-
公开(公告)号：CN115761845A
公开(公告)日：2023-03-07
申请号：CN202211368669.7
申请日：2022-11-03
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于改进的MTCNN的人脸检测方法。我们首先在通过一种使用生成对抗网络的超分辨率技术——SRGAN，将低像素图像转换为高像素图像，SRGAN使用反学习方法，结合像素均方误差、VGG高维特征均方误差和针对训练损失的深度卷积网络来实现超分辨率恢复。在原有MTCNN网络结构中创新性地引入了InceptionV2网络结构，提高了网络的学习性能，既保留了原有网络结构的优点，又进一步提高了人脸检测算法的效率和准确性。该模块通过对特征图进行三种不同的卷积(1×1,3×3,5×5)来提取更多的特征。不同的卷积检查对不同位置的人脸具有不同的学习效果。使用不同的卷积核进行学习可以更好地达到理想的学习效果。
-
公开(公告)号：CN115761118A
公开(公告)日：2023-03-07
申请号：CN202211395904.X
申请日：2022-11-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06T17/00 , G06T3/40 , G06T17/10 , G06T5/00 , G06N3/0499
Abstract: 本发明基于SSRNet网络设计了一种可拓展的表面重建的方法，该网络将大规模点云进行分块处理，并以八叉树顶点为中心点来构造局部空间的几何感知特征，弥补了传统的表面重建方法只能处理小范围的点云，难以满足对大场景以及精细表面的重建需求。本发明首先以PointNet++网络为基础，将网络层数由2层增加为3层，提取出点云的局部特征，再用八叉树结构来划分点云，将八叉树顶点作为分块的局部空间的中心点，提取出局部空间的全局特征，并增加Dropout结构来防止过拟合，然后使用SSRNet对八叉树的顶点标签进行预测，再将分块处理的部分组合起来形成全局场景，通过Marching Cubes提取目标物的表面，最后使用拉普拉斯算法对表面进行平滑细化，最终完成表面重建的任务。
-
公开(公告)号：CN115728265A
公开(公告)日：2023-03-03
申请号：CN202211547016.5
申请日：2022-12-05
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G01N21/3563 , G01N21/359
Abstract: 本发明公开了一种基于改进PLSR算法的土壤总氮检测方法。该发明在土壤理化性质检测领域有一定的通用性，并针对土壤总氮含量的预测做了一些特殊改进，该专利应用于土壤总氮含量的快速检测。普遍用于土壤中总氮分析的国家标准方法为一种基于实验室分析的化学湿法，不仅分析速度慢、操作复杂、分析成本高、容易造成二次污染，并且很难应用于野外现场分析。针对检测算法问题，首先对光谱数据进行了SG平滑滤波，然后对平滑后的数据进行PLSR建模。基于一种基于改进PLSR算法的土壤总氮检测方法，在检测速度上有明显提升，在检测准确率上也有较好的效果。
-
公开(公告)号：CN115661715A
公开(公告)日：2023-01-31
申请号：CN202211368436.7
申请日：2022-11-03
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明公开了一种基于联合检测跟踪网络的多目标跟踪方法。本发明结合传统的检测和跟踪的算法，两个任务共享特征提取网络。本发明提出了基于代价矩阵的损失函数该损失函数有效的改善了检测任务和Re‑ID任务的不兼容问题。本发明提出了根据目标的偏移距离，对原始特征图进行调整。本发明提出了结合多帧的跟踪线索，通过求和的方式和当前帧的图像一起输入到网络中，有效的改善了检测的效果，提高了算法在部分遮挡场景下的检测效果。
-
公开(公告)号：CN115661461A
公开(公告)日：2023-01-31
申请号：CN202211390419.3
申请日：2022-11-04
Applicant: 电子科技大学长三角研究院(湖州)
IPC: G06V10/26 , G06N3/0464 , G06N3/08 , G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于多特征级联全卷积网络的复杂道路场景分割方法。自动车道检测是自动驾驶汽车中的一项经典任务，传统计算机视觉技术可以执行。然而，这种技术缺乏在实现高精度的可靠性，同时在复杂和动态的道路场景中实时检测的背景下保持足够的时间复杂性。深度神经网络已经证明了它们能够在手动标记的数据上训练它们时实现竞争的准确性和时间复杂性。然而，传统算法的效率低下，精度较低。本文提出将UNet网络和改进后的DensNet网络相结合，为复杂道路场景中的车道检测任务提供了一个新的思路。
