-
公开(公告)号：CN113052189B
公开(公告)日：2022-04-29
申请号：CN202110338087.3
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种改进的MobileNetV3的特征提取网络。该模型在基于CNN的计算机视觉技术领域具有一定通用性。以Resnet、Vgg为核心的模型在图像经过特征提取网络处理时忽略了其特征集合存在大量冗余性和相似性，且存在参数量高、计算量大的问题。针对冗余性和相似性的问题，提出shadow‑bottleneck，即通过利用分组卷积和改进的通道混洗生成少量本体特征的基础上再采用高效运算生成影子特征的结构方式来保证特征的丰富性和冗余性；针对轻量化问题，参考MobileNetV3模型结构并将网络中的bottleneck替换为shadow‑bottleneck形成最终改进的轻量化特征提取网络模型。该模型能够具有较低的计算量和参数量，且能够获得较高的分类精度。
-
公开(公告)号：CN114818963A
公开(公告)日：2022-07-29
申请号：CN202210506243.7
申请日：2022-05-10
Applicant: 电子科技大学
IPC: G06K9/62 , G06V10/74 , G06V10/764 , G06V10/771 , G06V10/80 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于跨图像特征融合的小样本检测算法。本发明主体结构是基于两阶段的目标检测算法Faster‑RCNN构建的小样本学习算法。首先输入查询图像和支持集图像进行特征图的提取，得到的特征图被送入跨图像特征融合模块用支持集中的特征信息来加强查询集中目标特征信息的表达，之后送入改进后的RPN模块生成ROI特征向量，再通过改进后的特征聚合模块对候选框进行筛选并完成支持集向量和ROI特征向量的空间对齐，最后将处理好的ROI和支持集向量送入分类器中进行分类，最终输出目标类型和框的准确定位。最后在PASCALVOC数据集上设计了多组消融实验和对比实验都获得了良好的检测精度，验证了检测算法的有效性。
-
公开(公告)号：CN113392876A
公开(公告)日：2021-09-14
申请号：CN202110563578.8
申请日：2021-05-24
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于图神经网络的小样本图像分类方法。本发明对基于图神经网络的EGNN算法进行改进优化，提出一种小样本图像分类方法。本发明方法主要由任务适应特征提取模块TAB、原型图神经网络模块和特征融合度量模块组成。本发明首先提出一种任务适应特征提取模型进行查询图像的特征提取，通过利用支持图像特征学习预测一组参数作用于查询图像特征图，调整查询图像不同特征的贡献，使其更能适应小样本的分类任务。同时在原网络上引入原型节点表示、特征融合度量模块，分别用于降低图节点规模和提升分类准确率。
-
公开(公告)号：CN113159063A
公开(公告)日：2021-07-23
申请号：CN202110344831.0
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于改进RetinaNet的小目标检测技术。该发明在许多基于深度学习的目标检测模型都具有一定的实用性，该专利以行人与车辆检测为说明案例。行人与车辆的检测在计算机视觉的实际较为广泛，且两类目标都呈现出目标尺寸下、检测场景复杂的特点。针对检测场景复杂的问题，在RetinaNet模型结构中的FPN加入了多层融合模块，多层融合可以一定程度解决特征金字塔结构中顶层语义信息被稀释的问题；针对小目标的问题，由于多尺度检测中小目标在特征层的选择灵活性较低，较大程度上依赖金字塔底层的细节信息，利用超分辨SR技术对底层特征信息进行补偿，使底层的细节信息和纹理信息等更加丰富。基于改进后的RetinaNet算法模型能够精准识别小尺寸目标，且模型也取得较高检测精度。
-
Patent Agency Ranking
公开(公告)号：CN113052875A
公开(公告)日：2021-06-29
申请号：CN202110338092.4
