-
公开(公告)号：CN108537132B
公开(公告)日：2021-10-01
申请号：CN201810218531.6
申请日：2018-03-16
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种基于监督学习的深度自动编码器的道路分割方法，针对传统分割方法存在的分割精度不高、实时性不好，基于全卷积网络的语义分割方法存在的网络结构复杂、参数调优繁琐、训练周期长等问题，在传统的自动编码器模型中加入监督层，通过监督学习机制来抽取有利于道路图像分割的特征，实现道路图像语义分割。本发明的监督学习机制促使网络结构着重学习区域的轮廓、边界等信息而忽略与分割无关的图像细节，取得了更好的道路分割效果。并且本发明所提出的方法模型简单、训练时间和运行时间都远低于Segnet网络，这对实时性要求很高的道路识别而言是极其关键的。
-
公开(公告)号：CN108596044B
公开(公告)日：2021-05-07
申请号：CN201810280444.3
申请日：2018-04-02
Applicant: 中国人民解放军陆军工程大学
Abstract: 本发明公开一种基于深度卷积神经网络的行人检测方法，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)样本图像预处理：对样本集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余样本灰度图像；(30)深度卷积网络模型获取：利用低冗余训练样本，采用连续dropout策略，对深度卷积网络进行训练，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)行人检测：利用深度卷积网络模型，对使用现场图像进行行人检测。本发明的基于深度卷积网络的行人检测方法，通过连续dropout策略，在保持网络训练精度的同时，获得更好的泛化能力，从而在行人检测中得到更高的正确率。
-
公开(公告)号：CN108537132A
公开(公告)日：2018-09-14
申请号：CN201810218531.6
申请日：2018-03-16
Applicant: 中国人民解放军陆军工程大学
Abstract: 一种基于监督学习的深度自动编码器的道路分割方法，针对传统分割方法存在的分割精度不高、实时性不好，基于全卷积网络的语义分割方法存在的网络结构复杂、参数调优繁琐、训练周期长等问题，在传统的自动编码器模型中加入监督层，通过监督学习机制来抽取有利于道路图像分割的特征，实现道路图像语义分割。本发明的监督学习机制促使网络结构着重学习区域的轮廓、边界等信息而忽略与分割无关的图像细节，取得了更好的道路分割效果。并且本发明所提出的方法模型简单、训练时间和运行时间都远低于Segnet网络，这对实时性要求很高的道路识别而言是极其关键的。
-
公开(公告)号：CN108596044A
公开(公告)日：2018-09-28
申请号：CN201810280444.3
申请日：2018-04-02
Applicant: 中国人民解放军陆军工程大学
Abstract: 本发明公开一种基于深度卷积神经网络的行人检测方法，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)样本图像预处理：对样本集图像进行尺寸变换、对比度归一化和白化处理，得到低冗余样本灰度图像；(30)深度卷积网络模型获取：利用低冗余训练样本，采用连续dropout策略，对深度卷积网络进行训练，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)行人检测：利用深度卷积网络模型，对使用现场图像进行行人检测。本发明的基于深度卷积网络的行人检测方法，通过连续dropout策略，在保持网络训练精度的同时，获得更好的泛化能力，从而在行人检测中得到更高的正确率。
-
-
-
Search Results
4
records
(took 0.023 seconds)
