-
公开(公告)号：CN119379683B
公开(公告)日：2025-03-28
申请号：CN202411948379.9
申请日：2024-12-27
Applicant: 湖南大学
Abstract: 本申请涉及一种基于小样本学习的航空发动机叶片缺陷检测方法，该方法包括：获取航空发动机涡轮叶片的表面缺陷图像，并为其建立掩膜真值标注；将多个表面缺陷图像按照对应的真值掩膜划分为训练集、支持集、查询集，并构建缺陷检测模型，缺陷检测模型包括跨层多级特征聚合模块、具有大感受域的混合器、前景校正模块；通过跨层多级特征聚合模块聚合支持集中支持图像与查询集中查询图像不同层次的特征，得到缺陷特征；通过具有大感受域的混合器处理缺陷特征，得到聚合特征；通过前景校正模块将聚合特征与提取的查询图像的背景特征融合并校正，得到精细化的分割结果。该方法提高了模型训练的效率和成本效益。
-
公开(公告)号：CN114022904A
公开(公告)日：2022-02-08
申请号：CN202111304590.3
申请日：2021-11-05
Applicant: 湖南大学
IPC: G06V40/10 , G06V10/30 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明公开一种基于两阶段的噪声鲁棒行人重识别方法，包括步骤：输入带标签噪声的训练集；第一阶段：根据训练集的给定标签计算网络模型的交叉熵损失函数；根据预测标签计算标签调整正则化损失函数；计算纯样本损失函数；整合三项损失函数，得到自调整策略损失函数并分别训练两个不同的网络模型；第二阶段：更新可靠的预测标签集得到修正的交叉熵损失函数；计算对称的相对熵损失函数；寻找可靠三元组，计算噪声鲁棒的三元组损失函数；联合三项损失函数，得到网络模型的第二阶段总损失函数，并协同监督两个网络模型的学习，通过联合所有损失函数对两个网络模型进行迭代更新；测试性能，在含有噪声标签的设定下达到鲁棒性极好的行人重识别目的。
-
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：CN114022904B
公开(公告)日：2023-01-24
申请号：CN202111304590.3
申请日：2021-11-05
Applicant: 湖南大学
IPC: G06V40/10 , G06V10/30 , G06V10/774 , G06V10/764
Abstract: 本发明公开一种基于两阶段的噪声鲁棒行人重识别方法，包括步骤：输入带标签噪声的训练集；第一阶段：根据训练集的给定标签计算网络模型的交叉熵损失函数；根据预测标签计算标签调整正则化损失函数；计算纯样本损失函数；整合三项损失函数，得到自调整策略损失函数并分别训练两个不同的网络模型；第二阶段：更新可靠的预测标签集得到修正的交叉熵损失函数；计算对称的相对熵损失函数；寻找可靠三元组，计算噪声鲁棒的三元组损失函数；联合三项损失函数，得到网络模型的第二阶段总损失函数，并协同监督两个网络模型的学习，通过联合所有损失函数对两个网络模型进行迭代更新；测试性能，在含有噪声标签的设定下达到鲁棒性极好的行人重识别目的。
-
公开(公告)号：CN113869233A
公开(公告)日：2021-12-31
申请号：CN202111156899.2
申请日：2021-09-30
Applicant: 湖南大学
Abstract: 本发明公开了一种基于上下文特征不一致性的多专家对抗攻击检测方法，包括步骤：建立行人重识别数据集，行人重识别数据集包括良性查询图像集、对抗查询图像集和图库；选取多个行人重识别专家模型，并将行人重识别数据集输入到多个行人重识别专家模型中，提取出行人重识别数据集中图像的图像特征；在图库中进行检索，得到支撑集；给查询图像集及其支撑集打上标签，并形成训练集；根据训练集，得到上下文特征；将上下文特征输入到对抗攻击检测器中训练；将待查询图像的上下文特征输入到对抗攻击检测器中，输出被攻击的概率，并根据输出的概率，评估对抗攻击检测器的性能；通过上下文特征训练对抗攻击检测器，可成功检测得到对抗训练样本的攻击方法。
-
Patent Agency Ranking
公开(公告)号：CN117649398A