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种改进的基于状态感知模板更新的目标跟踪技术。在目标跟踪时，随着图像采集设备和目标之间角度的变化，或者目标本身特性造成的形态变化，会造成图像序列中目标形状、大小上的变化，即目标形变问题，给目标跟踪算法带来了一定的挑战。本发明根据目标形变问题，基于SiamRPN算法提出了一种基于状态感知模板更新的Siamese目标跟踪技术，从两个角度来着手改进目标跟踪里的模板更新。一是如何进行模板更新，结合元学习的思想，构建模板更新网络，实现快速可靠的模板更新。二是何时进行模板更新，通过构建一个长短记忆网络来对目标状态进行判断，决定更新目标模板的时机。本发明能有效的解决长时目标跟踪场景下的目标模板更新的问题。
-
公开(公告)号：CN113052189A
公开(公告)日：2021-06-29
申请号：CN202110338087.3
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种改进的MobileNetV3的特征提取网络。该模型在基于CNN的计算机视觉技术领域具有一定通用性。以Resnet、Vgg为核心的模型在图像经过特征提取网络处理时忽略了其特征集合存在大量冗余性和相似性，且存在参数量高、计算量大的问题。针对冗余性和相似性的问题，提出shadow‑bottleneck，即通过利用分组卷积和改进的通道混洗生成少量本体特征的基础上再采用高效运算生成影子特征的结构方式来保证特征的丰富性和冗余性；针对轻量化问题，参考MobileNetV3模型结构并将网络中的bottleneck替换为shadow‑bottleneck形成最终改进的轻量化特征提取网络模型。该模型能够具有较低的计算量和参数量，且能够获得较高的分类精度。
-
公开(公告)号：CN114818963B
公开(公告)日：2023-05-09
申请号：CN202210506243.7
申请日：2022-05-10
Applicant: 电子科技大学
IPC: G06V10/80 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/771 , G06V10/82 , G06N3/045
Abstract: 本发明公开了一种基于跨图像特征融合的小样本检测方法。本发明主体结构是基于两阶段的目标检测算法Faster‑RCNN构建的小样本学习算法。首先输入查询图像和支持集图像进行特征图的提取，得到的特征图被送入跨图像特征融合模块用支持集中的特征信息来加强查询集中目标特征信息的表达，之后送入改进后的RPN模块生成ROI特征向量，再通过改进后的特征聚合模块对候选框进行筛选并完成支持集向量和ROI特征向量的空间对齐，最后将处理好的ROI和支持集向量送入分类器中进行分类，最终输出目标类型和框的准确定位。最后在PASCAL VOC数据集上设计了多组消融实验和对比实验都获得了良好的检测精度，验证了检测算法的有效性。
-
公开(公告)号：CN113159063B
公开(公告)日：2022-11-18
申请号：CN202110344831.0
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于改进RetinaNet的小目标检测技术。该发明在许多基于深度学习的目标检测模型都具有一定的实用性，该专利以行人与车辆检测为说明案例。行人与车辆的检测在计算机视觉的实际较为广泛，且两类目标都呈现出目标尺寸下、检测场景复杂的特点。针对检测场景复杂的问题，在RetinaNet模型结构中的FPN加入了多层融合模块，多层融合可以一定程度解决特征金字塔结构中顶层语义信息被稀释的问题；针对小目标的问题，由于多尺度检测中小目标在特征层的选择灵活性较低，较大程度上依赖金字塔底层的细节信息，利用超分辨SR技术对底层特征信息进行补偿，使底层的细节信息和纹理信息等更加丰富。基于改进后的RetinaNet算法模型能够精准识别小尺寸目标，且模型也取得较高检测精度。
-
公开(公告)号：CN113392876B
公开(公告)日：2022-07-05
申请号：CN202110563578.8
申请日：2021-05-24
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的小样本图像分类方法。本发明对基于图神经网络的EGNN算法进行改进优化，提出一种小样本图像分类方法。本发明方法主要由任务适应特征提取模块TAB、原型图神经网络模块和特征融合度量模块组成。本发明首先提出一种任务适应特征提取模型进行查询图像的特征提取，通过利用支持图像特征学习预测一组参数作用于查询图像特征图，调整查询图像不同特征的贡献，使其更能适应小样本的分类任务。同时在原网络上引入原型节点表示、特征融合度量模块，分别用于降低图节点规模和提升分类准确率。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
