-
公开(公告)号：CN113159057B
公开(公告)日：2022-09-02
申请号：CN202110353991.1
申请日：2021-04-01
Applicant: 湖北工业大学
Abstract: 本发明提供了一种图像语义分割方法和计算机设备，图像语义分割方法包括：将待处理图像输入轻量级神经网络，得到轻量特征图；将所述轻量特征图输入所述增强金字塔网络，得到拼接特征图；将拼接特征图输入分类网络，得到多张分类特征图；对于每张分类特征图，将该分类特征图输入条形注意力网络，得到该分类特征图对应的注意力特征图，将该分类特征图和该注意力特征图相加，得到该分类特征图对应的语义特征图；根据多张语义特征图确定语义分割结果。本发明在降低了计算量的同时，保证了图像语义分割的精度，适用于硬件资源有限的终端。
-
公开(公告)号：CN113159057A
公开(公告)日：2021-07-23
申请号：CN202110353991.1
申请日：2021-04-01
Applicant: 湖北工业大学
Abstract: 本发明提供了一种图像语义分割方法和计算机设备，图像语义分割方法包括：将待处理图像输入轻量级神经网络，得到轻量特征图；将所述轻量特征图输入所述增强金字塔网络，得到拼接特征图；将拼接特征图输入分类网络，得到多张分类特征图；对于每张分类特征图，将该分类特征图输入条形注意力网络，得到该分类特征图对应的注意力特征图，将该分类特征图和该注意力特征图相加，得到该分类特征图对应的语义特征图；根据多张语义特征图确定语义分割结果。本发明在降低了计算量的同时，保证了图像语义分割的精度，适用于硬件资源有限的终端。
-
公开(公告)号：CN115294326A
公开(公告)日：2022-11-04
申请号：CN202210882832.5
申请日：2022-07-26
Applicant: 湖北工业大学
Abstract: 本发明公开一种基于目标检测分组残差结构进行特征提取的方法，包括：准备训练、测试用的图像数据集；构建基于目标检测分组残差结构的特征提取网络，包括Backbone、Neck和Head三部分；使用训练好的网络对测试集图像进行特征提取。本发明对ResNet50骨干网络进行改进，引入了分组卷积块，对不同组别之间的特征信息进行融合，提高了特征提取的质量，同时使用深度可分离卷积替代传统的卷积，使参数量和运算成本更低。
-
公开(公告)号：CN113723411B
公开(公告)日：2023-06-27
申请号：CN202110678322.1
申请日：2021-06-18
Applicant: 湖北工业大学
IPC: G06V10/26 , G06V10/70 , G06V10/82 , G06N3/0464
Abstract: 本发明提供了一种用于遥感图像语义分割的特征提取方法和分割系统，特征提取方法应用于特征提取模型，特征提取模型包括卷积模块和多尺度卷积网络，特征提取方法包括：将遥感图像输入卷积模块，得到初始特征图；将初始特征图输入多尺度卷积网络，得到目标特征图，其中，多尺度卷积网络包括若干多尺度卷积模块，每个多尺度卷积模块均包括级联的若干深度可分离卷积单元。本发明中的特征提取模型，主要通过多尺度卷积网络提取遥感图像对应的目标特征图，多尺度卷积网络中的深度可分离卷积单元可以有效降低参数量，提取到遥感图像更精确的目标特征图，进而可以基于目标特征图得到效果更好的分割图像，可以做到快速对遥感图像进行分割。
-
公开(公告)号：CN115690522B
公开(公告)日：2023-03-31
申请号：CN202211706047.0
申请日：2022-12-29
Applicant: 湖北工业大学
IPC: G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于多池化融合通道注意力的目标检测方法及其应用，包括步骤1，准备图像数据集用于测试和训练，使用训练集的数据来训练模型，用测试集上的误差作为最终模型在应对现实场景时的泛化误差；步骤2，构建基于目标检测的多池化融合通道注意力网络；步骤3，使用训练集图像对多池化融合通道注意力网络模型进行训练；步骤4，使用步骤3训练好的网络模型对测试集图像进行目标检测。本发明在不显着增加参数量和计算量的情况下，大大提高了特征提取的效果，增加了重要特征信息的聚焦度，从而使得目标检测网络取得了更佳的性能。
-
Patent Agency Ranking
公开(公告)号：CN115690522A
公开(公告)日：2023-02-03
