-
公开(公告)号：CN113705322B
公开(公告)日：2024-05-24
申请号：CN202110655846.9
申请日：2021-06-11
Applicant: 北京易达图灵科技有限公司 , 南京南瑞信息通信科技有限公司 , 中国科学院自动化研究所
IPC: G06V30/32 , G06V10/82 , G06N3/0442 , G06N3/042 , G06N3/08
Abstract: 本发明提供一种基于门限图神经网络的手写汉字识别方法和装置，其中方法包括：确定待识别汉字的汉字节点矩阵以及空间信息关系矩阵；所述汉字节点矩阵中的各汉字节点为所述待识别汉字的书写视频中每一时刻书写位置的坐标；将所述汉字节点矩阵和所述空间信息关系矩阵输入至汉字识别模型中，得到所述汉字识别模型输出的识别结果；其中，所述汉字识别模型用于基于门限图神经网络，提取所述汉字节点矩阵对应的包含图结构信息的汉字特征向量，提取所述汉字特征向量中的时序信息，得到时序特征向量，并基于所述时序特征向量经由瓶颈网络进行手写汉字识别。本发明综合了汉字的空间结构信息和时序信息，提高了手写汉字识别的准确性。
-
公开(公告)号：CN106056043B
公开(公告)日：2019-07-30
申请号：CN201610339756.8
申请日：2016-05-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明提出了一种基于迁移学习的目标动物行为识别方法和装置，即训练数据集中的训练样本包括人的行为样本、非目标动物的行为样本和目标动物的行为样本中的一种或几种的组合，测试数据集为目标动物的行为样本。该发明步骤包括：步骤101，针对训练数据集中的每一个训练样本和测试数据集中的每一测试样本，提取原始特征；步骤102，采用迁移学习中的领域适应学习法将所述原始特征映射到共同空间中，得到新的特征；步骤103，利用所述新的特征训练SVM分类器，得到行为识别模型，同时对所述目标动物行为识别模型进行测试；步骤104，利用所述动物行为识别模型对目标动物的待识别行为进行识别。本发明提出的基于迁移学习的行为识别方法能有效的识别动物的行为。
-
公开(公告)号：CN104363981B
公开(公告)日：2018-06-05
申请号：CN201480000558.8
申请日：2014-07-14
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/80
Abstract: 本发明涉及一种人脸验证方法和系统，方法包括：利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中包括设置主成分分析降维后的数据维度；建立判别式高阶玻尔兹曼机，设置隐含层的节点数；利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；把成对的人脸数据输入到判别式高阶玻尔兹曼机中，利用随机梯度下降算法来最大化关系类别的条件概率，从而迭代地优化该玻尔兹曼机的权重，从而得到最终的判别式高阶玻尔兹曼机；向判别式高阶玻尔兹曼机模型输入待验证的成对人脸数据，得到对应的验证结果数据。本发明通过在无监督玻尔兹曼机模型中引入数据关系类别信息，使模型判别力增强，更适于具有精度要求的人脸验证。
-
公开(公告)号：CN106056043A
公开(公告)日：2016-10-26
申请号：CN201610339756.8
申请日：2016-05-19
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/00771 , G06K9/6269
Abstract: 本发明提出了一种基于迁移学习的目标动物行为识别方法和装置，即训练数据集中的训练样本包括人的行为样本、非目标动物的行为样本和目标动物的行为样本中的一种或几种的组合，测试数据集为目标动物的行为样本。该发明步骤包括：步骤101，针对训练数据集中的每一个训练样本和测试数据集中的每一测试样本，提取原始特征；步骤102，采用迁移学习中的领域适应学习法将所述原始特征映射到共同空间中，得到新的特征；步骤103，利用所述新的特征训练SVM分类器，得到行为识别模型，同时对所述目标动物行为识别模型进行测试；步骤104，利用所述动物行为识别模型对目标动物的待识别行为进行识别。本发明提出的基于迁移学习的行为识别方法能有效的识别动物的行为。
-
公开(公告)号：CN105072373A
公开(公告)日：2015-11-18
申请号：CN201510540560.0
申请日：2015-08-28
Applicant: 中国科学院自动化研究所
IPC: H04N7/01
Abstract: 本发明公开了一种基于双向循环卷积网络的视频超分辨率方法，包括：建立双向循环网络，包括按照时间顺序的前向循环子网络和后向循环子网络，每个循环子网络自底向上包含一个输入序列层，两个隐含序列层和一个输出序列层，每一序列层包括多个状态，对应于不同时刻的视频帧；用三种卷积操作来连接这些状态，包括前馈卷积，循环卷积和条件卷积，以得到双向循环卷积网络；把训练视频送到建立好的双向循环卷积网络中，利用随机梯度下降算法来最小化预测的和真实的高分辨率视频之间的均方误差，从而迭代地优化该网络的权重，并得到最终的双向循环卷积网络；向所述最终的双向循环卷积网络模型输入待处理的低分辨率视频序列，得到对应的超分辨率结果。
