-
公开(公告)号：CN110533067A
公开(公告)日：2019-12-03
申请号：CN201910660518.0
申请日：2019-07-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的边框回归的端到端弱监督目标检测方法。本发明在弱监督卷积神经网络中，经过卷积层，选择性搜索的边框经过特征图进行金字塔池化层和两个全连接层后输出预测边框的特征向量，后面再接一个全连接层和类别上的softmax层；最后输出选择性搜索框中的对应每个物体类的预测分数；选择每个类的得分最高的框最为这个类的伪标注边框；利用每个类别的检测出的最高分数的边框作为伪标注边框对弱监督模型预测出的物体框进行回归，从而产生回归损失函数，回归损失函数和弱监督模型的分类以及定位损失函数共同组成新的损失函数监督弱监督检测模型。本发明减少了检测时间，提高了目标检测的效率。
-
公开(公告)号：CN110675360A
公开(公告)日：2020-01-10
申请号：CN201910712025.7
申请日：2019-08-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度图像的实时平面检测及提取的方法。本发明包括如下步骤：步骤1：对深度图像做预处理，并对深度图像提取区块信息；步骤2：对区块的几何参数分布做降维统计；步骤3：对估计的各个平面法向量查找平行平面；步骤4：平面参数优化。本发明根据深度图像的成像原理及平面结构的空间特性，使得计算机可以实时地通过深度图像获取环境中的平面结构信息，使得三维重建结果更加准确。从而准确高效地从深度图像中提取平面结构信息。
-
公开(公告)号：CN108447019A
公开(公告)日：2018-08-24
申请号：CN201810122341.4
申请日：2018-02-07
Applicant: 杭州电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于对偶图的图像超分辨率方法。本发明通过引进图模型来探索图像内部像素的拓扑特性和自相似性。提出了基于向量的行图模型和基于向量的列图模型，将每个像素看成是一个节点的图模型，而是通过构造相似块组从而将每一列或每一行看成是一个节点，节点间的距离计算即为列向量或行向量之间的欧氏距离。最终得到的超分辨率的表达式的正则项为对偶图，二次项为超分辨组与字典的乘积、待处理组之间的偏差。最后引入了图像正则化技术，将图像处理后的偏差进行一个回传正则化迭代，进一步对提出的方法进行优化。本发明将图模型延伸到了向量节点模式，并非单一的像素节点模式，并应用在了图像超分辨率领域。
-
Patent Agency Ranking
公开(公告)号：CN111612051B
公开(公告)日：2023-06-20
申请号：CN202010364601.6
申请日：2020-04-30
Applicant: 杭州电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的弱监督目标检测方法。本发明通过引入只检测到物体一部分的伪标注框作为弱监督目标检测网络的监督条件，通过多实例网络只检测到物体的一部分而不是覆盖全部物体；利用图卷积神经网络把检测为物体框的邻近且相交的候选框学习物体框的特征表示；因为和物体框相交的候选框也是物体的一部分，通过学习检测为物体的框的特征表示来改变候选框的特征表示，邻近的框学习检测为物体的框的特征；候选框和检测为物体框的特征表示就会相似，弱监督网络测试的时候会把与检测为物体框的邻近候选框也分类为目标物体；从而检测出的目标框覆盖更大的面积和更全的物体，提高弱监督目标检测的精度。
-
公开(公告)号：CN108052002A
公开(公告)日：2018-05-18
申请号：CN201711164794.5
申请日：2017-11-21
Applicant: 杭州电子科技大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明公开了一种改进的模糊PID的智能汽车自动循迹方法。本发明的方法是通过智能车的传感器来测量小车在道路的位置，以及偏移道路的远近。当智能车在道路中间时，传感器检测到此时的偏差e为零，当智能车偏离车道越远时，此时的偏差e也就越大。当智能车偏离车道的速度为零时，此时的传感器检测到偏差的变化率ec为零。同理当智能车偏离车道的速度越大时，此时的偏差变化率ec也就越大。当计算出偏差e及偏差的变化率ec时，就可以通过和模糊PID算法结合，算出最终的PID值。本发明比普通的模糊PID算法更精确的且更实时的反应道路的信息。使智能车驾驶更加流畅精确。
-
公开(公告)号：CN108447019B
公开(公告)日：2022-10-18
申请号：CN201810122341.4
申请日：2018-02-07
Applicant: 杭州电子科技大学
IPC: G06T3/40
Abstract: 本发明公开了一种基于对偶图的图像超分辨率方法。本发明通过引进图模型来探索图像内部像素的拓扑特性和自相似性。提出了基于向量的行图模型和基于向量的列图模型，将每个像素看成是一个节点的图模型，而是通过构造相似块组从而将每一列或每一行看成是一个节点，节点间的距离计算即为列向量或行向量之间的欧氏距离。最终得到的超分辨率的表达式的正则项为对偶图，二次项为超分辨组与字典的乘积、待处理组之间的偏差。最后引入了图像正则化技术，将图像处理后的偏差进行一个回传正则化迭代，进一步对提出的方法进行优化。本发明将图模型延伸到了向量节点模式，并非单一的像素节点模式，并应用在了图像超分辨率领域。
-
公开(公告)号：CN110675360B
公开(公告)日：2022-04-01
申请号：CN201910712025.7
申请日：2019-08-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度图像的实时平面检测及提取的方法。本发明包括如下步骤：步骤1：对深度图像做预处理，并对深度图像提取区块信息；步骤2：对区块的几何参数分布做降维统计；步骤3：对估计的各个平面法向量查找平行平面；步骤4：平面参数优化。本发明根据深度图像的成像原理及平面结构的空间特性，使得计算机可以实时地通过深度图像获取环境中的平面结构信息，使得三维重建结果更加准确。从而准确高效地从深度图像中提取平面结构信息。
-
公开(公告)号：CN111612051A
公开(公告)日：2020-09-01
申请号：CN202010364601.6
申请日：2020-04-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于图卷积神经网络的弱监督目标检测方法。本发明通过引入只检测到物体一部分的伪标注框作为弱监督目标检测网络的监督条件，通过多实例网络只检测到物体的一部分而不是覆盖全部物体；利用图卷积神经网络把检测为物体框的邻近且相交的候选框学习物体框的特征表示；因为和物体框相交的候选框也是物体的一部分，通过学习检测为物体的框的特征表示来改变候选框的特征表示，邻近的框学习检测为物体的框的特征；候选框和检测为物体框的特征表示就会相似，弱监督网络测试的时候会把与检测为物体框的邻近候选框也分类为目标物体；从而检测出的目标框覆盖更大的面积和更全的物体，提高弱监督目标检测的精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
