-
公开(公告)号：CN116109812A
公开(公告)日：2023-05-12
申请号：CN202310317496.4
申请日：2023-03-29
Applicant: 湖南大学
IPC: G06V10/20 , G06V10/774 , G06V10/82
Abstract: 本发明涉及目标检测技术领域，公开了一种基于非极大值抑制阈值优化的目标检测方法，包括：获取待检测目标数据；将待检测目标数据输入预先训练得到的目标检测模型，得到多个目标检测框与每个目标检测框的置信度；获取每个目标检测框的可见比；将每个目标检测框的置信度和可见比输入预先训练得到的非极大值抑制阈值预测模型，得到对应的非极大值抑制阈值；根据非极大值抑制阈值对所有目标检测框进行冗余框筛选，获得目标检测结果。本发明可以解决人工设定固定阈值无法应对动态变化的目标图像或者视频序列，同时能够显著改善人工设定固定阈值所造成的漏检、误检等问题，有利于提高重度遮挡场景中目标检测的准确率。
-
公开(公告)号：CN118485114A
公开(公告)日：2024-08-13
申请号：CN202410940886.1
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0985 , G06T5/60
Abstract: 本申请涉及一种基于元学习的生成式对抗攻击方法，该方法包括：基于数据库和模型库构建元学习对抗攻击任务，元学习对抗攻击任务包括元训练任务和元测试任务，元训练任务用于训练更新用于元测试任务的生成对抗神经网络中的生成器；元测试任务包括进行目标形态迁移扩散操作、对抗扰动随机擦除操作以及正则化参数混合操作；元学习对抗任务用于训练生成对抗神经网络中的生成器和判别器，重复执行元学习对抗任务，直至达到第一迭代次数；获取目标图像，并将目标图像输入至训练好的生成对抗神经网络，得到目标图像的对抗扰动样本；对对抗扰动样本进行约束，将约束的对抗扰动样本叠加到目标图像得到对抗样本。
-
公开(公告)号：CN113569726A
公开(公告)日：2021-10-29
申请号：CN202110851371.0
申请日：2021-07-27
Applicant: 湖南大学
Abstract: 本发明属于行人检测技术领域，具体涉及一种联合自动数据增广和损失函数搜索的行人检测方法，包括S1‑1建立神经网络模型、训练集和验证集；S1‑2构造增广策略和损失函数的搜索空间并参数化；S1‑3利用双层循环优化方案训练神经网络模型；S2‑1利用步骤S1‑1中的验证集对学习后的神经网络模型进行测试，计算正确率，若符合要求进入应用阶段，否则按照实际结果调整神经网络模型，并返回步骤S1‑3；S3‑1从视频序列中获取行人图像并输入到训练好的神经网络模型中，依靠训练好的神经网络模型精准定位行人的位置。本发明能够调整困难样例和简单样例的损失权重，自动选择数据增广策略的最优组合并能有效处理数据增广和损失函数间的平衡问题，提高行人检测准确率。
-
公开(公告)号：CN113569726B
公开(公告)日：2023-04-14
申请号：CN202110851371.0
申请日：2021-07-27
Applicant: 湖南大学
Abstract: 本发明属于行人检测技术领域，具体涉及一种联合自动数据增广和损失函数搜索的行人检测方法，包括S1‑1建立神经网络模型、训练集和验证集；S1‑2构造增广策略和损失函数的搜索空间并参数化；S1‑3利用双层循环优化方案训练神经网络模型；S2‑1利用步骤S1‑1中的验证集对学习后的神经网络模型进行测试，计算正确率，若符合要求进入应用阶段，否则按照实际结果调整神经网络模型，并返回步骤S1‑3；S3‑1从视频序列中获取行人图像并输入到训练好的神经网络模型中，依靠训练好的神经网络模型精准定位行人的位置。本发明能够调整困难样例和简单样例的损失权重，自动选择数据增广策略的最优组合并能有效处理数据增广和损失函数间的平衡问题，提高行人检测准确率。
-
公开(公告)号：CN118736225A
公开(公告)日：2024-10-01
申请号：CN202410851305.7
申请日：2024-06-28
Applicant: 湖南大学
IPC: G06V10/26 , G06V10/774 , G06N3/084 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06V10/776 , G06N3/0985
Abstract: 本发明公开了一种基于自适应动态数据增广的医学影像域泛化分割方法，构建不同源域医学影像样本库，并按不同源域划分数据集；针对医学影像的特点构建数据增广策略搜索模型并初始化；利用伯努利分布和范畴分布分别对两个搜索空间的增广操作和子策略进行采样，得到采样子策略，并应用到数据集上进行增广，搭建分割模型和域预测器，将增广后的数据集输入到分割模型中进行训练，通过域预测器预测；基于预设的损失函数，利用交替微分和熵正则化最优传输理论对增广策略搜索模型优化，利用最小化交叉熵损失对域预测器进行优化，将满足三重联合优化的策略作为最优增广策略，并应用到分割模型中获得最终的医学影像分割结果。提高模型的泛化性能和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN118628499A
公开(公告)日：2024-09-10
申请号：CN202411110848.X
申请日：2024-08-14
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/126 , G06T7/60
