-
公开(公告)号：CN112070116B
公开(公告)日：2023-06-16
申请号：CN202010776758.X
申请日：2020-08-05
Applicant: 湖北工业大学
IPC: G06V10/764 , G06V10/56
Abstract: 本发明属于计算机视觉技术领域，公开了一种基于支持向量机的艺术画作自动分类系统及方法，包括图像预处理模块、艺术画作分类模块，图像预处理模块用于对待分类的艺术画作进行预处理，得到预处理后的艺术画作；艺术画作分类模块采用三级SVM分类器；第一级分类器采用偏态分类树，用于根据预处理后的艺术画作分类出素描画、非素描画；第二级分类器采用偏态分类树，用于根据非素描画分类出水彩画、油画；第三级分类器采用正态树，用于根据油画得到油画派别。本发明解决了现有技术中无法对不同风格的艺术画作进行自动分类的问题，能够更好地实现不同风格的艺术画作分类。
-
公开(公告)号：CN113516012B
公开(公告)日：2022-04-15
申请号：CN202110381418.1
申请日：2021-04-09
Applicant: 湖北工业大学
Abstract: 本发明公开了一种基于多层级特征融合的行人重识别方法及系统，通过构建行人重识别网络，包括骨干网络、分支网络和聚合模块；训练行人重识别网络，获得训练好的行人重识别网络；最后从视频中抽取图像帧，预处理后将图像送入训练好的行人重识别网络的骨干网络进行特征提取，同时利用分支网络通过卷积核的多尺度和多深度，提取不同尺度的细节信息；然后通过相加的方式将主干网络和各层级分支网络进行特征融合，输出行人重识别结果；本发明在显著提升了行人重识别效果的同时，不会带来过多的计算量，同时能够解决图像遮挡、拍摄角度变化、分辨率不高等现象所带来的行人重识别研究算法精度不高的问题。
-
公开(公告)号：CN114359886A
公开(公告)日：2022-04-15
申请号：CN202111639884.1
申请日：2021-12-29
Applicant: 湖北工业大学
IPC: G06V20/62 , G06V30/148 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多层次特征选择的自然场景文本识别方法.首先将原始图像使用空间变换网络进行文本矫正处理，将矫正后的图像构建场景文本图像训练集；其次将构建的场景文本图像训练集对多层次特征提取残差网络进行优化训练，得到优化后的多层次特征提取残差网络；接下来通过优化后的多层次特征提取残差网络来预测场景文本图像训练集中的多个数据信息及其类别信息，再使用序列转换的方式分别获得视觉特征序列、上下文特征序列和语义特征序列，并将三者结合成一个多层次特征序列集。最后构建多层次注意力解码器并对其进行优化训练，将多层次特征序列集输入到多层次注意力解码器中进行解码操作，得到最终预测的识别结果。
-
公开(公告)号：CN114359153A
公开(公告)日：2022-04-15
申请号：CN202111483734.6
申请日：2021-12-07
Applicant: 湖北工业大学
Abstract: 本发明属于计算机视觉技术，具体涉及一种基于改进CenterNet的绝缘子缺陷检测方法，为了使检测模型适应绝缘子及其缺陷特征尺度的差异，编码阶段采用特征分组和分离注意力的结构提取特征，并在之后加入空洞空间金字塔池化结构实现捕捉绝缘子及其缺陷的多尺度特征；为了减少解码网络中特征信息的丢失，将特征分组和分离注意力结构的不同层特征级联ECA注意力模块，并分别与经过SA空间金字塔注意力模块的各反卷积特征相加形成双重注意力特征融合；通过物体的热力图中心点回归物体的宽高、尺寸信息。该方法可以直接从数据学习得到特征，无需手工设计的特征，能够在背景复杂的巡检图像中实现准确的绝缘子缺陷检测。
-
公开(公告)号：CN113192076B
公开(公告)日：2022-03-15
申请号：CN202110381437.4
申请日：2021-04-09
Applicant: 湖北工业大学
Abstract: 本发明公开了一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，首先针对以序列为单位的切片组数据，去除每一个序列中不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；然后将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测；接着构建MRI脑肿瘤图像分割网络和训练MRI脑肿瘤图像分割网络；最后将需要检测的MRI肿瘤切片输入到分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。本发明有效解决了特征提取信息丢失问题，能够精确提取形状不规则的肿瘤区域。
-
Patent Agency Ranking
