公开(公告)号：CN119339203A

公开(公告)日：2025-01-21

申请号：CN202411301043.3

申请日：2024-09-18

Applicant: 淮阴工学院

Inventor： 马甲林 ,  王浩 ,  陈伟 ,  林俊锋 ,  谢乾 ,  李俊宇 ,  翟中豪 ,  尤洪峰

IPC: G06V10/82 ,  G06V10/52 ,  G06V10/80 ,  G06V10/25 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于改进RTDETR的多尺度特征学习小目标检测方法，对RTDETR的主干网络Backbone进行改进，通过Conv层，MaxPool层和PRep‑Block模块进行初步的特征提取；PRep‑Block模块在BasicBlock中添加PConv，并在PConv的最后的卷积层使用了RepConv进行替换，得到PRep‑Block。CCFM模块中，特征融合步骤采用TFE模块改进多尺度特征融合方式，并在每个特征融合后添加VoVGSCSP模块以优化通道特征表示。在最后的特征融合步骤中，使用SSFF模块进行多尺度特征融合。与现有技术相比，本发明模型通过增强多尺度特征的提取和融合能力，进一步提高了特征图的表达能力和鲁棒性，实现了模型的轻量化，适于低端设备运行，同时提升了化工区域安全装备识别的精度，尤其是小目标的检测精度。

公开(公告)号：CN119399428A

公开(公告)日：2025-02-07

申请号：CN202411410070.4

申请日：2024-10-10

Applicant: 淮阴工学院

Inventor： 马甲林 ,  姚子俊 ,  陈伟 ,  王浩 ,  林俊锋 ,  丁伟国 ,  翟中豪 ,  李俊宇

IPC: G06V10/25 ,  G06V10/44 ,  G06V10/82 ,  G06V10/80 ,  G06V10/52 ,  G06N3/0455 ,  G06N3/0464 ,  G06V20/52

Abstract: 本发明公开了一种融合UniRepLKNet和AFNet的烟雾检测方法。包括：获取烟雾数据集进行预处理，将预处理后的图像数据集划分为训练集和测试集；以YOLOv8作为基础网络，引入主干网络UniRepLKNet_SCAB替换原来的backbone；加入SegNext_Attention注意力框架结构，重构neck部分，引入全新AdaptiveFusionNet(AFNet)模型结构，引入MixedAttentionContextGuidedBlock（MACGB Block）混合注意力机制改进C2f模块，以此构建烟雾目标检测模型；使用改进后的yolov8网络结构作为烟雾目标检测模型检测烟雾图像。与现有技术相比，本发明提高了对烟雾图像的检测准确率，提升网络模型的精度和性能。

公开(公告)号：CN119005193A

公开(公告)日：2024-11-22

申请号：CN202411257297.X

申请日：2024-09-09

Applicant: 淮阴工学院

Inventor： 马甲林 ,  李俊宇 ,  王浩 ,  姚子俊 ,  林俊锋 ,  谢乾 ,  汪涛 ,  翟中豪

IPC: G06F40/295 ,  G06F40/186 ,  G06F40/151 ,  G06N3/084 ,  G06N3/09 ,  G06N3/094

Abstract: 本发明公开了一种基于提示学习和对抗性训练的模板化命名实体识别方法。首先通过生成使用模板的合成句子，将NER任务转换为seq2seq任务，定义针对不同类型实体的提示模板，将目标实体转换为特定格式的句子，并将其与输入句子结合生成提示输入。其次将提示输入集输入至T5，通过提示学习对模型进行微调。利用投影梯度下降方法生成对抗性样本，并进行监督对比学习和混合对抗训练。将生成的对抗性样本与原始样本结合形成新的训练集，输入至T5进行联合训练，通过模型融合进一步提升性能，并对模型进行全面评估。最后输入新的句子，通过提示模板生成提示输入，使用微调和对抗性训练后的T5模型进行推理，识别并标注句子中的命名实体。