-
公开(公告)号：CN109685119A
公开(公告)日：2019-04-26
申请号：CN201811500515.2
申请日：2018-12-07
Applicant: 中国人民解放军陆军工程大学
CPC classification number: G06K9/6268 , G06N3/0454
Abstract: 本发明公开一种针对含有噪声图像分类的新型深度卷积神经网络方法，主要特点在于采用了随机最大值池化这一新的池化方法。随机最大值池化方法随机选取感受野范围内前n个较大值作为池化结果，首先将感受野范围内的所有值进行排序，选出前n个较大值；然后在前n个较大值中随机选取一个值作为池化结果。随机最大值池化方法结合了最大池化方法和随机池化方法的特点，既能保留感受野内主要特征信息，又能提高网络对感受野内噪声的抑制作用。本发明在CIFAR-10，SVHN和MNIST数据集上进行验证，取得较好效果。
-
公开(公告)号：CN109685118A
公开(公告)日：2019-04-26
申请号：CN201811500514.8
申请日：2018-12-07
Applicant: 中国人民解放军陆军工程大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/627 , G06K2209/23
Abstract: 一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法，针对基于卷积神经网络的车辆检测识别率高，但由于网络结构复杂带来的实时性不好的问题，设计一种高效鲁棒的车辆检测方法，首先建立一个较浅层的卷积神经网络来提取车辆特征，然后利用弱分类器Adaboost在卷积神经网络提取的特征空间中完成分类，最终完成车辆检测。本发明方法有效利用CNN强大的特征提取能力和弱分类器Adaboost的快速分类能力，同时又避免了深度的CNN训练与使用中运算量大的缺陷。通过自建数据数据集上与已有传统的CNN算法、Gabor+SVM算法、HOG+SVM算法进行了比对实验，本文提出的算法表现最好，实时性更好，准确率也高达98.1％，较好地解决了车辆检测问题。
-
公开(公告)号：CN109284779A
公开(公告)日：2019-01-29
申请号：CN201811047839.5
申请日：2018-09-04
Applicant: 中国人民解放军陆军工程大学
IPC: G06K9/62
Abstract: 本发明公开一种基于深度全卷积神经网络的物体检测方法，包括如下步骤：(10)样本集收集：将样本集图像分为训练集与测试集；(20)样本标注：对样本集图像中不同的物体用长方形物体框标注出物体位置，物体框必须与物体的边缘相切；完成图像中各物体的语义标注；(30)深度卷积网络模型获取：利用标注后的训练样本，对深度卷积网络进行多任务训练，同时完成语义分割和物体边界关键点预测，利用测试集样本对深度卷积网络进行测试，得到深度卷积网络模型；(40)物体检测：利用深度卷积网络模型，对现场图像进行物体检测。本发明基于深度卷积网络的物体检测方法，采用语义分割的思想，在完成语义分割的同时完成物体的边界关键点预测，同时实现了物体定位与物体分类。
-
公开(公告)号：CN109034370A
公开(公告)日：2018-12-18
申请号：CN201810678956.5
申请日：2018-06-27
Applicant: 中国人民解放军陆军工程大学
IPC: G06N3/04
CPC classification number: G06N3/0454
Abstract: 一种基于特征映射剪枝的卷积神经网络精简方法，针对某个任务训练好的卷积神经网络模型，自顶层到底层，逐层利用筛选策略对网络中的特征映射进行筛选，并通过关键点确定每一层的精简程度，每完成一层的筛选，对网络进行重新训练直到恢复之前的准确率，最终在不损失性能的前提下获得一个精简、高效的网络模型，以满足计算、存储资源有限情况下卷积神经网络的应用要求。实验表明，本发明可以有效地除去网络中对性能提升无效冗余的特征映射，在保持网络性能的同时，减少了网络规模，提升了网络的运行速度，对卷积神经网络在移动端的应用具有重要意义。
-
公开(公告)号：CN107728622A
公开(公告)日：2018-02-23
申请号：CN201711010640.0
申请日：2017-10-20
Applicant: 中国人民解放军陆军工程大学
IPC: G05D1/02
CPC classification number: G05D1/0255 , G05D2201/0212
Abstract: 本发明公开了一种基于超声波阵列的无人驾驶机械车辆追踪方法，特别涉及一种无人跟车行驶过程中的位姿测量与追踪方法。该方法的实现所依赖的硬件包括两个超声波发射器、两个超声波接收器、供电模块、前后车收发控制处理模块等。两个超声波发射器都具备广角发射与脉冲编码功能，布置于有人驾驶的前车上，两个超声波接收器布置于无人驾驶的后车上，构成测量阵列，用于测量解算无人驾驶车辆与前车的位姿与速度关系，从而控制无人驾驶车辆与前车的距离、速度以及角度关系，实现无人驾驶车辆的定位与自动追踪。本发明结构简单，使用方便，对于提高机械车辆无人化物资输送的效率、减少运营成本、降低人员驾乘风险等方面具有很大实用价值。
