|
|
钻瓜专利网为您找到相关结果 154个，建议您 升级VIP下载更多相关专利
- [发明专利]一种基于特征强化和对比学习的协同显著性检测方法及系统-CN202310975821.6在审
-
徐丹;汤佳鹏;史金龙;左欣;束鑫;钱强
-
江苏科技大学
-
2023-08-04
-
2023-10-13
-
G06V10/82
- 本发明公开了一种基于特征强化和对比学习的协同显著性检测方法及系统，该方法包括：将一组训练图像输入VGG16编码器，提取图像不同层次的特征，其中，VGG16编码器根据卷积层的深度将特征由浅至深记为x1,x2,x3,x4,x5；将特征x5经残差卷积层后，输入到协同显著性检测器GAM中进行编码，得到一组图像的共同显著性对象，记为协同显著性原型proto；借助协同显著性原型proto和特征增强模块MSE对特征x1,x2,x3,x4,x5进行增强，得到增强后特征f1,f2,f3,f4,f5；将f1,f2,f3,f4,f5和proto输入解码器进行解码，进而得到检测网络，并用所述检测网络预测一组图像的协同显著图S。本发明采用前景‑背景对比学习的方法，通过学习前景特征和背景特征之间的差异性，减少了背景噪声的影响，降低了协同显著性检测的虚警率。
- 一种基于特征强化对比学习协同显著检测方法系统
- [发明专利]一种全天候多光谱行人检测方法-CN201911011783.2有效
-
沈继锋;韦浩;左欣;孙俊
-
江苏大学
-
2019-10-23
-
2023-07-18
-
G06V40/10
- 本发明提供了一种全天候多光谱行人检测方法，分别采用可见光和红外相机采集全天候行人图像数据，将获得的红外和可见光图像数据集训练出两个RetinaNet网络模型，该网络模型内的特征采集网络为VGG16，训练后得到的两个网络模型分别记为RetinaNet‑C和RetinaNet‑T，截取这两个网络模型的特征采集网络的参数作为本次特征采集网络的初始化权重；将RetinaNet网络模型划分为双分支特征提取网络VGG16、特征金字塔FPN和双分支的分类回归网络的主体框架，最后进行网络测试，将测试集作为与预训练模型的输入，输出即为检测结果。本方法采用无锚框生成策略，参数较少，并且网络去掉了全连接层，采用全卷积网络，因此检测速度会非常快。
- 一种全天候光谱行人检测方法
|
