-
公开(公告)号：CN104933417A
公开(公告)日：2015-09-23
申请号：CN201510362048.1
申请日：2015-06-26
Applicant: 苏州大学
CPC classification number: G06K9/00342 , G06K9/00369 , G06K9/6269
Abstract: 本发明公开了一种基于稀疏时空特征的行为识别方法，包括如下步骤：步骤一、对于输入视频采用时空Gabor与原输入视频进行卷积构造尺度空间；步骤二、将不同尺度的表达作为时空深度置信网络不同通道的值，联合学习多尺度的特征；步骤三、对行为特征进行识别分类。本发明通过尺度空间的构建输入深度网络联合学习多尺度的特征，提高行为识别的性能，针对池化操作的信息损失问题，引入空间金字塔的思想，对池化输出进行多级扩充，并结合稀疏编码进行金字塔多级特征的融合，降低了池化层输出的特征维度，进一步改进了原有网络的性能，提高了行为识别率。
-
公开(公告)号：CN117765302A
公开(公告)日：2024-03-26
申请号：CN202311653880.8
申请日：2023-12-05
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明涉及一种基于回归增强的域自适应目标检测方法及系统，所述方法包括：获取源域数据集；将源域数据集输入至学生模型，并对所述源域数据集进行强弱增强，生成增强数据；对所述增强数据进行特征提取，生成初始特征；将所述初始特征输入至RPN进行分类和回归，生成粗定位框和回归输出值；对所述粗定位框进行动态标签分配，筛选粗定位框正样本；对所述粗定位框正样本进行回归损失计算，生成计算结果；根据所述计算结果进行目标检测，生成检测结果。通过动态标签分配替代固定的标签分配策略，本申请在RPN中引入了任务对齐头，以促使模型做出更一致的预测，进而使得模型在预测和推理时通过分类分数保留高质量的检测框。
-
Patent Agency Ranking
公开(公告)号：CN105303571A
公开(公告)日：2016-02-03
申请号：CN201510692276.5
申请日：2015-10-23
Applicant: 苏州大学
CPC classification number: G06K9/4671 , G06T2207/10016 , G06T2207/10024 , G06T2207/30232
Abstract: 本发明公开了一种用于视频处理的时空显著性检测方法，其特征在于，利用颜色通道的直方图、光流大小直方图、光流方向直方图获得特征对比度；对于第一帧图像，采用与视频帧中心点的距离作为位置先验，对于其它帧，采用前一帧中显著目标所在的位置作为位置先验，获得位置先验显著图；利用像素的光流大小和方向获得速度先验显著图和加速度先验显著图；提供时间维度上的一个滑动窗口进行像素均值滤波，获得背景先验显著图；将特征对比度与各先验显著图进行融合，获得时空显著图，并实现对目标的检测。本发明更适用于运动目标出现位置不可知的监控视频的检测，可以更好地获取运动显著目标。
-
公开(公告)号：CN117765302B
公开(公告)日：2025-04-18
申请号：CN202311653880.8
申请日：2023-12-05
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明涉及一种基于回归增强的域自适应目标检测方法及系统，所述方法包括：获取源域数据集；将源域数据集输入至学生模型，并对所述源域数据集进行强弱增强，生成增强数据；对所述增强数据进行特征提取，生成初始特征；将所述初始特征输入至RPN进行分类和回归，生成粗定位框和回归输出值；对所述粗定位框进行动态标签分配，筛选粗定位框正样本；对所述粗定位框正样本进行回归损失计算，生成计算结果；根据所述计算结果进行目标检测，生成检测结果。通过动态标签分配替代固定的标签分配策略，本申请在RPN中引入了任务对齐头，以促使模型做出更一致的预测，进而使得模型在预测和推理时通过分类分数保留高质量的检测框。
-
公开(公告)号：CN107103326B
公开(公告)日：2020-06-02
申请号：CN201710283829.0
申请日：2017-04-26
Applicant: 苏州大学
Abstract: 本发明公开了一种基于超像素聚类的协同显著性检测方法，通过构建超像素金字塔，使用超像素块来代替普通像素点，加速协同显著性计算，同时构建超像素金字塔可以获得不同尺度上的特征信息，保证协同显著目标的边界的准确性，在此基础上，使用聚类的方法进一步将超像素块分类，进一步加速了协同显著性的计算时间，最后使用协同显著图与显著图融合的方法得到最终的协同显著图，保证了协同显著目标的准确性。本发明获得的显著目标的边界轮廓定位更加准确，在时间和准确性上具有一定的优势。
-
公开(公告)号：CN104933417B
公开(公告)日：2019-03-15
申请号：CN201510362048.1
申请日：2015-06-26
Applicant: 苏州大学
Abstract: 本发明公开了一种基于稀疏时空特征的行为识别方法，包括如下步骤：步骤一、对于输入视频采用时空Gabor与原输入视频进行卷积构造尺度空间；步骤二、将不同尺度的表达作为时空深度置信网络不同通道的值，联合学习多尺度的特征；步骤三、对行为特征进行识别分类。本发明通过尺度空间的构建输入深度网络联合学习多尺度的特征，提高行为识别的性能，针对池化操作的信息损失问题，引入空间金字塔的思想，对池化输出进行多级扩充，并结合稀疏编码进行金字塔多级特征的融合，降低了池化层输出的特征维度，进一步改进了原有网络的性能，提高了行为识别率。
-
公开(公告)号：CN107103326A
公开(公告)日：2017-08-29
申请号：CN201710283829.0
申请日：2017-04-26
Applicant: 苏州大学
Abstract: 本发明公开了一种基于超像素聚类的协同显著性检测方法，通过构建超像素金字塔，使用超像素块来代替普通像素点，加速协同显著性计算，同时构建超像素金字塔可以获得不同尺度上的特征信息，保证协同显著目标的边界的准确性，在此基础上，使用聚类的方法进一步将超像素块分类，进一步加速了协同显著性的计算时间，最后使用协同显著图与显著图融合的方法得到最终的协同显著图，保证了协同显著目标的准确性。本发明获得的显著目标的边界轮廓定位更加准确，在时间和准确性上具有一定的优势。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
