-
公开(公告)号：CN114415254A
公开(公告)日：2022-04-29
申请号：CN202210072417.3
申请日：2022-01-21
申请人： 哈尔滨工业大学
摘要： 基于在线学习的多事例弱监督火星表面形态检测方法，属于机器视觉物体检测领域。本发明针对现有弱监督物体检测方法检测精度低和收敛于局部最优解的问题。包括对火星远景图像采用选择性搜索算法生成多个侯选框；采用VGG16网络模型对火星远景图像进行图像特征的提取；进而得到每个候选框的全连接特征；弱监督检测网络中，输入候选框的全连接特征，通过分类和检测分支判断每个候选框的类别和对候选框的位置信息进行打分，最后将两分支的得分相乘得到候选框的得分作为事例级标签；K级精细化网络层以多事例学习网络或者前一级分支的每个候选框的得分作为监督信息，对网络其他优化分支进行训练，并进行后向传播计算。本发明用于火星表面地形和目标的检测。
-
公开(公告)号：CN118411647A
公开(公告)日：2024-07-30
申请号：CN202410448620.5
申请日：2024-04-15
申请人： 哈尔滨工业大学
IPC分类号： G06V20/40 , G06V10/25 , G06V10/774 , G06V10/764 , G06V10/75 , G06V10/82
摘要： 一种基于两阶段训练和多视图自标注策略的开放世界目标检测方法，它属于计算机视觉中的目标检测技术领域。本发明解决了现有基于封闭世界假设设计的目标检测方法会对真值标签不存在的未知新类别造成误检、漏检的问题。本发明基于基础模型Deformable‑DETR引入一个类别不可知的二分类头，并提出两阶段的模型训练方法。第一阶段，二分类头将所有预测输出二分类为前景或者背景；第二阶段，提出多视图自标注策略和一致性约束方法，基于当前已知类别的数据集微调模型的投影层、分类头和二分类头的参数，冻结其他类别不可知模块的参数。训练好的模型可以对已知类别的目标进行正确分类，并将未知类别的目标识别出来。本发明方法可以应用于开放世界目标检测。
-
公开(公告)号：CN115439688B
公开(公告)日：2023-06-16
申请号：CN202211066364.0
申请日：2022-09-01
申请人： 哈尔滨工业大学
IPC分类号： G06V10/764 , G06V10/77 , G06V10/80 , G06V10/82 , G06T7/73 , G06V10/22 , G06N3/048 , G06N3/0895
摘要： 一种基于周围区域感知与关联的弱监督物体检测方法，涉及物体检测技术领域，针对现有技术中弱监督物体检测容易收敛于局部最优解，直观表现为只能检测到物体最有判别力的区域，而不是全部物体区域，导致物体定位失败，进而导致检测精度低的问题，本申请解决了弱监督物体检测方法中检测精度低和收敛于局部最优解的问题，突破了弱监督不存在提高定位精度的模块的局限，降低了物体检测技术对昂贵的人工标注的需求。本发明属于在实际应用场景中，物体检测的基础性技术研究工作，在一定程度上推动了人工智能深度学习的物体检测技术的落地，弥补了弱监督与全监督物体检测的差距。
-
公开(公告)号：CN116206142A
公开(公告)日：2023-06-02
申请号：CN202211105275.2
申请日：2022-09-09
申请人： 哈尔滨工业大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/40 , G06N3/08 , G06N3/0464
摘要： 一种基于退化网络特征学习的压缩图像目标检测方法，涉及计算机视觉技术领域，针对现有技术中目标检测方法利用缩略图进行检测以减少计算量时，会存在准确率降低，甚至为零的问题，本申请首先通过监督的方法学习到一个缩略图，然后将产生的缩略图送入未改变网络结构的目标检测器中，通过这样的方法可以极大地减少计算量和内存占用。本申请的降采样模块能够充分利用卷积神经网络强大的特征提取能力从原始大尺寸图像中生成缩略图。该缩略图是在图像降采样损失、知识蒸馏损失以及目标检测损失的监督下生成的，因此它具有原始图像关键的信息，可以替代原始图像进行目标检测任务。并且通过学习得到的缩略图在目标检测效果上比传统的插值方法要好很多。
-
公开(公告)号：CN115439688A
公开(公告)日：2022-12-06
申请号：CN202211066364.0
申请日：2022-09-01
申请人： 哈尔滨工业大学
摘要： 一种基于周围区域感知与关联的弱监督物体检测方法，涉及物体检测技术领域，针对现有技术中弱监督物体检测容易收敛于局部最优解，直观表现为只能检测到物体最有判别力的区域，而不是全部物体区域，导致物体定位失败，进而导致检测精度低的问题，本申请解决了弱监督物体检测方法中检测精度低和收敛于局部最优解的问题，突破了弱监督不存在提高定位精度的模块的局限，降低了物体检测技术对昂贵的人工标注的需求。本发明属于在实际应用场景中，物体检测的基础性技术研究工作，在一定程度上推动了人工智能深度学习的物体检测技术的落地，弥补了弱监督与全监督物体检测的差距。
-
公开(公告)号：CN114387485B
公开(公告)日：2023-04-18
申请号：CN202210043031.X
申请日：2022-01-14
申请人： 哈尔滨工业大学
