-
公开(公告)号：CN111461145B
公开(公告)日：2023-04-18
申请号：CN202010244313.7
申请日：2020-03-31
申请人： 中国科学院计算技术研究所
IPC分类号： G06V10/764 , G06V10/766 , G06V10/80 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/047
摘要： 本发明提供一种基于卷积神经网络进行的目标检测方法，包括：提取特征图并设置若干不同的预设框；将所述预设框进行回归以调整其位置和大小；基于所述回归后的预设框提取其对应的局部卷积特征；将所述局部卷积特征输入卷积预测器进行分类和回归，获得目标的边界框位置和目标的类别，其中，所述卷积预测器是通过将所述预设框进行分类并选择正例预设框来训练获得。
-
公开(公告)号：CN107204010A
公开(公告)日：2017-09-26
申请号：CN201710293908.X
申请日：2017-04-28
申请人： 中国科学院计算技术研究所
摘要： 本发明涉及单目图像深度估计方法和系统，包括：构建仅具有特征摄取部分的CNN模型架构，作为特征摄取架构；按所需深度图的分辨率设置多个全连接层；将全连接层连接至特征摄取架构，组成初级估计网络模型；使用训练数据集训练初级估计网络模型，并提取初级估计网络模型各层的特征图；计算特征图和其相应深度图的平均相对局部几何结构误差，并根据平均相对局部几何结构误差生成最终估计模型；使用训练数据集并结合损失函数对最终估计模型进行训练，并用训练完成后的最终估计模型对输入图像进行深度预测。本发明根据平均相对局部几何结构误差并基于损失函数训练CNN，进而提高CNN回归深度图像的精度与清晰度，生成的深度图保留了更多场景的几何结构特征。
-
公开(公告)号：CN111461211B
公开(公告)日：2023-07-21
申请号：CN202010243255.6
申请日：2020-03-31
申请人： 中国科学院计算技术研究所
IPC分类号： G06V10/80 , G06V10/82 , G06V10/44 , G06V10/764 , G06V10/766
摘要： 本发明提供一种轻量级的目标检测方法与装置。本发明的轻量级的目标检测方法包括：步骤S1：对目标图片进行特征提取以获取至少包含图像底层信息的图像特征，并至少部分保留所述底层信息对图像特征进行降维和卷积操作；步骤S2：对处理后的图像特征进行高层语义信息提取；步骤S3：将网络中前后特征图大小不同的临近层进行自适应融合；步骤S4：对融合后的信息进行分类和回归，获得目标检测结果。本发明方法能够提取和保留更多的底层细节信息，有助于目标的正确地定位、提高检测精度。并且，本发明的检测方法相比于相应技术计算量更小、消耗的存储量更少，能够保存更多底层信息。
-
公开(公告)号：CN109583483B
公开(公告)日：2020-12-11
申请号：CN201811347546.9
申请日：2018-11-13
申请人： 中国科学院计算技术研究所
IPC分类号： G06K9/62
摘要： 本发明涉及一种基于卷积神经网络的目标检测方法和系统，包括：使用多种尺度的卷积核分别提取待测图片的卷积特征图；使用全连接层调节卷积特征图每一个空间位置的特征向量，得到第一特征图，将其拼接得到拼接特征图，使用全连接层调节拼接特征图每个通道的特征信息，得到第二特征图；为第二特征图的每个空间位置上设定不同尺度和长宽比的锚点框，锚点框的坐标和大小是相对于待测图片的坐标系；将每个锚点框投影到第二特征图上，使用区域特征提取操作提取投影之后锚点框内部的特征，并将框选有物体的锚点框作为目标候选框；使用目标识别网络对目标候选框中的物体进行分类以及回归目标候选框的准确位置和大小。
-
公开(公告)号：CN111461145A
公开(公告)日：2020-07-28
申请号：CN202010244313.7
申请日：2020-03-31
申请人： 中国科学院计算技术研究所
摘要： 本发明提供一种基于卷积神经网络进行的目标检测方法，包括：提取特征图并设置若干不同的预设框；将所述预设框进行回归以调整其位置和大小；基于所述回归后的预设框提取其对应的局部卷积特征；将所述局部卷积特征输入卷积预测器进行分类和回归，获得目标的边界框位置和目标的类别，其中，所述卷积预测器是通过将所述预设框进行分类并选择正例预设框来训练获得。
-
公开(公告)号：CN107204010B
公开(公告)日：2019-11-19
申请号：CN201710293908.X
