-
公开(公告)号：CN117252930A
公开(公告)日：2023-12-19
申请号：CN202311222096.1
申请日：2023-09-21
Applicant: 之江实验室
IPC: G06T7/80
Abstract: 本发明公开了一种大型展厅多相机监控系统内外参标定方法和系统，包括以下步骤：获取多相机视频数据作为标定数据；对标定数据进行预处理；进行单目相机标定得到相机内参初值；使用链式法进行相机外参初步估计得到每个相机相对于世界坐标系的位姿作为相机外参初值；进行标定板位姿初步估计得到每个特定姿态下的标定板位姿初值；构造总重投影误差作为目标函数并引入基于畸变参数的正则项；使用相机内参初值、相机外参初值和标定位板位姿初值，最小化带有正则项的目标函数以求解全局优化问题，得到最优相机内外参数。本发明能够减小人工成本和风险，提高相机内外参标定的准确性，适用于高空悬挂或处于开阔空间中的多相机系统内外参标定应用场景。
-
公开(公告)号：CN117252930B
公开(公告)日：2024-05-28
申请号：CN202311222096.1
申请日：2023-09-21
Applicant: 之江实验室
IPC: G06T7/80
Abstract: 本发明公开了一种大型展厅多相机监控系统内外参标定方法和系统，包括以下步骤：获取多相机视频数据作为标定数据；对标定数据进行预处理；进行单目相机标定得到相机内参初值；使用链式法进行相机外参初步估计得到每个相机相对于世界坐标系的位姿作为相机外参初值；进行标定板位姿初步估计得到每个特定姿态下的标定板位姿初值；构造总重投影误差作为目标函数并引入基于畸变参数的正则项；使用相机内参初值、相机外参初值和标定位板位姿初值，最小化带有正则项的目标函数以求解全局优化问题，得到最优相机内外参数。本发明能够减小人工成本和风险，提高相机内外参标定的准确性，适用于高空悬挂或处于开阔空间中的多相机系统内外参标定应用场景。
-
公开(公告)号：CN116071635A
公开(公告)日：2023-05-05
申请号：CN202310202530.3
申请日：2023-03-06
IPC: G06V10/82 , G06V10/774 , G06N3/08
Abstract: 本发明公开了基于结构性知识传播的图像识别方法与装置，将标注的样本图片划分为训练集和测试集；选定第一神经网络模型，经训练集的训练，得到训练好的第一神经网络模型；选定第二神经网络模型，并从第一神经网络模型和第二神经网络模型中，选取中间层，作为进行知识传播的特征层；得到第二神经网络模型中中间层特征表达的结构性知识，与第一神经网络模型特征表达对应位置的结构性知识，构建中间层特征表达知识传播的损失函数，结合任务相关损失函数，使用训练集训练第二神经网络模型，得到训练好的第二神经网络模型；部署应用训练好的第二神经网络模型，对测试集的待识别图片进行图像识别。
-
公开(公告)号：CN113255899A
公开(公告)日：2021-08-13
申请号：CN202110673166.X
申请日：2021-06-17
Applicant: 之江实验室
Abstract: 本发明公开了一种通道自关联的知识蒸馏方法与系统包括以下步骤：步骤S1：向教师模型和学生模型中输入相同的图片数据，得到学生模型和教师模型的图片特征，选定学生模型和教师模型中需要进行知识蒸馏的特征层；步骤S2：将选定的学生模型和教师模型特征层的通道进行通道自关联；步骤S3：自关联后的教师模型通道通过加权方式传输知识至学生模型通道；步骤S4：根据关联的通道蒸馏知识，并进行训练，在训练时同时优化自关联的二维矩阵和学生模型；S5：部署训练好的学生模型，输入图片数据进行推理测试。
-
公开(公告)号：CN112990447A
公开(公告)日：2021-06-18
申请号：CN202110551343.7
申请日：2021-05-20
Applicant: 之江实验室
Abstract: 本发明公开了一种知识显著性与局部模式一致性的知识蒸馏方法与装置，具体包括：从教师模型和学生模型中选择需要进行知识蒸馏的特征层；计算所选学生模型特征层与教师模型特征层每个通道的语义相似性；计算所选学生模型特征层与教师模型特征层每个空间位置的语义相似性；计算所选学生模型中每个特征位置局部模式与教师模型特征层对应位置局部模式一致度；将上述计算得到的语义相似性及局部模式一致度融合入损失函数中，训练学生模型。该发明相比与现有技术操作简单，不需要特定的神经网络模型，同时能够显著地改善学生模型性能。
-
Patent Agency Ranking
公开(公告)号：CN116797904A
公开(公告)日：2023-09-22
申请号：CN202310444502.2
申请日：2023-04-24
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06V10/82 , G06V10/774 , G06N3/08 , G06N3/0464 , G06V10/74 , G06V10/764 , G06N5/02