-
Patent Agency Ranking
公开(公告)号：CN118628744A
公开(公告)日：2024-09-10
申请号：CN202410817327.1
申请日：2024-06-24
Applicant: 中国人民解放军陆军工程大学
Abstract: 本发明公开了一种面向大场景、多目标环境的3D点云语义分割方法，包括利用K近邻搜索算子搜索原始输入点云；利用局部特征编码块对获得的双边输入特征编码；利用注意力池化模块处理融合后的双边编码特征；将输入特征和获得的局部聚合特征进行相加融合，获得输出特征；利用嵌入多尺度特征融合模块的解码器对所有分辨率下编码层的输出特征进行上采样后融合其他分辨率下上采样特征，获得与原始输入点云具有相同分辨率的特征表示；利用分割预测头对与输入点云具有相同分辨率的特征表示转换为语义分割结果并输出。本发明突破了现有技术中局部语义特征表示能力和跨尺度信息融合能力的限制，实现了大场景、多目标环境下3D点云准确、高效地语义分割。
-
公开(公告)号：CN117635406A
公开(公告)日：2024-03-01
申请号：CN202311536797.2
申请日：2023-11-17
Applicant: 中国人民解放军陆军工程大学
IPC: G06T1/00 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种机器学习技术领域的通用且隐蔽的对抗补丁生成方法、装置、系统及存储介质，旨在解决现有技术中生成的对抗补丁不能兼顾通用性和隐蔽性等问题，其包括获取输入图像的特征图；对输入图像的特征图进行显著位置的选取，得到最显著区域；利用GAN的生成器生成初始化对抗补丁，并将初始化对抗补丁放置于最显著区域生成对抗图片；利用GAN的生成器对对抗补丁的像素值进行迭代优化，得优化后的对抗补丁，输出图像。本发明使得生成的对抗补丁能够兼顾通用性（攻击性）和隐蔽性。
-
公开(公告)号：CN116484938A
公开(公告)日：2023-07-25
申请号：CN202310454228.7
申请日：2023-04-25
Applicant: 中国人民解放军陆军工程大学
IPC: G06N3/082 , G06N3/084 , G06N3/096 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06V10/82 , G06V10/764 , G06V10/766
Abstract: 本发明公开了一种计算机视觉技术领域的目标检测模型轻量化方法及系统，旨在解决现有的目标检测模型运算量高、存储大，无法方便部署的问题。包括将给定的数据集输入目标检测模型进行基础训练，得到原始目标检测模型；对原始目标检测模型进行稀疏化训练，得到稀疏目标检测模型；对稀疏目标检测模型进行通道剪枝和层剪枝，得到压缩目标检测模型；将原始目标检测模型作为教师模型并将压缩目标检测模型作为学生模型，进行知识蒸馏，得到轻量化目标检测模型；本发明能够使模型的计算量和参数量降低，推理帧率提升，同时维持模型的预测精度，从而便于模型的部署，且可根据实际需求适配不同目标的数据集，对于常用的目标检测模型均具有较好的轻量化效果。
-
公开(公告)号：CN113160391B
公开(公告)日：2022-11-08
申请号：CN202110484938.5
申请日：2021-04-30
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种双阶段三维场景建模方法，属于计算机视觉范畴。包括：使用RGBD相机和单目相机同时采集RGB数据和深度数据，使用基于视觉同步定位与建图的三维重建算法和基于运动恢复结构的三维重建算法分别以不同的速度进行建模。第一阶段实时记录SLAM重建进度，进行图像帧配准、姿态估计和点云匹配，回环检测和模型融合，短时内生成较稀疏的重建模型，且可以帮助实时定位和导航，增强数据时序性；第二阶段通过大量高清RGB图像进行基于运动恢复结构的三维重建算法，生成稠密完整且细节丰富的重建模型。既保证了对短时内重建结果辅助定位的要求，具有时效性，又能提供高重建精度的稠密重建结果。
-
公开(公告)号：CN114463205A
公开(公告)日：2022-05-10
申请号：CN202210066965.5
申请日：2022-01-20
Applicant: 中国人民解放军陆军工程大学
Abstract: 本发明公开了一种基于双分支UNet噪声抑制的车辆目标分割方法，首先收集车辆数据集，并对这些数据集进行整理；然后选取部分UNet网络作为主干网络，并在此基础上嵌入预测分支模块和噪声抑制分支模块，其中预测分支模块主要对获取的特征信息进行微调，并以此进行像素分类；噪声抑制分支模块主要通过损失函数抑制数据中的噪声干扰，以实现特征获取的精准性；最后，将获得的车辆数据集导入到模型中，然后将主干网络中提取到的图像特征信息传递到预测分支模块和噪声抑制分支模块，这两个分支模块分别使用二元交叉熵损失函数和非对称指数损失函数交替优化模型参数，以此提高模型对困难样本的判别能力，进而提升模型的整体性能。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.037 seconds)