-
Patent Agency Ranking
公开(公告)号：CN103049526B
公开(公告)日：2015-08-05
申请号：CN201210559081.X
申请日：2012-12-20
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于双空间学习的跨媒体检索方法。该方法包括：首先提取不同模态的多媒体数据的特征，利用双空间学习方法学习得到两个映射矩阵，将不同模态的数据映射到同一个空间；对于测试样本集，将其分为两部分：查询数据集和目标数据集，使用学习得到的映射矩阵将两个数据集的数据映射到统一空间，然后度量查询数据和目标数据之间的距离，并得到与查询数据距离最近的目标数据。本发明可以将不同模态的多媒体数据映射入统一空间进行度量，且在映射的同时进行了特征选择，提高了检索的鲁棒性和准确性，具有良好的运用前景。
-
公开(公告)号：CN104615983A
公开(公告)日：2015-05-13
申请号：CN201510043587.9
申请日：2015-01-28
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/6227 , G06N3/04
Abstract: 本发明公开一种基于递归神经网络的人体骨架运动序列行为识别方法，包括以下步骤：对已经提取好的人体骨架姿态序列中节点坐标进行归一化，以消除人体所处绝对空间位置对识别过程的影响，利用简单平滑滤波器对骨架节点坐标滤波以提高信噪比，最后将平滑后的数据送入一个层次化双向递归神经网络进行深度特征提取及识别，同时提供了一种层次化单向递归神经网络模型以应对实际中的实时在线分析需求。该方法主要优点是根据人体结构特征及运动的相对性，设计端到端的分析模式，在实现高精度识别率的同时避免复杂的计算，便于实际应用。该发明对于基于深度摄像机技术的智能视频监控、智能交通管理及智慧城市等领域具有重要意义。
-
公开(公告)号：CN103049526A
公开(公告)日：2013-04-17
申请号：CN201210559081.X
申请日：2012-12-20
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于双空间学习的跨媒体检索方法。该方法包括：首先提取不同模态的多媒体数据的特征，利用双空间学习方法学习得到两个映射矩阵，将不同模态的数据映射到同一个空间；对于测试样本集，将其分为两部分：查询数据集和目标数据集，使用学习得到的映射矩阵将两个数据集的数据映射到统一空间，然后度量查询数据和目标数据之间的距离，并得到与查询数据距离最近的目标数据。本发明可以将不同模态的多媒体数据映射入统一空间进行度量，且在映射的同时进行了特征选择，提高了检索的鲁棒性和准确性，具有良好的运用前景。
-
公开(公告)号：CN112784918B
公开(公告)日：2023-06-30
申请号：CN202110137847.4
申请日：2021-02-01
Applicant: 中国科学院自动化研究所
Inventor： 王威
IPC: G06V30/19 , G06N3/0464 , G06N3/088
Abstract: 本发明属于大数据分析、模式识别和神经网络技术领域，具体涉及一种基于无监督图表示学习的节点识别方法、系统、装置，旨在解决现有基于图神经网络的节点识别方法需要大量的标签样本，在标注样本较少时，造成图神经网络训练困难以及识别精度较低的问题。本系统方法包括获取待识别的数据，作为输入数据；构建输入数据的图结构，得到图结构数据，并通过训练好的多层图神经网络获取所述图结构数据中各节点的特征表示；基于特征表示，通过预训练的分类器得到图结构数据中各节点所属的类别。本发明减少了样本标注的需求，简化了网络训练的难度，并能在少量标记样本的监督下实现具有较高精度的节点识别。
-
公开(公告)号：CN112818887A
公开(公告)日：2021-05-18
申请号：CN202110180567.1
申请日：2021-02-08
Applicant: 中国科学院自动化研究所
Inventor： 王威
Abstract: 本发明属于计算机视觉、模式识别和神经网络技术领域，具体涉及一种基于无监督学习的人体骨架序列行为识别方法，旨在解决现有行为识别方法在标注数据较少时，训练困难以及识别精度较低的问题。本系统方法包括获取一组待识别的人体骨架序列；组合子序列正、负样本对；提取子序列正、负样本对中各子序列对应的骨架节点的位置坐标序列、速度坐标序列，并对应的正负样本对；提取各位置坐标序列的特征向量、各速度坐标序列的特征向量；串联各子序列的位置坐标序列特征向量、速度坐标序列特征向量；通过分类器得到待识别的人体骨架序列所属的行为类别。本发明简化了训练的难度，并能在少量标记样本的监督下实现较高精度的行为识别。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.032 seconds)
