开(公告)号：CN112052877B

公开(公告)日：2024-04-09

申请号：CN202010782565.5

申请日：2020-08-06

Applicant: 杭州电子科技大学

Inventor： 吕岱霖 ,  戚武滕 ,  王亚奇 ,  王琳艳 ,  章一帆 ,  孙玲玲

IPC: G06V10/774 ,  G06V10/764 ,  G06V30/24 ,  G06V10/82 ,  G06N3/0464 ,  G06T7/11

Abstract: 本发明公开了一种基于级联增强网络的图片细粒度分类方法。主要包括构建级联了SEME‑ResNet50和SEME‑DenseNet169的Cascade‑SEMEnet网络结构、用自适应的直方图均衡化方法对原始数据进行预处理、在网络中添加MoEx、SE、和GAP模块来增强图像特征、改变网络对各通道的满意度以及使网络获得更大的感受野。然后利用了区域学习的训练方法，来减轻非目标特征对网络训练造成的影响。评估结果证明该方法也能够有效的修正非目标特征对网络造成的影响。最后使用Grad‑CAM可视化了网络的判断依据，定位出可能的目标特征区域，来验证网络有效性的。本发明能够避免神经网络在训练过程中学习错误的信息，加强神经网络分类的有效性。

公开(公告)号：CN116935274A

公开(公告)日：2023-10-24

申请号：CN202310888432.X

申请日：2023-07-19

Applicant: 杭州电子科技大学

Inventor： 朱素果 ,  戚武滕 ,  俞俊

IPC: G06V20/40 ,  G06V10/774 ,  G06V10/74 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明公开了一种基于模态特征对齐的弱监督跨模态视频定位方法，首先进行数据预处理，提取视频和文本的初始模态特征；构建网络整体架构以及设计损失函数；然后进行模型训练，优化网络参数；最后根据训练好的网络模型生成定位检测结果。本发明在跨模态交互前引入了特征对齐模块，该模块能够有效地使两种模态的空间距离变小，还能够学习非匹配样本之间的差异。并在正候选片段学习时将最优正候选片段作为伪标签，使与最优正候选片段的交并比较大的正候选片段也能够参与训练，增加正候选片段之间的交互性。