-
公开(公告)号：CN118551239A
公开(公告)日：2024-08-27
申请号：CN202410624135.9
申请日：2024-05-20
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) , 安徽大学
IPC: G06F18/232 , G06F18/2433 , G06N3/0464
Abstract: 本发明涉及在线检测技术领域，公开了一种基于数据流密度增量学习的在线检测异常识别方法，包括：根据数据流自动获取超参数；使用密度增量学习方法对已知数据集进行聚类；计算新输入数据的局部密度和基于聚类的离群因子值并进一步更新数据。本发明结合了iLOF和增量式基于密度的带噪声聚类算法的概念，利用核心k最近邻来计算每个VOCs数据点的局部异常因子，不依赖数据的整体分布，在不同数据分布的情况下都能有效检测离群点。
-
Patent Agency Ranking
公开(公告)号：CN118552491A
公开(公告)日：2024-08-27
申请号：CN202410624123.6
申请日：2024-05-20
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) , 安徽大学
IPC: G06T7/00 , G06V10/40 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06V30/18 , G06V30/19 , G06N3/0464 , G06N3/0985
Abstract: 本发明涉及环境检测技术领域，公开了一种基于跨模态提示学习的红外目标小样本检测方法，包括：制作包含VOCs气体排放场景的基类数据集，并利用共享权重的视觉骨干网络提取目标特征；利用跨模态生成器建立文本模态与图像模态之间的联系，并生成融合模态特征；使用ROI网络分别提取查询特征和支持特征，且支持特征再次使用跨模态生成器建立模态联系；对候选区域进行分类和回归预测。用小样本检测来实现对未知场景下的VOCs气体检测，并通过提示学习减低过拟合现象，并以蒸馏学习的方式实现小样本少标注或零标注，提升了对于迁移到实际应用的效率。
-
公开(公告)号：CN116704268B
公开(公告)日：2023-11-10
申请号：CN202310974647.3
申请日：2023-08-04
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了面向动态变化复杂场景的强鲁棒目标检测方法，涉及计算机视觉技术领域。具体包括以下步骤：S1、基于目标图像中的前景目标和背景信息，定义背景建模求解优化问题的代价函数；S2、构建连续帧图像中各个像素点在不同时刻的时序关系，并根据所述时序关系对目标背景进行更新；S3、通过有限状态机提取所述连续帧图像的前景掩膜；S4、通过所述前景掩膜对所述目标图像进行切割，获得目标区域，将所述目标区域输入深度卷积神经网络进行特征提取，并完成目标区域检测分类。旨在采用背景剔除方法进行图像识别时，不提高算力，同时提高图像检测在复杂背景下的鲁棒性。
-
公开(公告)号：CN115713481A
公开(公告)日：2023-02-24
申请号：CN202211143774.0
申请日：2022-09-20
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06T7/00 , G06V10/80 , G06V10/24 , G06V10/28 , G06V10/56 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/82
Abstract: 本发明的一种基于多模态融合的复杂场景目标检测方法及存储介质，包括：获取待识别目标的红外图像数据和与之对齐的可见光图像数据，并对其进行数据预处理；对红外图像和可见光图像进行融合，得到融合图像；将红外图像和融合图像分别输入到双流检测网络中，对候选框进行初步的筛选；将双流输出的候选框拼接，并对双流输出的特征图进行第二次融合；对第二次融合特征图进一步特征提取，并对其进行分类和回归预测。本发明利用了可见光图像中丰富的背景信息，结合红外图像中的目标成像信息，极大地增加了网络模型的学习性能，相对于常规只采用红外图像进行识别的网络，减少了误检和漏检的概率，从而高效的实现了对复杂场景的目标检测。
-
公开(公告)号：CN116704268A
公开(公告)日：2023-09-05
申请号：CN202310974647.3
申请日：2023-08-04
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了面向动态变化复杂场景的强鲁棒目标检测方法，涉及计算机视觉技术领域。具体包括以下步骤：S1、基于目标图像中的前景目标和背景信息，定义背景建模求解优化问题的代价函数；S2、构建连续帧图像中各个像素点在不同时刻的时序关系，并根据所述时序关系对目标背景进行更新；S3、通过有限状态机提取所述连续帧图像的前景掩膜；S4、通过所述前景掩膜对所述目标图像进行切割，获得目标区域，将所述目标区域输入深度卷积神经网络进行特征提取，并完成目标区域检测分类。旨在采用背景剔除方法进行图像识别时，不提高算力，同时提高图像检测在复杂背景下的鲁棒性。
-
公开(公告)号：CN117218067A
公开(公告)日：2023-12-12
申请号：CN202311097511.5
申请日：2023-08-28
Applicant: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明涉及电子信息技术领域，公开了一种联合多模态传感监测的复杂场景工业缺陷识别方法，包括以下步骤：利用工业灰度相机和CCD可见光相机采集SMT主板的图像，分别得到灰度图像和RGB彩色图像；构建多模态融合适配检测网络，对SMT主板的灰度图像和RGB彩色图像进行模态适配融合，并利用检测头对SMT主板缺陷进行检测；本发明采用空间注意力融合来挖掘SMT主板灰度图像和RGB彩色图像的多模态成像数据之间在空间位置上的关联，通过空间位置加权生成融合特征图。同时，利用模态适配和诱导注意力机制来引导检测网络重点关注SMT主板缺陷特征区域，实现SMT主板缺陷的实时精准检测，提高SMT主板缺陷特征判别能力。
-
-
-
-
-
Search Results
6
records
(took 0.058 seconds)