公开(公告)日：2024-03-05
申请号：CN202311758620.7
申请日：2023-12-20
Applicant: 湖南大学
IPC: G06T7/00 , G06N3/0464 , G06N3/084 , G06T7/10 , G06T7/13 , G06V10/42 , G06V10/764
Abstract: 本申请涉及一种航空发动机叶片表面缺陷识别方法及系统，方法包括：获取航空发动机涡轮叶片的表面图像以及图像特征映射关系；根据图像特征映射关系生成表面图像的分割伪标签；获取分割伪标签提供的缺陷位置先验；基于缺陷位置先验增强缺陷区域的特征值，得到增强图像；将增强图像与分割网络的输出连接，得到全局特征，并将全局特征输入至分类网络，得到缺陷预测结果。系统包括：获取模块，伪标签生成模块，缺陷先验挖掘模块，缺陷先验挖掘模块，全局信息提取及分类预测模块。该方法实现了对微小以及弱特征缺陷的精确分类，不需要人工检测，省时省力，同时避免漏检、误检以及其它因素造成的检测精度问题，提高了检测精度以及效率。
-
公开(公告)号：CN113435329B
公开(公告)日：2022-06-21
申请号：CN202110715016.0
申请日：2021-06-25
Applicant: 湖南大学
IPC: G06V40/10 , G06V10/74 , G06V10/774 , G06K9/62
Abstract: 本发明属于计算机视觉领域，涉及一种基于视频轨迹特征关联学习的无监督行人重识别方法，包括以下步骤：输入行人重识别视频数据集；对行人重识别视频数据集进行稀疏时空轨迹采样，得到行人视频轨迹样本，组成行人视频轨迹；对行人视频轨迹样本进行预训练，获得行人重识别预训练网络模型；在行人重识别预训练网络模型中添加全连接层，构建视频轨迹特征向量表；根据行人视频轨迹特征向量表进行轨迹联合学习，得到联合学习损失函数；更新视频轨迹特征向量表；模型训练；进行无监督测试；通过对相机内和相机间视频轨迹特征向量的联合学习，挖掘行人轨迹潜在的关系，提高了模型的特征提取能力，取得了突出的行人重识别性能。
-
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：CN119379683A
公开(公告)日：2025-01-28
申请号：CN202411948379.9
申请日：2024-12-27
Applicant: 湖南大学
Abstract: 本申请涉及一种基于小样本学习的航空发动机叶片缺陷检测方法，该方法包括：获取航空发动机涡轮叶片的表面缺陷图像，并为其建立掩膜真值标注；将多个表面缺陷图像按照对应的真值掩膜划分为训练集、支持集、查询集，并构建缺陷检测模型，缺陷检测模型包括跨层多级特征聚合模块、具有大感受域的混合器、前景校正模块；通过跨层多级特征聚合模块聚合支持集中支持图像与查询集中查询图像不同层次的特征，得到缺陷特征；通过具有大感受域的混合器处理缺陷特征，得到聚合特征；通过前景校正模块将聚合特征与提取的查询图像的背景特征融合并校正，得到精细化的分割结果。该方法提高了模型训练的效率和成本效益。
-
公开(公告)号：CN113435329A
公开(公告)日：2021-09-24
申请号：CN202110715016.0
申请日：2021-06-25
Applicant: 湖南大学
Abstract: 本发明属于计算机视觉领域，涉及一种基于视频轨迹特征关联学习的无监督行人重识别方法，包括以下步骤：输入行人重识别视频数据集；对行人重识别视频数据集进行稀疏时空轨迹采样，得到行人视频轨迹样本，组成行人视频轨迹；对行人视频轨迹样本进行预训练，获得行人重识别预训练网络模型；在行人重识别预训练网络模型中添加全连接层，构建视频轨迹特征向量表；根据行人视频轨迹特征向量表进行轨迹联合学习，得到联合学习损失函数；更新视频轨迹特征向量表；模型训练；进行无监督测试；通过对相机内和相机间视频轨迹特征向量的联合学习，挖掘行人轨迹潜在的关系，提高了模型的特征提取能力，取得了突出的行人重识别性能。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.176 seconds)
