公开(公告)号：CN115330876A

公开(公告)日：2022-11-11

申请号：CN202211131672.7

申请日：2022-09-15

Applicant: 中国人民解放军国防科技大学

Inventor： 郑永斌 ,  任强 ,  徐婉莹 ,  白圣建 ,  孙鹏 ,  朱笛 ,  杨东旭

IPC: G06T7/73 ,  G06N3/04 ,  G06V10/75 ,  G06V10/82

Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种基于孪生网络和中心位置估计的目标模板图匹配定位方法，包括如下步骤：S1构建目标模板图匹配定位网络；S2训练目标模板图匹配定位网络；S3应用训练好的目标模板图匹配定位网络模型进行目标模板图匹配定位。与传统模板匹配方法相比，本发明提供的基于孪生网络和中心位置估计的目标模板图匹配定位方法，能够充分利用深度孪生网络强大的特征提取与表征能力以及中心位置估计网络的高精度定位能力，在涵盖异源、尺度、旋转、视角等大差异的训练图像集基础上，通过训练得到应对上述复杂差异的目标模板图匹配定位网络模型，具体实施示例表明本方法具有良好的鲁棒性和定位准确性。

公开(公告)号：CN114154626B

公开(公告)日：2022-08-16

申请号：CN202111530279.0

申请日：2021-12-14

Applicant: 中国人民解放军国防科技大学

Inventor： 郑永斌 ,  任强 ,  朱迪 ,  徐婉莹 ,  白圣建 ,  李兴玮 ,  曹聚亮 ,  孙鹏 ,  杨东旭 ,  吴欣宁

IPC: G06N3/04 ,  G06N3/063 ,  G06N3/08

Abstract: 本发明属于深度神经网络模型压缩与加速领域，具体涉及一种用于图像分类任务的滤波器剪枝方法，在对滤波器重要性进行评估时，综合考虑滤波器剪枝对于当前层的直接影响和对于下一层的间接影响，使得新的评估结果能够更准确的反映滤波器的重要性，在给定剪枝率的情况下，优化待剪枝滤波器的选择，保持剪枝后模型的性能与剪枝前相当。该方法可全面评价滤波器剪枝对当前层的直接影响和对下一层的间接影响、实现对滤波器重要性的准确评估；可以在保持深度神经网络模型性能的前提下，实现深度网络模型的大幅压缩和加速，对深度神经网络模型在计算与存储资源受限设备上的轻量化部署与快速运行，具有重要的工程应用价值。

公开(公告)号：CN114154626A

公开(公告)日：2022-03-08

申请号：CN202111530279.0

申请日：2021-12-14

Applicant: 中国人民解放军国防科技大学

Inventor： 郑永斌 ,  任强 ,  朱迪 ,  徐婉莹 ,  白圣建 ,  李兴玮 ,  曹聚亮 ,  孙鹏 ,  杨东旭 ,  吴欣宁

IPC: G06N3/04 ,  G06N3/063 ,  G06N3/08

Abstract: 本发明属于深度神经网络模型压缩与加速领域，具体涉及一种基于滤波器权重综合评估的深度神经网络滤波器剪枝方法，在对滤波器重要性进行评估时，综合考虑滤波器剪枝对于当前层的直接影响和对于下一层的间接影响，使得新的评估结果能够更准确的反映滤波器的重要性，在给定剪枝率的情况下，优化待剪枝滤波器的选择，保持剪枝后模型的性能与剪枝前相当。该方法可全面评价滤波器剪枝对当前层的直接影响和对下一层的间接影响、实现对滤波器重要性的准确评估；可以在保持深度神经网络模型性能的前提下，实现深度网络模型的大幅压缩和加速，对深度神经网络模型在计算与存储资源受限设备上的轻量化部署与快速运行，具有重要的工程应用价值。

公开(公告)号：CN113705731A

公开(公告)日：2021-11-26

申请号：CN202111125805.5

申请日：2021-09-23

Applicant: 中国人民解放军国防科技大学

Inventor： 郑永斌 ,  任强 ,  徐婉莹 ,  孙鹏 ,  白圣建 ,  朱笛 ,  杨东旭

IPC: G06K9/62 ,  G06K9/46 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于图像处理技术领域，具体涉及一种基于孪生网络的端到端图像模板匹配方法，该方法将模板匹配任务作为一个分类回归问题进行处理，能够更好的解决模板与参考图像之间存在的尺度差异问题，有效提高复杂情况下模板匹配的鲁棒性。具有以下有益效果：1.将模板匹配任务作为一个分类回归任务进行处理，能够更好的解决尺度差异问题，有效提高复杂情况下模板匹配的鲁棒性；2.将深度互相关操作与通道注意力机制相结合，提出了一种用于特征融合的新的互相关操作，能够有效提高模板定位的精度；3.在损失函数的设计中，使用DIoU代替常用的IoU来构建回归损失，能够使得训练过程的稳定，加快收敛，同时进一步提高模板匹配的性能。

公开(公告)号：CN115330876B

公开(公告)日：2023-04-07

申请号：CN202211131672.7

申请日：2022-09-15

Applicant: 中国人民解放军国防科技大学

Inventor： 郑永斌 ,  任强 ,  徐婉莹 ,  白圣建 ,  孙鹏 ,  朱笛 ,  杨东旭

IPC: G06T7/73 ,  G06N3/0464 ,  G06V10/75 ,  G06V10/82

Abstract: 本发明属于图像处理和深度学习技术领域，具体涉及一种基于孪生网络和中心位置估计的目标模板图匹配定位方法，包括如下步骤：S1构建目标模板图匹配定位网络；S2训练目标模板图匹配定位网络；S3应用训练好的目标模板图匹配定位网络模型进行目标模板图匹配定位。与传统模板匹配方法相比，本发明提供的基于孪生网络和中心位置估计的目标模板图匹配定位方法，能够充分利用深度孪生网络强大的特征提取与表征能力以及中心位置估计网络的高精度定位能力，在涵盖异源、尺度、旋转、视角等大差异的训练图像集基础上，通过训练得到应对上述复杂差异的目标模板图匹配定位网络模型，具体实施示例表明本方法具有良好的鲁棒性和定位准确性。