-
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：CN108734290A
公开(公告)日：2018-11-02
申请号：CN201810468476.6
申请日：2018-05-16
Applicant: 湖北工业大学
Abstract: 本发明公开一种基于注意力机制的卷积神经网络构建方法及应用，包括用于对图像进行预处理的基本卷积操作层，用于提取图像浅层显著特征的注意力机制层1，用于提取图像深层显著特征的注意力机制层2，用于提取图像最深层显著特征的注意力机制层3，用于将注意力机制层3中的2维输出数据捋平为1维的两个全连接层，以及SoftMax分类器。本发明将注意力机制融合进卷积神经网络中，有效的促进了卷积神经网络提取有效的信息从而提高网络性能，提升网络收敛效率和精度。
-
公开(公告)号：CN107609638A
公开(公告)日：2018-01-19
申请号：CN201710946508.4
申请日：2017-10-12
Applicant: 湖北工业大学
Abstract: 本发明属于图像识别领域，具体涉及一种基于线性解码器和插值采样优化卷积神经网络的方法。本发明构建的卷积神经网络，包括输入层、卷积层、池化层、全连接网络层及输出层，首先利用卷积线性编码器训练获得权值，并以此作为卷积神经网络的初始值，然后将卷积层获得的特征图分别进行多重插值采样池化，经过前向传播和反向调节，最终获得每一层中各个神经元的局部梯度以及每一层卷积层卷积核的权值。通过与现有的方法进行对比实验，实验结果表明：利用本发明方法构建的卷积神经网络对图像进行分类时，具有收敛速度更快，精确度更高的优点。
-
公开(公告)号：CN114239808B
公开(公告)日：2023-09-01
申请号：CN202111563705.0
申请日：2021-12-20
Applicant: 湖北工业大学
IPC: G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于PointCloudTransformer的多尺度优化网络方法，本发明所述多尺度优化网络包括3部分，第1部分为采样层，对输入点云进行一个特征采样。第2部分为，多尺度优化结构，含有不同尺寸卷积的线性激活层。其中每个卷积层后面连接batchnorm和ReLU，对采样后的点使用不同卷积尺度的线性激活层进行复合特征提取，然后与原输入进行拼接。第3部分为同尺寸卷积的线性激活层，该层主要是对第2部分输出的数据特征进一步的特征提取，作用类似于全连接层。通过实验对比发现，本发明构建的网络结构实验精度高，三个含有不同卷积尺寸的线性激活层结构提取特征强，实验效果较为理想。
-
公开(公告)号：CN116543149A
公开(公告)日：2023-08-04
申请号：CN202310462809.5
申请日：2023-04-26
Applicant: 湖北工业大学
Abstract: 本发明提出了一种基于全局及局部自注意力的点云语义分割系统及方法，包括下采样模块、具有逆密度权重的局部自注意力模块、轻量级的全局自注意力模块、融合模块以及上采样模块；其中下采样模块用于缩减点云数量、提取点云高维特征，具有逆密度权重的局部自注意力模块用于补偿点云的不均匀分布以及获取点云的局部关联，轻量级的全局自注意力模块用于获取点云的整体关联，融合模块的主要作用是将两种不同的注意力模块的输出在同一尺度上融合，该系统和方法可以捕捉输入点云中每个点细粒度的特征，提高点云语义分割任务的精度。与其他模型相比，本发明在精度上展现了巨大的优势。
-
Patent Agency Ranking
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。
-
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：CN114239808A
公开(公告)日：2022-03-25
申请号：CN202111563705.0
申请日：2021-12-20
Applicant: 湖北工业大学
Abstract: 本发明涉及一种基于PointCloudTransformer的多尺度优化网络方法，本发明所述多尺度优化网络包括3部分，第1部分为采样层，对输入点云进行一个特征采样。第2部分为，多尺度优化结构，含有不同尺寸卷积的线性激活层。其中每个卷积层后面连接batchnorm和ReLU，对采样后的点使用不同卷积尺度的线性激活层进行复合特征提取，然后与原输入进行拼接。第3部分为同尺寸卷积的线性激活层，该层主要是对第2部分输出的数据特征进一步的特征提取，作用类似于全连接层。通过实验对比发现，本发明构建的网络结构实验精度高，三个含有不同卷积尺寸的线性激活层结构提取特征强，实验效果较为理想。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.02 seconds)
