-
公开(公告)号：CN112733695B
公开(公告)日：2023-04-25
申请号：CN202110003753.8
申请日：2021-01-04
Applicant: 电子科技大学
IPC: G06V20/40 , G06V20/52 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种行人重识别领域中的非监督关键帧挑选方法，包括下述步骤：输入N个具有T帧的行人的连续视频片段至基础网络中提取出特征图F；然后将特征图F输入到关键帧提取单元，得到池化层后的特征图输出F’；利用层次聚类法，对特征图输出F’进行聚类，生成伪标签；将伪标签当做真实标签，利用交叉熵损失函数Losskf经多次迭代训练关键帧提取网络；将每次迭代训练时关键帧提取网络最后的FC层进行分类，并从特征图输出F’的分类中各挑选出一个作为关键帧的特征组成集合Fk'，从而对应到原来的特征提取单元的输入，找到对应的帧即为关键帧；实现关键帧的无监督自适应挑选，使得挑选出来的关键帧能够最大程度包含视频核心信息。
-
公开(公告)号：CN114972434B
公开(公告)日：2024-08-09
申请号：CN202210629944.X
申请日：2022-06-06
Applicant: 电子科技大学
IPC: G06T7/246 , G06V10/44 , G06N3/08 , G06N3/0464 , G06V10/82
Abstract: 本发明涉及智能视频监控和智能安保技术领域，特别是涉及一种级联检测和匹配的端到端多目标跟踪系统，包括输入模块、特征提取模块、输入预处理模块、目标检测模块以及目标数据关联模块；输入模块用于将该图像二元组以孪生形式输入到特征提取模块；特征提取模块采用DLA34网络作为下采样骨干网络，并在每一个下采样节点中加入上采样以实现语义融合；所述输入预处理模块用于将历史帧图像的特征进行融合；目标检测模块基于点的目标检测，定位目标位置，得到检测三元组；目标数据关联模块包括匹配模型和经过训练的基于卷积网络的非线性运动预测模型。通过本跟踪系统，能有效解决多尺度特征难以融合、任务失衡以及目标运动关联算法匹配效果较差的问题。
-
公开(公告)号：CN114972434A
公开(公告)日：2022-08-30
申请号：CN202210629944.X
申请日：2022-06-06
Applicant: 电子科技大学
Abstract: 本发明涉及智能视频监控和智能安保技术领域，特别是涉及一种级联检测和匹配的端到端多目标跟踪系统，包括输入模块、特征提取模块、输入预处理模块、目标检测模块以及目标数据关联模块；输入模块用于将该图像二元组以孪生形式输入到特征提取模块；特征提取模块采用DLA34网络作为下采样骨干网络，并在每一个下采样节点中加入上采样以实现语义融合；所述输入预处理模块用于将历史帧图像的特征进行融合；目标检测模块基于点的目标检测，定位目标位置，得到检测三元组；目标数据关联模块包括匹配模型和经过训练的基于卷积网络的非线性运动预测模型。通过本跟踪系统，能有效解决多尺度特征难以融合、任务失衡以及目标运动关联算法匹配效果较差的问题。
-
公开(公告)号：CN112733695A
公开(公告)日：2021-04-30
申请号：CN202110003753.8
申请日：2021-01-04
Applicant: 电子科技大学
Abstract: 本发明公开了一种行人重识别领域中的非监督关键帧挑选方法，包括下述步骤：输入N个具有T帧的行人的连续视频片段至基础网络中提取出特征图F；然后将特征图F输入到关键帧提取单元，得到池化层后的特征图输出F’；利用层次聚类法，对特征图输出F’进行聚类，生成伪标签；将伪标签当做真实标签，利用交叉熵损失函数Losskf经多次迭代训练关键帧提取网络；将每次迭代训练时关键帧提取网络最后的FC层进行分类，并从特征图输出F’的分类中各挑选出一个作为关键帧的特征组成集合Fk'，从而对应到原来的特征提取单元的输入，找到对应的帧即为关键帧；实现关键帧的无监督自适应挑选，使得挑选出来的关键帧能够最大程度包含视频核心信息。
-
-
-
Search Results
4
records
(took 0.023 seconds)