-
Patent Agency Ranking
公开(公告)号：CN111582062B
公开(公告)日：2022-10-14
申请号：CN202010315220.9
申请日：2020-04-21
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于YOLOv3的目标跟踪中的重检测方法，该方法主要使用深度学习目标检测算法YOLOv3作为重检测方法，YOLOv3具有深度学习强大的特征提取能力，在检测精度上遥遥领先于传统的重检测方法，使用YOLOv3算法代替传统的重检测方法，可以极大地提高重检测效果，同时也有较好的检测速度，最终使得目标跟踪过程能够更稳定的进行。
-
公开(公告)号：CN115115860A
公开(公告)日：2022-09-27
申请号：CN202210856359.3
申请日：2022-07-20
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明基于改进的SuperPoint网络和改进的SuperGlue网络设计了一种融合网络，该网络利用全卷积网络提取图像特征点，使用一种亚像素化模块利用邻域窗口信息增进特征点的坐标精度，对图像特征点与特征向量联合编码后利用注意力机制模拟人类进行特征点匹配的过程并采用Sinkhorn算法解算匹配关系。本发明设计了自适应的空间约束层，利用空间约束关系对粗匹配点对进行多种方法的并行筛选和计算，能够自适应判别图像间的空间关系，对输入图像提取出匹配好的特征点对。
-
公开(公告)号：CN113392842B
公开(公告)日：2022-08-05
申请号：CN202110621939.X
申请日：2021-06-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于点数据网络结构改进的点云语义分割方法。该发明可以进一步增强以PointNet++为代表的三维点云语义分割算法在不同应用场景下的性能。PointNet++网络利用了2层的点云编码结构和2层的解码结构来进行网络特征的提取，单个采样点最终聚合的空间点信息时不充足的，且PointNet++网络复用了大量的MLP网络结构，在网络训练模型的过程中，很有可能导致网络模型出现过拟合现象。本发明提出的基于点数据网络结构改进的点云语义分割方法，通过加深网络的层数，使网络深度增加，从而让编码过程中，点的信息学习更加有效，并在网络最后的全连接层部分引入Dropout层。
-
公开(公告)号：CN112396619B
公开(公告)日：2022-05-10
申请号：CN202010811805.X
申请日：2020-08-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于语义分割的内部复杂组成的小型颗粒分割方法，属于图像处理技术领域。本发明首先建立了小型颗粒数据库；然后，分别从特征图融合方式、反卷积方式、损失函数这三个方面对经典的语义分割网络FCN‑8s做出改进，得到G‑Chalk网络；接着，对SLIC超像素分割算法做了深入研究，将其与GLCM灰度共生矩阵技术相结合，解决了SLIC算法处理小尺度图像误分割的问题；最后，将G‑Chalk网络与SLIC超像素分割的结果进行融合，使得语义分割图更精确。本发明可以用于稻米质量分析、细胞结构分析等技术领域，其分割准确率高。
-
公开(公告)号：CN113392842A
公开(公告)日：2021-09-14
申请号：CN202110621939.X
申请日：2021-06-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于点数据网络结构改进的点云语义分割方法。该发明可以进一步增强以PointNet++为代表的三维点云语义分割算法在不同应用场景下的性能。PointNet++网络利用了2层的点云编码结构和2层的解码结构来进行网络特征的提取，单个采样点最终聚合的空间点信息时不充足的，且PointNet++网络复用了大量的MLP网络结构，在网络训练模型的过程中，很有可能导致网络模型出现过拟合现象。本发明提出的基于点数据网络结构改进的点云语义分割方法，通过加深网络的层数，使网络深度增加，从而让编码过程中，点的信息学习更加有效，并在网络最后的全连接层部分引入Dropout层。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.025 seconds)