申请日：2017-04-28
申请人： 中国科学院计算技术研究所
摘要： 本发明涉及单目图像深度估计方法和系统，包括：构建仅具有特征摄取部分的CNN模型架构，作为特征摄取架构；按所需深度图的分辨率设置多个全连接层；将全连接层连接至特征摄取架构，组成初级估计网络模型；使用训练数据集训练初级估计网络模型，并提取初级估计网络模型各层的特征图；计算特征图和其相应深度图的平均相对局部几何结构误差，并根据平均相对局部几何结构误差生成最终估计模型；使用训练数据集并结合损失函数对最终估计模型进行训练，并用训练完成后的最终估计模型对输入图像进行深度预测。本发明根据平均相对局部几何结构误差并基于损失函数训练CNN，进而提高CNN回归深度图像的精度与清晰度，生成的深度图保留了更多场景的几何结构特征。
-
公开(公告)号：CN107301665A
公开(公告)日：2017-10-27
申请号：CN201710302885.4
申请日：2017-05-03
申请人： 中国科学院计算技术研究所
摘要： 本发明提供一种具有可变焦光学摄像头的深度摄像头及其控制方法，所述方法包括：1)识别由所述深度摄像头所拍摄的光学图像上存在的物体；2)确定该物体的识别置信度；以及3)如果该物体的识别置信度不大于设定阈值，则针对该物体进行光学变焦和或数字变焦，以获得新的光学图像。使用根据本发明的智能深度摄像头，可以自动地、智能地进行变焦，当被拍摄物体的识别准确度比较低时，无需人工干预即可根据物体的尺寸和距离信息进行自动变焦，从而很大程度地提高了物体识别的效果。
-
公开(公告)号：CN111461211A
公开(公告)日：2020-07-28
申请号：CN202010243255.6
申请日：2020-03-31
申请人： 中国科学院计算技术研究所
摘要： 本发明提供一种轻量级的目标检测方法与装置。本发明的轻量级的目标检测方法包括：步骤S1：对目标图片进行特征提取以获取至少包含图像底层信息的图像特征，并至少部分保留所述底层信息对图像特征进行降维和卷积操作；步骤S2：对处理后的图像特征进行高层语义信息提取；步骤S3：将网络中前后特征图大小不同的临近层进行自适应融合；步骤S4：对融合后的信息进行分类和回归，获得目标检测结果。本发明方法能够提取和保留更多的底层细节信息，有助于目标的正确地定位、提高检测精度。并且，本发明的检测方法相比于相应技术计算量更小、消耗的存储量更少，能够保存更多底层信息。
-
公开(公告)号：CN109583483A
公开(公告)日：2019-04-05
申请号：CN201811347546.9
申请日：2018-11-13
申请人： 中国科学院计算技术研究所
IPC分类号： G06K9/62
摘要： 本发明涉及一种基于卷积神经网络的目标检测方法和系统，包括：使用多种尺度的卷积核分别提取待测图片的卷积特征图；使用全连接层调节卷积特征图每一个空间位置的特征向量，得到第一特征图，将其拼接得到拼接特征图，使用全连接层调节拼接特征图每个通道的特征信息，得到第二特征图；为第二特征图的每个空间位置上设定不同尺度和长宽比的锚点框，锚点框的坐标和大小是相对于待测图片的坐标系；将每个锚点框投影到第二特征图上，使用区域特征提取操作提取投影之后锚点框内部的特征，并将框选有物体的锚点框作为目标候选框；使用目标识别网络对目标候选框中的物体进行分类以及回归目标候选框的准确位置和大小。
-
公开(公告)号：CN109168003A
公开(公告)日：2019-01-08
申请号：CN201811024913.1
申请日：2018-09-04
申请人： 中国科学院计算技术研究所
IPC分类号： H04N19/503 , H04N19/70 , H04N19/44
摘要： 本发明提供一种训练用于视频预测的生成器模型G的方法，使得使用该模型可以以较少的计算量获得更好的、长时间的视频预测效果。所述生成器模型G中包括采用神经网络模型结构的编码器与解码器，所述编码器与所述解码器之间采用跳变连接，用于生成预测的帧间差ΔX，所述预测的帧间差ΔX与训练样本求和的结果为预测帧 所述方法，包括：1)选择连续的视频帧作为训练样本，并提取训练样本的帧间差；2)将所述帧间差作为生成器模型G中编码器的输入，基于第一损失函数训练获得所述编码器与所述解码器的神经网络权值： 其中，ΔXi-1为与第i个帧间差相关的值，Xi为训练样本中的第i帧，为第i个预测帧，Xi和与所述编码器与所述解码器的神经网络权值相关。
-
-
-
-
-
-
-
-
-
搜索结果
13 条记录 (耗时 0.031 秒)