公开(公告)号：CN112070116A
公开(公告)日：2020-12-11
申请号：CN202010776758.X
申请日：2020-08-05
Applicant: 湖北工业大学
Abstract: 本发明属于计算机视觉技术领域，公开了一种基于支持向量机的艺术画作自动分类系统及方法，包括图像预处理模块、艺术画作分类模块，图像预处理模块用于对待分类的艺术画作进行预处理，得到预处理后的艺术画作；艺术画作分类模块采用三级SVM分类器；第一级分类器采用偏态分类树，用于根据预处理后的艺术画作分类出素描画、非素描画；第二级分类器采用偏态分类树，用于根据非素描画分类出水彩画、油画；第三级分类器采用正态树，用于根据油画得到油画派别。本发明解决了现有技术中无法对不同风格的艺术画作进行自动分类的问题，能够更好地实现不同风格的艺术画作分类。
-
公开(公告)号：CN114359153B
公开(公告)日：2024-08-02
申请号：CN202111483734.6
申请日：2021-12-07
Applicant: 湖北工业大学
IPC: G06T7/00 , G06N3/0464 , G06N3/08
Abstract: 本发明属于计算机视觉技术，具体涉及一种基于改进CenterNet的绝缘子缺陷检测方法，为了使检测模型适应绝缘子及其缺陷特征尺度的差异，编码阶段采用特征分组和分离注意力的结构提取特征，并在之后加入空洞空间金字塔池化结构实现捕捉绝缘子及其缺陷的多尺度特征；为了减少解码网络中特征信息的丢失，将特征分组和分离注意力结构的不同层特征级联ECA注意力模块，并分别与经过SA空间金字塔注意力模块的各反卷积特征相加形成双重注意力特征融合；通过物体的热力图中心点回归物体的宽高、尺寸信息。该方法可以直接从数据学习得到特征，无需手工设计的特征，能够在背景复杂的巡检图像中实现准确的绝缘子缺陷检测。
-
公开(公告)号：CN113192076A
公开(公告)日：2021-07-30
申请号：CN202110381437.4
申请日：2021-04-09
Applicant: 湖北工业大学
Abstract: 本发明公开了一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，首先针对以序列为单位的切片组数据，去除每一个序列中不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；然后将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测；接着构建MRI脑肿瘤图像分割网络和训练MRI脑肿瘤图像分割网络；最后将需要检测的MRI肿瘤切片输入到分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。本发明有效解决了特征提取信息丢失问题，能够精确提取形状不规则的肿瘤区域。
-
公开(公告)号：CN113486890A
公开(公告)日：2021-10-08
申请号：CN202110664914.8
申请日：2021-06-16
Applicant: 湖北工业大学
Abstract: 本发明属于计算机视觉技术领域，公开了基于注意力特征融合和空洞残差特征增强的文本检测方法，包括对包含文本的自然场景图片进行特征提取，得到多尺度特征图；对多尺度特征图中的顶层特征图进行降维处理，顶层特征图通过空洞残差特征增强模块生成全新的顶层特征图，全新的顶层特征图作为深层特征图参与后续的特征融合；采用双向特征金字塔与注意力特征融合模块相结合的方式，进行多层的特征融合；对融合后的特征图进行后处理，实现任意形状文本的检测。本发明可以保证信息的双向流动的同时最大化融合重要的特征，提高文本区域的局部关注度，提升不同特征通道之间的联系，扩大感受野的同时解决顶层特征图降维导致语义信息丢失的问题。
-
公开(公告)号：CN112163602A
公开(公告)日：2021-01-01
申请号：CN202010960423.3
申请日：2020-09-14
Applicant: 湖北工业大学
Abstract: 本发明属于深度学习与机器视觉技术领域，公开了一种基于深度神经网络的目标检测方法，包括获取目标检测对象图像集；对目标检测对象图像集进行预处理后得到数据集，根据数据集构建训练样本集；构建深度神经网络包括特征提取模块、特征融合模块、分类和回归模块；特征提取模块为结合d‑ResNet网络和eSENet模块的新的网络结构eSE‑dResNet；利用训练样本集进行深度神经网络的训练生成目标检测模型；将待检测对象图像输入至目标检测模型中得到目标检测结果。本发明解决了现有技术中目标检测的计算量大、耗时长、泛化能力差、识别精度低的问题，能够显著提高目标检测检测效果，能够适用于各种不良条件下的目标检测。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.028 seconds)
