-
公开(公告)号：CN117636050A
公开(公告)日：2024-03-01
申请号：CN202311686412.0
申请日：2023-12-09
Applicant: 沈阳工程学院
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于可变形快速卷积的光伏组件缺陷识别方法，包括如下步骤：S1：将图像输入Ghost卷积神经网络，通过Ghost卷积神经网络提取图像的特征；S2：通过C2f模块将不同尺度的特征图进行融合；S3：为了更好地适应检测目标的几何形变，将DCN和C2f融合形成新的C2f_DCN可变形特征融合模块；S4：将特征输入Ghost卷积神经网络，3次交替通过Ghost卷积神经网络和C2f_DCN可变形特征融合模块进行卷积和特征融合，进一步贴近目标形状提取特征；S5：将特征输入SPPF特征提取层，用于捕捉图像中不同尺度目标的特征,并处理不同尺度的感受野。
-
公开(公告)号：CN114170675A
公开(公告)日：2022-03-11
申请号：CN202111326022.3
申请日：2021-11-10
Applicant: 沈阳工程学院
IPC: G06V40/20 , G06K9/62 , G06T7/11 , G06T7/194 , G06V10/762
Abstract: 本发明属于图像识别领域，为一种基于MRF超像素标记的人体姿态估计方法，将目标图像分割为若干特征相似的超像素图像块，采用超像素MRF模型对超像素图像块的部位标记；以一个超像素为步长完成整幅图像的遍历，将超像素中心作为姿态估计算法中矩形部位检测器的匹配中心，构建以超像素中心点为中心的矩形区域集合，获得目标图像的部位搜索空间；计算K个部位检测器与部位搜索空间内所有矩形的部位匹配分数。根据部位形变模型计算相邻部位的距离分数；将所有部位的部位匹配分数与距离分数相加得到总体姿态估计得分，选择总分最高的姿态作为各个部位的识别结果。解决姿态估计算法部位搜索效率低、易受背景和其他人体部位干扰的问题。
-
公开(公告)号：CN114170621A
公开(公告)日：2022-03-11
申请号：CN202111325974.3
申请日：2021-11-10
Applicant: 沈阳工程学院
IPC: G06V40/10 , G06V10/40 , G06V10/74 , G06V10/774 , G06K9/62
Abstract: 本发明属于视频技术领域，具体地而言为一种基于组合模型的视频人体姿态推理优化方法，包括将人体整体结构划分为若干树型组合部位，每个组合部位包含有多个线性的基本部位，对单个组合部位在视频中所有帧的一致性计算，求每个组合部位一致性计算结果的最大化获得候选部位集合，计算每一帧候选部位之间的距离得分，根据所有组合部位的得分总和最优化获得最佳姿态。解决视频中姿态估计的正确率较低、推理优化复杂度高的问题，简化姿态推理过程中的结构复杂度。
-
Patent Agency Ranking
公开(公告)号：CN117274773A
公开(公告)日：2023-12-22
申请号：CN202311213793.0
申请日：2023-09-19
Applicant: 沈阳工程学院
IPC: G06V10/82 , G06V10/80 , G06V10/77 , G06V10/52 , G06V10/44 , G06V10/46 , G06V10/25 , G06V10/764 , G06V20/10 , G06N3/0464 , G06N3/045 , G06N3/048 , G06N3/08 , G06V20/17
Abstract: 本发明属于一种光伏板缺陷识别方法，包括如下步骤：对图像进行下采样，降低特征的维度并保留有效信息；对有效信息进行卷积，实现特征提取和分类，并提取丰富的特征表示；将DCN和C3融合形成新的C3_DCN可变形卷积层，能更好地适应检测目标的几何形变；将特征输入C3_DCN可变形卷积层；将特征输入特征提取层，用于处理不同尺度的感受野，并捕捉图像中不同尺度目标的特征；将特征输入上下文注意力网络；将特征经过上采样放大后输入上下文增强模块，结果为x1；将特征经过上采样放大后进行卷积，再进行检测结果为x2；将特征直接进行卷积，再进行检测结果为x3；采用非极大值抑制法在x1,x2,x3中筛选出最终结果。提高了精度以及计算效率。
-
公开(公告)号：CN111627052B
公开(公告)日：2023-05-23
申请号：CN202010360993.9
申请日：2020-04-30
