公开(公告)号：CN112016605B

公开(公告)日：2022-05-27

申请号：CN202010837568.4

申请日：2020-08-19

Applicant: 浙江大学

Inventor： 郑途 ,  蔡登 ,  刘子立

IPC: G06V10/764 ,  G06V10/774 ,  G06K9/62

Abstract: 本发明公开了一种基于边界框角点对齐和边界匹配的目标检测方法，包括以下步骤：(1)获取真实场景图片，标注目标物体的类别和边界框位置，构成训练数据集；(2)将训练数据集中的图片输入检测模型，获得图片中物体的预测类别分布和预测边界框位置；(3)构建损失函数，分别计算物体的分类损失和边界框的定位损失；(4)优化上述分类损失和定位损失的损失函数，选择训练数据集中的图片，重复步骤(2)和(3)，达到预设训练次数后结束训练；(5)检测模型训练完毕，选择待检测的图片输入模型，得到目标的类别和边界框位置。利用本发明，可以使得网络注重对重合度比较低的边界框的学习，提升整体检测精度。

公开(公告)号：CN113326892A

公开(公告)日：2021-08-31

申请号：CN202110691161.X

申请日：2021-06-22

Applicant: 浙江大学

Inventor： 刘洋 ,  蔡登 ,  张伟锋 ,  项超 ,  郑途

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于关系网络的少样本图像分类方法，包括：(1)神经网络模型前向推导查询图像和支持图像的局部视觉特征表示；(2)构建双向附属关系网络挖掘查询图像和支持图像集中的局部特征的深层关联性；(3)根据关系网络的图网络中心性进行查询图像的分类概率预测；(4)使用带有标签的图像数据集进行少样本任务划分后训练神经网络模型(5)根据与支持图像集中各类之间的分类概率进行排序，选取最大分类概率的类作为该图像的类预测。利用本发明，可以使得少样本图像分类在训练过程中的局部特征的关联性得到充分挖掘，使得分类的结果更加准确。

公开(公告)号：CN112633382A

公开(公告)日：2021-04-09

申请号：CN202011561516.5

申请日：2020-12-25

Applicant: 浙江大学

Inventor： 刘洋 ,  蔡登 ,  郑途 ,  张毅 ,  何晓飞

IPC: G06K9/62

Abstract: 本发明公开了一种基于互近邻的少样本图像分类方法及系统，其中，少样本图像分类方法包括：(1)神经网络模型前向推导查询图像和支持图像的视觉特征表示；(2)使用互近邻算法筛选少样本分类中与任务相关的局部特征描述符；(3)使用筛选得到的描述符计算查询图像和支持图像集中各类之间的相似度；(4)使用带有标签的图像数据集进行少样本任务划分后训练神经网络模型；(5)根据与支持图像集中各类之间的相似度进行排序，选取最大相似度的类作为该图像的类预测。利用本发明，可以使得少样本图像分类在训练过程中，排除大量来自背景的局部特征描述符对相似度计算的干扰，使得分类的结果更加鲁棒。

公开(公告)号：CN112633382B

公开(公告)日：2024-02-13

申请号：CN202011561516.5

申请日：2020-12-25

Applicant: 浙江大学

Inventor： 刘洋 ,  蔡登 ,  郑途 ,  张毅 ,  何晓飞

IPC: G06V10/764 ,  G06V10/74 ,  G06V10/771 ,  G06V10/82

Abstract: 本发明公开了一种基于互近邻的少样本图像分类方法及系统，其中，少样本图像分类方法包括：(1)神经网络模型前向推导查询图像和支持图像的视觉特征表示；(2)使用互近邻算法筛选少样本分类中与任务相关的局部特征描述符；图像集中各类之间的相似度；(4)使用带有标签的图像数据集进行少样本任务划分后训练神经网络模型；(5)根据与支持图像集中各类之间的相似度进行排序，选取最大相似度的类作为该图像的类预测。利用本发明，可以使得少样本图像分类在训练过程中，排除大量来自背景的局部特征描述符对相似度计算的干扰，使得分类的结果更加鲁棒。(3)使用筛选得到的描述符计算查询图像和支持

公开(公告)号：CN112016605A

公开(公告)日：2020-12-01

申请号：CN202010837568.4

申请日：2020-08-19

Applicant: 浙江大学

Inventor： 郑途 ,  蔡登 ,  刘子立

IPC: G06K9/62

Abstract: 本发明公开了一种基于边界框角点对齐和边界匹配的目标检测方法，包括以下步骤：(1)获取真实场景图片，标注目标物体的类别和边界框位置，构成训练数据集；(2)将训练数据集中的图片输入检测模型，获得图片中物体的预测类别分布和预测边界框位置；(3)构建损失函数，分别计算物体的分类损失和边界框的定位损失；(4)优化上述分类损失和定位损失的损失函数，选择训练数据集中的图片，重复步骤(2)和(3)，达到预设训练次数后结束训练；(5)检测模型训练完毕，选择待检测的图片输入模型，得到目标的类别和边界框位置。利用本发明，可以使得网络注重对重合度比较低的边界框的学习，提升整体检测精度。