申请号：CN202211706047.0
申请日：2022-12-29
Applicant: 湖北工业大学
IPC: G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于多池化融合通道注意力的目标检测方法及其应用，包括步骤1，准备图像数据集用于测试和训练，使用训练集的数据来训练模型，用测试集上的误差作为最终模型在应对现实场景时的泛化误差；步骤2，构建基于目标检测的多池化融合通道注意力网络；步骤3，使用训练集图像对多池化融合通道注意力网络模型进行训练；步骤4，使用步骤3训练好的网络模型对测试集图像进行目标检测。本发明在不显着增加参数量和计算量的情况下，大大提高了特征提取的效果，增加了重要特征信息的聚焦度，从而使得目标检测网络取得了更佳的性能。
-
公开(公告)号：CN114694003B
公开(公告)日：2024-08-13
申请号：CN202210303602.9
申请日：2022-03-24
Applicant: 湖北工业大学
IPC: G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/08
Abstract: 本发明属于目标检测领域，涉及一种基于目标检测的多尺度特征融合方法，包括以下步骤：1）将不同尺寸的特征图进行卷积处理后得到通道数相同的特征图；2）将步骤1）获取得到的特征图分别进行通道维度融合处理以及空间维度融合处理，分别得到通道维度融合处理特征图以及空间维度融合处理特征图；3）将步骤2）所获取得到的通道维度融合处理特征图以及空间维度融合处理特征图进行融合处理，实现对不同尺寸的特征图在空间和通道两个维度的特征融合。本发明提供了一种可显著提升检测精度的基于目标检测的多尺度特征融合方法。
-
公开(公告)号：CN115439706A
公开(公告)日：2022-12-06
申请号：CN202210523305.5
申请日：2022-05-13
Applicant: 湖北工业大学
IPC: G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明涉及一种基于目标检测多感受野注意力机制及系统。注意力机制获取不同感受野的特征图以获得丰富的上下文信息。它将每个特征图分成两组，通过不同感受野的一维卷积实现了每个特征图的权重提取，然后再将五组权重融合，并与输入特征向量相乘，实现不降维的局部跨通道交互的通道注意力学习。通过实验对比发现，本发明提出的模块在不同的网络上均能提高其检测精度，并且可视化结果表明我们所提出的网络在不同的场景均有不错的检测效果。
-
公开(公告)号：CN115294356A
公开(公告)日：2022-11-04
申请号：CN202210882431.X
申请日：2022-07-26
Applicant: 湖北工业大学
IPC: G06V10/44 , G06N3/04 , G06N3/08 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80
Abstract: 本发明公开一种基于广域感受野空间注意力的目标检测方法，包括：准备训练、测试用的图像数据集；构建基于广域感受野空间注意力的目标检测网络，包括Backbone、Neck、Head和MSA四部分；使用训练好的网络对测试集图像进行特征提取。本发明从广域感受野的角度捕获像素级特征信息，同时考虑了不同特征信息之间的相互交叉，在不显着增加参数量和计算量的情况下，大大提高了特征提取的效果。
-
公开(公告)号：CN114694003A
公开(公告)日：2022-07-01
申请号：CN202210303602.9
申请日：2022-03-24
Applicant: 湖北工业大学
Abstract: 本发明属于目标检测领域，涉及一种基于目标检测的多尺度特征融合方法，包括以下步骤：1）将不同尺寸的特征图进行卷积处理后得到通道数相同的特征图；2）将步骤1）获取得到的特征图分别进行通道维度融合处理以及空间维度融合处理，分别得到通道维度融合处理特征图以及空间维度融合处理特征图；3）将步骤2）所获取得到的通道维度融合处理特征图以及空间维度融合处理特征图进行融合处理，实现对不同尺寸的特征图在空间和通道两个维度的特征融合。本发明提供了一种可显著提升检测精度的基于目标检测的多尺度特征融合方法。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