Applicant: 沈阳工程学院
IPC: G06T7/269 , G06V40/20 , G06V10/764
Abstract: 本发明公开了一种基于双流时空注意力机制的动作识别方法T‑STAM，包括如下步骤：S1：对视频进行处理获取RGB帧的光流图；S2：将通道注意力网络SE‑Net融入到双流基础网络BN‑Inception中得到SE‑BN‑Inception；S3：将选取的RGB帧及光流场信息输入到SE‑BN‑Inception中，对特征中不同通道的依赖关系进行建模得到视频的特征向量X；S4：将特征X输入到基于CNN的时间注意力网络来计算每帧对应的时间注意力得分；S5：将特征X输入到多空间注意力网络，提取帧的多个运动空间显著区域；S6：融合时空特征进一步增强视频的特征表达，按不同权重融合两流输出得到动作识别结果。
-
公开(公告)号：CN111627052A
公开(公告)日：2020-09-04
申请号：CN202010360993.9
申请日：2020-04-30
Applicant: 沈阳工程学院
Abstract: 本发明公开了一种基于双流时空注意力机制的动作识别方法T-STAM，包括如下步骤：S1：对视频进行处理获取RGB帧的光流图；S2：将通道注意力网络SE-Net融入到双流基础网络BN-Inception中得到SE-BN-Inception；S3：将选取的RGB帧及光流场信息输入到SE-BN-Inception中，对特征中不同通道的依赖关系进行建模得到视频的特征向量X；S4：将特征X输入到基于CNN的时间注意力网络来计算每帧对应的时间注意力得分；S5：将特征X输入到多空间注意力网络，提取帧的多个运动空间显著区域；S6：融合时空特征进一步增强视频的特征表达，按不同权重融合两流输出得到动作识别结果。
-
公开(公告)号：CN119992292A
公开(公告)日：2025-05-13
申请号：CN202510049838.8
申请日：2025-01-13
Applicant: 沈阳工程学院
IPC: G06V10/94 , G06V10/96 , G06V40/20 , G06V20/52 , G06V20/40 , G06V10/44 , G06V10/62 , G06V10/80 , G06V10/762 , G06V10/764 , G06V10/82 , G06V10/84 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/092 , H04L67/60 , H04L67/10 , H04L67/12 , H04W28/084 , H04W28/08 , G06N3/048
Abstract: 本发明公开了一种适合人体动作识别的双阶段边缘计算任务卸载方法，包括如下步骤：采用终端监控设备捕获视频，在边缘计算的环境下，通过两阶段的人体动作识别任务卸载策略，对人体动作识别任务进行卸载，其中全局任务智能调度负责选择最优服务器，单任务分层方法负责确定每个任务的卸载百分比。之后，采用动态部位聚类图卷积动作识别网络，捕捉身体部分间的相互作用，以低计算代价完成动作识别。该适合人体动作识别的双阶段边缘计算任务卸载策略解决了人体动作识别在边缘计算环境中的计算卸载与资源优化问题，提高了安全监控中对危险及异常行为判断的准确率和效率。
-
公开(公告)号：CN114170675B
公开(公告)日：2024-10-25
申请号：CN202111326022.3
申请日：2021-11-10
Applicant: 沈阳工程学院
IPC: G06V40/20 , G06T7/11 , G06T7/194 , G06V10/762
Abstract: 本发明属于图像识别领域，为一种基于MRF超像素标记的人体姿态估计方法，将目标图像分割为若干特征相似的超像素图像块，采用超像素MRF模型对超像素图像块的部位标记；以一个超像素为步长完成整幅图像的遍历，将超像素中心作为姿态估计算法中矩形部位检测器的匹配中心，构建以超像素中心点为中心的矩形区域集合，获得目标图像的部位搜索空间；计算K个部位检测器与部位搜索空间内所有矩形的部位匹配分数。根据部位形变模型计算相邻部位的距离分数；将所有部位的部位匹配分数与距离分数相加得到总体姿态估计得分，选择总分最高的姿态作为各个部位的识别结果。解决姿态估计算法部位搜索效率低、易受背景和其他人体部位干扰的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.024 seconds)