IPC分类号： G06V10/774 , G06V10/764 , G06V10/44 , G06V10/54 , G06V10/56 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/0475 , G06N3/094 , G06N3/09 , G06N3/088
摘要： 一种基于生成对抗网络的火星图像增广方法，属于计算机视觉中图像增广技术领域。针对现有火星图像增广方法获得的火星图像分辨率低、无法控制图像类别以及训练不稳定的问题。包括：基于DCGAN的图像生成网络，针对DCGAN难以生成优质的高分辨率火星图像的问题，使用渐进式的网络训练方法进行精细地图像生成；针对GAN无法控制目标类火星图像生成的问题，引入风格迁移技术设计了可控的火星图像生成方法；针对DCGAN训练不稳定而难以使火星车自主完成训练的问题，基于wasserstein距离设计了新的损失函数。本发明用于火星图像增广。
-
公开(公告)号：CN118781434A
公开(公告)日：2024-10-15
申请号：CN202410997246.4
申请日：2024-07-24
申请人： 哈尔滨工业大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/25 , G06N3/0455 , G06N3/0464 , G06V10/80
摘要： 一种基于流式感知的在线目标检测方法，属于自动驾驶中基于计算机视觉的物体检测技术领域。本发明针对现有目标检测模型的计算量大并且不能准确检测变化环境中连续目标物体的问题。包括对当前帧图像采用目标检测模型进行检测获得当前帧检测结果；结合前一帧检测结果进行关联帧损失的计算，并调整目标检测模型的模型参数，得到训练后目标检测模型；将训练后目标检测模型用于车辆行驶过程中的在线目标检测；所述目标检测模型包括特征编码加速模块、混合查询选择模块和解码层；将前一帧检测结果通过投影模块投影到当前帧检测结果上，根据当前帧检测结果和前一帧检测结果的投影计算得到关联帧损失。本发明用于自动驾驶中在线目标检测。
-
公开(公告)号：CN118570526A
公开(公告)日：2024-08-30
申请号：CN202410639659.5
申请日：2024-05-22
申请人： 哈尔滨工业大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/74 , G06V10/766 , G06T9/00
摘要： 一种基于区域感知与测试时自适应的弱监督物体检测方法，属于计算机视觉中的物体检测技术领域。本发明针对现有弱监督检测中过多的候选区域造成计算复杂度高，并且保留高分类分数候选区域易造成区域内检测物体不完整的问题。包括采用区域感知框架获得初步完整目标候选区域：基于初级候选区域与原始图像特征图获得初级候选区域空间特征图；再得到高维非线性特征，进而得到区域嵌入；结合类别嵌入获得相似度图，再确定初步完整目标候选区域；再采用弱监督检测器进行目标位置预测，获得检测目标的查询区域和键区域；查询区域与键区域再经过无监督对比学习模块的融合过程得到物体检测结果。本发明用于训练数据标注信息稀缺情况下的物体检测。
-
公开(公告)号：CN118247488A
公开(公告)日：2024-06-25
申请号：CN202410448616.9
申请日：2024-04-15
申请人： 哈尔滨工业大学
IPC分类号： G06V10/25 , G06V10/774 , G06V10/764 , G06V10/82
摘要： 一种基于知识蒸馏和样本重放的连续开放世界目标检测方法，它属于计算机视觉中的目标检测技术领域。本发明解决了现有对真值标签不存在的未知新类别造成误检、漏检，对之前已知类别的灾难性遗忘问题。本发明为基础模型Deformable‑DETR新引入一个类别不可知的二分类头，将全部已知类别的目标划分为T个任务，针对每个任务分别进行两阶段训练。第一阶段为预训练，二分类头将所有预测输出二分类为前景或者背景，促进模型学习无偏特征。第二阶段为训练，基于当前已知类别的数据集微调模型的投影层、分类头和二分类头的参数，冻结其他类别不可知模块的参数，并基于知识蒸馏和样本重放技术缓解模型对已知类别的灾难性遗忘问题。本发明方法可以应用于开放世界目标检测。
-
公开(公告)号：CN114415254B
公开(公告)日：2023-02-07
申请号：CN202210072417.3
申请日：2022-01-21
申请人： 哈尔滨工业大学
摘要： 基于在线学习的多事例弱监督火星表面形态检测方法，属于机器视觉物体检测领域。本发明针对现有弱监督物体检测方法检测精度低和收敛于局部最优解的问题。包括对火星远景图像采用选择性搜索算法生成多个侯选框；采用VGG16网络模型对火星远景图像进行图像特征的提取；进而得到每个候选框的全连接特征；弱监督检测网络中，输入候选框的全连接特征，通过分类和检测分支判断每个候选框的类别和对候选框的位置信息进行打分，最后将两分支的得分相乘得到候选框的得分作为事例级标签；K级精细化网络层以多事例学习网络或者前一级分支的每个候选框的得分作为监督信息，对网络其他优化分支进行训练，并进行后向传播计算。本发明用于火星表面地形和目标的检测。
-
-
-
-
-
-
-
-
-
搜索结果
15 条记录 (耗时 0.021 秒)
