-
公开(公告)号：CN116993639A
公开(公告)日：2023-11-03
申请号：CN202310932335.6
申请日：2023-07-27
Applicant: 淮阴工学院
IPC: G06T5/50
Abstract: 本发明公开了一种基于结构重参数化的可见光与红外图像融合方法，步骤如下：在编码器中，使用以RepVGG块、卷积层和暂退层堆叠的深度学习卷积神经网络模型分别提取可见光与红外图像的特征，同时根据通道数将这些特征分为低级特征和高级特征；将获取的低级特征和高级特征输入到解码器中，使用特征融合模块将低级特征和高级特征融合成新的深度特征，从而生成融合图像。本发明在可见光与红外图像融合任务中使用了RepVGG块、暂退层和结构重参数化，能有效提取图像特征，减轻过拟合，同时提高了模型的推理速度和对内存的利用率。
-
公开(公告)号：CN117292192A
公开(公告)日：2023-12-26
申请号：CN202311282250.4
申请日：2023-09-28
Applicant: 淮阴工学院
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/096
Abstract: 本发明公开了一种基于知识蒸馏的目标检测方法，包括构建教师‑助教‑学生模型，利用预训练的教师模型获取图像的多层次特征图；利用助教模块对特征图上采样、拼接，空间注意力处理后，将教师模型提取的多尺度特征图融合为一张特征图；利用学生模型对传递来的特征图进行多次反卷积计算获得与教师模型提取的特征维度相同的特征图；对教师模型和学生模型两者得出的特征图计算余弦相似度并通过双线性插值采样还原计算结果图至输入图像大小，再取积得到特征图Ma1，计算特征图Ma1中每一个值的特征得分，绘制图像热力图。本发明提升了目标检测效果。
-
公开(公告)号：CN118747740A
公开(公告)日：2024-10-08
申请号：CN202410811008.X
申请日：2024-06-21
Applicant: 淮阴工学院
Abstract: 本发明公开了一种金属零件表面复杂微小缺陷视觉检测方法，获取金属零件表面具有复杂微小缺陷的待检测图像；构建LiteDDet网络检测模型，所述LiteDDet网络检测模型包括端到端图像预处理网络E2IPNet、主干网络CSPNet53‑CFGSPP、颈部网络：路径聚合特征金字塔网络PAFPN以及YOLOX预测头；将待检测图像输入至LiteDDet网络检测模型确定目标缺陷类别和位置信息。与现有技术相比，本发明提出了一种名为E2IPNet的U型图像预处理网络，引入非对称大核平衡块对输入图像进行重塑，通过混合注意力模块将得到的特征图进行细化，再使用ALKB‑Block与上采样结合，提出了一个通道特征引导重参数化块来替代YOLOX‑tiny中原本的空间池化金字塔网络，能够提高缺陷检测的精确度。
-
公开(公告)号：CN117315229A
公开(公告)日：2023-12-29
申请号：CN202311237598.1
申请日：2023-09-22
Applicant: 淮阴工学院
IPC: G06V10/25 , G06V10/44 , G06V10/42 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/774 , G06V10/776 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于特征嫁接的目标检测方法，包括以下步骤：(1)利用相机拍摄待检物体，构建数据集；(2)构建特征嫁接融合网络；(3)将待检测的物体图像分别输入到主网络Transform和子网络CNN，得到两组特征图；(4)将获取到的待检测物体图像输入到特征嫁接模块中，得到特征图M1、M2、M3、M4；(5)将得到的特征图M1、M2、M3、M4输入到特征融合模块中，得到特征图N8；(6)将得到的特征图N8输入到分类定位网络中，得到目标类别和位置信息；本发明有效结合了Transform网络提取的丰富的全局上下文信息和CNN网络提取的边缘细节信息，使得在最终检测时能更精准的定位到图片中所有目标，在map和Ap上都有进一步的提升。
-
-
-
Search Results
4
records
(took 0.027 seconds)