Abstract: 本申请涉及一种基于网络架构搜索的航空发动机叶片缺陷检测方法，包括：对卷积神经网络和视觉Transformer网络的架构、参数进行统一，并整合为超级网络的架构；构建超级网络的架构搜索目标函数；基于ImageNet数据集以及缺陷检测数据集训练超级网络，并更新超级网络的互信息；采用进化算法，并基于架构搜索目标函数以及互信息搜索出超级网络的最优网络架构；根据识别准确率对最优网络架构进行筛选，将筛选出的最优网络架构作为特征提取网络的检测框架；将待检测的航空发动机叶片图像输入至检测框架，得到缺陷检测结果。该方法能够根据场景的变化自动设计出符合当前场景的最优神经网络架构。
-
公开(公告)号：CN116416492B
公开(公告)日：2023-12-01
申请号：CN202310271781.7
申请日：2023-03-20
Applicant: 湖南大学
IPC: G06V10/774 , G06V10/40 , G06V10/82 , G06F16/535 , G06F16/583 , G06N3/0895 , G06N3/0455 , G06N3/047
Abstract: 本申请实施例公开了一种基于特征自适应的自动数据增广方法，其方法包括：构建训练集和验证集；使用增广操作构建增广策略搜索空间；训练集中的每张图像均对应有一增广策略搜索空间；在训练集的各图像对应的增广策略搜索空间中，使用基于贝叶斯优化的增广策略搜索框架循环搜索对应图像的增广策略，直至循环次数达到设定次数，得到各图像对应的最优的增广策略；建立神经网络模型；通过各图像对应的最优的增广策略增广训练集，得到增广后的训练集；根据增广后的训练集训练神经网络模型；通过验证集对训练后的神经网络模型进行测试，计算正确率，若符合要求，则将训练后的神经网络模型投入实际应用。其代替了传统的手工设计增广策(56)对比文件Yi Tang 等.AutoPedestrian: AnAutomatic Data Augmentation and LossFunction Search Scheme for PedestrianDetection《.IEEE TRANSACTIONS ON IMAGEPROCESSING》.2021,1-14.李亚茹 等.面向超参数估计的贝叶斯优化方法综述《.计算机科学》.2022,86-92.沈学利 等.密度Canopy的增强聚类与深度特征的KNN算法《.计算机科学与探索》.2020,第15卷(第7期),1289-1301.吴军强 等.人工智能在空腔气动/声学特性预测与控制参数优化中的应用《.实验流体学》.2022,第36卷(第3期),33-43.胡宴.基于自动数据增强的不变性跨域行人重识别《.中国优秀硕士学位论文全文数据库(信息科技辑)》.2023,I138-2693.彭雨诺 等.基于改进YOLO的双网络桥梁表观病害快速检测算法《. 自动化学报》.2022,第48 卷(第4期),1018-1032.
-
公开(公告)号：CN116363700A
公开(公告)日：2023-06-30
申请号：CN202310317428.8
申请日：2023-03-29
Applicant: 湖南大学
IPC: G06V40/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06V40/20
Abstract: 本发明涉及计算机视觉技术领域，公开了一种基于遮挡感知和特征复原的遮挡行人重识别方法，包括：获取包含检索行人图像的测试数据集，并将检索行人图像输入特征提取模型，获得检索行人图像的N个局部特征；将N个局部特征输入可见度感知模型，获得N个局部特征的局部可见度分数；根据局部可见度分数，获取检索行人图像与图库中被检索行人图像之间的特征距离；获取特征距离最小的K个被检索行人图像的可见局部特征，对检索行人图像的被遮挡局部特征进行补全；根据补全后的检索行人图像的局部特征和局部可见度分数，重检索相似行人图像。本发明实现了对不同遮挡场景下的遮挡行人图像进行遮挡物精确感知，以及更加鲁棒的行人重识别效果。
-
公开(公告)号：CN118628499B
公开(公告)日：2024-10-29
申请号：CN202411110848.X
申请日：2024-08-14
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/126 , G06T7/60
Abstract: 本申请涉及一种基于网络架构搜索的航空发动机叶片缺陷检测方法，包括：对卷积神经网络和视觉Transformer网络的架构、参数进行统一，并整合为超级网络的架构；构建超级网络的架构搜索目标函数；基于ImageNet数据集以及缺陷检测数据集训练超级网络，并更新超级网络的互信息；采用进化算法，并基于架构搜索目标函数以及互信息搜索出超级网络的最优网络架构；根据识别准确率对最优网络架构进行筛选，将筛选出的最优网络架构作为特征提取网络的检测框架；将待检测的航空发动机叶片图像输入至检测框架，得到缺陷检测结果。该方法能够根据场景的变化自动设计出符合当前场景的最优神经网络架构。
-
公开(公告)号：CN118485114B
公开(公告)日：2024-09-27
申请号：CN202410940886.1
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0985 , G06T5/60
Abstract: 本申请涉及一种基于元学习的生成式对抗攻击方法，该方法包括：基于数据库和模型库构建元学习对抗攻击任务，元学习对抗攻击任务包括元训练任务和元测试任务，元训练任务用于训练更新用于元测试任务的生成对抗神经网络中的生成器；元测试任务包括进行目标形态迁移扩散操作、对抗扰动随机擦除操作以及正则化参数混合操作；元学习对抗任务用于训练生成对抗神经网络中的生成器和判别器，重复执行元学习对抗任务，直至达到第一迭代次数；获取目标图像，并将目标图像输入至训练好的生成对抗神经网络，得到目标图像的对抗扰动样本；对对抗扰动样本进行约束，将约束的对抗扰动样本叠加到目标图像得到对抗样本。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.026 seconds)
