-
公开(公告)号：CN116453001A
公开(公告)日：2023-07-18
申请号：CN202310436011.3
申请日：2023-04-21
Applicant: 东南大学
IPC: G06V20/17 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/25 , G06N3/0464 , G06N3/082 , G06V10/766
Abstract: 本发明公开了一种基于变换器和跳跃路径聚合FPN的航拍目标检测方法，包括：获取待检测的航拍图像数据；将待检测的航拍图像数据输入预先训练好的航拍小目标检测网络模型进行目标检测，得到待检测的航拍图像数据的目标检测结果；其中，航拍小目标检测网络模型为利用可变形卷积和变换器模块结合的深度聚合残差变换网络进行特征提取，利用跳跃路径聚合特征金字塔网络进行特征融合，利用双路路解耦检测头进行目标检测。在无人机航拍视角拍摄的图片中，能够达到更高的检测精度，尤其是在有大量小目标存在的场景中。
-
公开(公告)号：CN116363484A
公开(公告)日：2023-06-30
申请号：CN202310359846.3
申请日：2023-04-06
Applicant: 东南大学
Abstract: 本发明公开一种基于注意力机制的小样本目标检测系统及方法，系统包括：分组空间与通道注意力模块、注意力残差模块。分组空间与通道注意力模块用于完成基于空间信息嵌入的通道间的注意力机制，并将最终的空间与通道注意力的权重加载在原特征图上；注意力残差模块基于分组空间与通道注意力模块，通过卷积层、归一化层、激活函数等，以及残差连接，构成注意力残差模块，以避免注意力梯度消失与梯度爆炸。
-
公开(公告)号：CN116524379A
公开(公告)日：2023-08-01
申请号：CN202310436543.7
申请日：2023-04-21
Applicant: 东南大学
IPC: G06V20/17 , G06V10/82 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开了一种基于注意力机制和自适应特征融合的航拍目标检测方法，包括：获取待检测的航拍图像数据；将待检测的航拍图像数据输入预先训练的航拍小目标检测模型，得到待检测的航拍图像数据的目标检测结果，其中，航拍小目标检测模型为在YOLO算法框架中设置轻量级自适应特征融合模块和混洗坐标注意力层，并利用训练航拍图像数据及其对应的目标检测结果训练得到。本发明在航拍视角小目标检测上，能够达到更高的识别精度。对于无人机平台的航拍小目标检测，网络速度快精度搞，能够以较低参数和计算复杂度表现出更好的检测效果。
-
Patent Agency Ranking
公开(公告)号：CN114638989A
公开(公告)日：2022-06-17
申请号：CN202210259649.X
申请日：2022-03-16
Applicant: 东南大学
IPC: G06V10/764 , G06V10/774 , G06K9/62 , G06N3/04
Abstract: 本发明提供一种基于目标检测和细粒度识别的故障分类可视化方法，采用两阶段方法，首先通过目标检测定位到故障的位置，并保存坐标信息，此为第一阶段。当使用细粒度算法训练出模型后，利用第一阶段的坐标信息以及训练模型，就可以标注出发生故障所在的位置以及是否有故障，也即对分类后的结果进行了可视化操作，达到和目标识别一样的效果。该方法的可视化操作即为在图片中显式的标注出故障位置和所属类别。该分类方法在细粒度识别阶段使用的是弱监督方法，高效快捷，适用范围广，算力消耗低，与现阶段的单一目标检测方法和单一的细粒度识别算法相比，不仅提高了工业中故障分类的准确率而且可以对图片中的故障进行显式定位，满足工业需求。
-
公开(公告)号：CN116452947A
公开(公告)日：2023-07-18
申请号：CN202310366161.1
申请日：2023-04-07
Applicant: 东南大学
IPC: G06V10/82 , G06V10/774 , G06V10/776 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/082
Abstract: 本发明提供一种基于多尺度融合和可变形卷积的跨域故障检测方法，解决火车故障图像跨域目标检测中相应的问题。包括如下步骤：准备正常场景下的火车故障数据集作为源域数据集和雾天场景下的火车故障数据集作为目标域数据集；设计一个域自适应特征金字塔，加入到RetinaNet目标检测网络中，来实现源域和目标域的特征对齐；在目标检测网络中的backbone加入可变形卷积模块来实现对形态差异大的故障的适应能力；在原有检测网络中的FPN加入ASFF模块，解决FPN网络中不同尺度学习目标不一致的问题；将RetinaNet网络的回归子网络损失函数改为CIOU loss，优化模型的损失。该基于多尺度融合和可变形卷积的跨域故障检测方法是解决目标检测模型在有雾场景下对火车故障检测结果较差的问题。
-
公开(公告)号：CN116385966A
公开(公告)日：2023-07-04
申请号：CN202310348084.7
申请日：2023-04-04
Applicant: 东南大学
IPC: G06V20/52 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明提供一种基于注意力机制的图像故障细粒度识别方法，在细粒度识别网络NTS‑Net的基础上，使用一种软池化的双通道注意力网络，针对铁路数据集黑、灰、白的背景，经过两个通道，从两个维度获取更加有效的特征语义。为了避免特征信息在经过注意力网络的时候有所丢失，通过软池化的方式来避免池化过程中的信息损失，有助于后续环节。最后，通过更改网络损失函数，在不需要对故障图片进行数据增强的前提下，削弱故障样本和正常样本数量不平衡给结果带来的干扰。该识别方法采用的是弱监督方法，高效快捷，适用范围广，算力消耗低。
-
公开(公告)号：CN116597244A
公开(公告)日：2023-08-15
申请号：CN202310365243.4
申请日：2023-04-07
Applicant: 东南大学
IPC: G06V10/774 , G06V10/82 , G06V10/778 , G06V10/776 , G06V10/77 , G06V10/80 , G06N3/04 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于元学习方法的小样本目标检测方法，可实现小样本条件下的精确目标检测。发明主要包括：获取公开的目标检测数据集，进而构建训练集和测试集；构建基于元学习(Meta Learning)的小样本目标检测网络；使用训练集和测试集对基于元学习的小样本目标检测算法进行训练、验证与测试。本发明与当前主要的小样本目标检测算法相比，能够克服训练过程中对某些特定的样本类别的过拟合和欠拟合，同时在所有样本类别上有更高的检测精度，是一种更加高效及精确的小样本目标检测算法。
-
公开(公告)号：CN114596477A
公开(公告)日：2022-06-07
申请号：CN202210258835.1
申请日：2022-03-16
Applicant: 东南大学
IPC: G06V10/774 , G06V10/764 , G06V10/40 , G06K9/62
Abstract: 本发明公开一种基于领域自适应和注意力机制的雾天火车故障检测方法，包括如下步骤：准备正常场景下的火车故障数据集作为源域数据集和雾天场景下的火车故障数据集作为目标域数据集；对目标检测模型中的特征提取网络，加入通道注意力模块；在特征提取网络后加入图像级域自适应模块和实例级域自适应模块来实现源域和目标域的特征对齐；最后输入带标签的源域数据集和不带标签的目标域数据集完成域自适应的火车故障检测。该基于领域自适应和注意力机制的雾天火车故障检测方法是解决目标检测模型在有雾天气下对火车故障检测结果较差的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.013 seconds)
