-
公开(公告)号：CN112950591B
公开(公告)日：2022-10-11
申请号：CN202110242502.5
申请日：2021-03-04
申请人： 鲁东大学
摘要： 本发明公开了一种用于卷积神经网络的滤波器裁剪方法，通过对过滤器进行重要度计算和排序，裁剪掉重要度较低的过滤器，然后计算层中各过滤器之间的正交性度量，选择正交性相对小的相关过滤器，裁剪掉其中重要度排名较低的过滤器，并重新初始化裁剪后的过滤器。由此，本发明的滤波器裁剪方法抑制特征之间的相关性，更关注正交特征，捕获激活空间中的不同方向，提升分类模型的泛化能力。本发明还公开了一种贝类自动分类系统，特别是针对高相似度贝类识别难的问题，提高高相似度贝类的自动分类的准确性。
-
公开(公告)号：CN112950591A
公开(公告)日：2021-06-11
申请号：CN202110242502.5
申请日：2021-03-04
申请人： 鲁东大学
摘要： 本发明公开了一种用于卷积神经网络的滤波器裁剪方法，通过对过滤器进行重要度计算和排序，裁剪掉重要度较低的过滤器，然后计算层中各过滤器之间的正交性度量，选择正交性相对小的相关过滤器，裁剪掉其中重要度排名较低的过滤器，并重新初始化裁剪后的过滤器。由此，本发明的滤波器裁剪方法抑制特征之间的相关性，更关注正交特征，捕获激活空间中的不同方向，提升分类模型的泛化能力。本发明还公开了一种贝类自动分类系统，特别是针对高相似度贝类识别难的问题，提高高相似度贝类的自动分类的准确性。
-
公开(公告)号：CN113706529B
公开(公告)日：2022-01-28
申请号：CN202111258646.6
申请日：2021-10-28
申请人： 鲁东大学
摘要： 本发明涉及一种利用卷积神经网络对育苗期鲍鱼计数的方法，并设计了相应的系统及配套使用的装置，属于图像处理技术领域。一种利用卷积神经网络对育苗期鲍鱼计数的方法，其特殊之处在于，通过如下的步骤实现对育苗期鲍鱼的计数：通过拍摄鲍鱼幼苗附着的瓦片的初始图像、初始图像处理和幼鲍个体检测三个过程，实现对鲍鱼幼苗的数量的检测。本申请的优点在于，通过对图像的处理，获得鲍鱼幼苗图像的细致的颜色纹理信息，实现对鲍鱼幼苗数量的确定。
-
公开(公告)号：CN113706529A
公开(公告)日：2021-11-26
申请号：CN202111258646.6
申请日：2021-10-28
申请人： 鲁东大学
摘要： 本发明涉及一种利用卷积神经网络对育苗期鲍鱼计数的方法，并设计了相应的系统及配套使用的装置，属于图像处理技术领域。一种利用卷积神经网络对育苗期鲍鱼计数的方法，其特殊之处在于，通过如下的步骤实现对育苗期鲍鱼的计数：通过拍摄鲍鱼幼苗附着的瓦片的初始图像、初始图像处理和幼鲍个体检测三个过程，实现对鲍鱼幼苗的数量的检测。本申请的优点在于，通过对图像的处理，获得鲍鱼幼苗图像的细致的颜色纹理信息，实现对鲍鱼幼苗数量的确定。
-
公开(公告)号：CN114863263B
公开(公告)日：2022-09-13
申请号：CN202210796234.6
申请日：2022-07-07
申请人： 鲁东大学
IPC分类号： G06V20/05 , G06V10/40 , G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明涉及基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，属于深度学习技术领域。本申请的方法，包括图像采集、图像处理及网络模型；采集后的图像进行标注，调整图像尺寸得到输入图像，输入到目标检测网络，经过卷积整合，插入跨尺度分层特征融合模块，其特征在于，将输入跨尺度分层特征融合模块的所有特征分为n层，共由s个特征映射子集组成，每个特征映射子集都会与其他特征映射子集进行特征上的融合，最后进行连接，实现完整的信息融合，经卷积操作后，输出训练结果；然后利用损失函数进行网络参数调整，经过多次训练迭代后，得到适用于网络模型的参数；最后将输出的候选框输入到非极大值抑制模块，筛选正确预测框，得到预测结果。
-
公开(公告)号：CN114863263A
公开(公告)日：2022-08-05
申请号：CN202210796234.6
申请日：2022-07-07
申请人： 鲁东大学
IPC分类号： G06V20/05 , G06V10/40 , G06V10/762 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本发明涉及基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，属于深度学习技术领域。本申请的方法，包括图像采集、图像处理及网络模型；采集后的图像进行标注，调整图像尺寸得到输入图像，输入到目标检测网络，经过卷积整合，插入跨尺度分层特征融合模块，其特征在于，将输入跨尺度分层特征融合模块的所有特征分为n层，共由s个特征映射子集组成，每个特征映射子集都会与其他特征映射子集进行特征上的融合，最后进行连接，实现完整的信息融合，经卷积操作后，输出训练结果；然后利用损失函数进行网络参数调整，经过多次训练迭代后，得到适用于网络模型的参数；最后将输出的候选框输入到非极大值抑制模块，筛选正确预测框，得到预测结果。
-
公开(公告)号：CN113724255A
公开(公告)日：2021-11-30
申请号：CN202111237469.3
申请日：2021-10-25
申请人： 鲁东大学
摘要： 本发明涉及一种针对育苗期鲍鱼的计数方法，属于图像处理技术领域。一种针对育苗期鲍鱼的计数方法，其特征在于，通过对要计数的幼鲍区域进行拍照，获得初始的输入图像，读取输入图像中的每个像素即获取图像输入的初始矩阵；再通过卷积层卷积的过程将初始矩阵转换成连续的多个二维特征矩阵；然后通过矩阵融合手段处理二维特征矩阵，形成的终端融合矩阵，细化了图片中幼鲍的颜色条理信息，以及相应的位置信息；但是因为经过卷积神经网络，以及通过堆叠多个卷积模块实现信息间长距离依赖的捕获，导致获取依赖关系的效率较低，利用特征关系，以建立信息间的长距离依赖关系计算幼鲍位置信息间的关系。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.027 秒)