Abstract: 本发明公开一种图像识别不确定性知识蒸馏方法与系统，收集有标签训练图像样本；选定第一神经网络模型，使用训练图像样本进行训练，得到训练好的第一神经网络模型，输入训练样本图像得到第一神经网络模型中间层样本特征表达及输出的软标签信息；选定第二神经网络模型，对训练图像样本进行处理，得到中间层样本特征表达，与第一神经网络模型的中间层样本特征表达进行不确定性建模，得到第一损失函数；使用第一神经网络模型输出的软标签信息及训练图像样本，联合第一损失函数，更新第二神经网络模型的参数，得到训练好的第二神经网络模型，同时利用本发明第二神经网络模型对待处理图像进行图像识别处理，提高图像识别的准确度。
-
公开(公告)号：CN113516240A
公开(公告)日：2021-10-19
申请号：CN202110697462.3
申请日：2021-06-23
Applicant: 之江实验室
Abstract: 本发明涉及计算机视觉领域，涉及一种神经网络结构化渐进剪枝方法和系统，该方法包括：步骤S1：设定神经网络每层的裁剪率、剪枝标准及神经网络训练周期数；步骤S2：输入图片以训练神经网络，在一定训练周期内，每层裁剪率从零逐渐增加到设定的裁剪率，根据剪枝标准，确定每层的冗余信息并置为0；步骤S3：达到设定的裁剪率后，移除神经网络中的冗余信息，并重构原始的网络层；步骤S4：神经网络重构后，继续进行训练，直至达到设定的神经网络训练周期。本发明操作简单，步骤少，在正常神经网络训练过程中就能到达剪枝的目的，而且无需剪枝后的精调过程，因此可以大幅减少处理时间，相比现有技术在达到较高的裁剪率的同时能获得较高的性能。
-
公开(公告)号：CN117557847A
公开(公告)日：2024-02-13
申请号：CN202311520256.0
申请日：2023-11-15
Applicant: 之江实验室
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于对比知识蒸馏的图像识别方法和装置，包括获取带有类别标签的训练图像样本；利用训练图像样本对第一神经网络分类模型进行基于类别标签的监督学习训练，将训练图像样本输入至训练后的第一神经网络分类模型得到第一嵌入特征表达和对应的第一分类软标签；将训练图像样本输入至第二神经网络分类模型得到第二嵌入特征表达及对应的第二分类软标签，基于第一嵌入特征表达和第二嵌入特征表达计算对比蒸馏损失，基于第一分类软标签和第二分类软标签计算KL散度损失，对比蒸馏损失和KL散度损失联合图像识别任务损失更新第二神经网络分类模型的参数，更新后的第二神经网络分类模型作为图像识别模型用于图像识别。
-
公开(公告)号：CN117557846A
公开(公告)日：2024-02-13
申请号：CN202311520224.0
申请日：2023-11-15
Applicant: 之江实验室
Inventor： 唐乾坤
IPC: G06V10/764 , G06V10/82 , G06N3/09
Abstract: 本发明公开了一种用于低质量图像数据的不确定性图像识别方法和装置，包括：利用图像样本对第一神经网络模型进行训练；利用训练后的第一神经网络模型得到每个图像样本的第一多维高斯空间的均值及方差值并存储至存储器；利用第二神经网络模型将图像样本映射到第二多维高斯空间并预测其均值及方差值，从第二多维高斯空间中采样样本并输入至第二分类器中计算第二损失，同时从存储器中检索第一多维高斯空间均值及方差值计算对比高斯蒸馏损失，基于第二损失和高斯蒸馏损失优化第二神经网络模型和第二分类器的参数，利用参数优化的第二神经网络模型和第二分类器进行图像识别，这样通过改变小规模网络的特征表达能力来提升对低质量图像数据的识别鲁棒性。
-
公开(公告)号：CN116597245A
公开(公告)日：2023-08-15
申请号：CN202310401225.7
申请日：2023-04-13
IPC: G06V10/774 , G06V10/82 , G06V10/74 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图像识别模型训练方法与系统、图像处理方法与系统，在预训练第一神经网络模型基础上，通过训练图像样本在第一神经网络模型和第二神经网络模型中间层的第一中间层特征表达与第二中间层特征进行通道匹配，并基于匹配通道之间的知识蒸馏得到第一损失函数，同时还结合基于预测类别标签信息和软标签构建的第二损失函数以及基于预测类别标签信息和真实标签构建的第三损失函数对第二神经网络模型进行联合训练，这样可以实现两模型通道之间的自动匹配，增强第二神经网络模型获取的知识表达的判别性，进而提升图像识别精度。基于该图像识别模型进行的图像识别也大大提升了图像识别准确性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.014 seconds)
