-
公开(公告)号：CN109034062A
公开(公告)日：2018-12-18
申请号：CN201810835198.3
申请日：2018-07-26
Applicant: 南京邮电大学
IPC: G06K9/00
CPC classification number: G06K9/00718 , G06K9/00758 , G06K9/00765 , G06K2009/00738
Abstract: 本发明公开了一种基于时序一致性的弱监督异常行为检测方法，包括步骤：构建一个行为检测系统，导入一行为视频对到所述行为检测系统，处理后形成一个由所述行为视频对构建的时序矩阵；基于人类行为的时态一致性和平滑特征性处理行为视频对，形成一个行为单元对，获得相关行为片段，并定位行为片段中相关异常动作类的开始帧和结束帧；基于弱监督对获取得到的行为片段进行学习，得到可判断各种行为特征的操作分类器；基于字典学习和求解稀疏编码重建操作分类器中判断行为特征的检测标准，形成新的检测各种异常行为类的行为判断逻辑。本发明提供的弱监督异常行为检测方法很容易学习相关行为分类的特征，而不用手动标注帧的边界建立相关的行为模型。
-
公开(公告)号：CN108734722A
公开(公告)日：2018-11-02
申请号：CN201810346646.3
申请日：2018-04-18
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于PSR的视觉跟踪错误修正方法，包括如下步骤：S1、计算出第一帧的相关滤波器；S2、限定实施错误修正的范围；S3、计算出 与 ；S4、将 与 进行比较；S5、提取目标在新状态下的特征；S6、重复上述步骤，完成后续检测修正。当出现物体遮挡、视角变化、目标形变、周围光照变化等情况时，本发明的方法可以通过使用第一帧训练得到的相关滤波器来对后续跟踪检测过程中的状态估计进行判定，若第一帧有比当前帧正在使用的滤波器更高的可信度，则使用第一帧来进行状态估计，从而减少了视觉跟踪过程中错误发生的几率，提高了视觉跟踪的精度。
-
公开(公告)号：CN108664951A
公开(公告)日：2018-10-16
申请号：CN201810495801.8
申请日：2018-05-22
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 一种基于颜色名特征的行人重识别方法，包括如下步骤：S1、对行人图像进行预处理；S2、对经过预处理后的行人图像进行划分处理；S3、从经过划分处理后的行人图像中提取颜色名特征，并将提取出的颜色名特征与HSV特征、SILTP特征进行融合；S4、将S3中经过融合后的特征用二次判别分析法进行行人重识别。本发明基于颜色名特征、充分利用了行人外观的颜色特征，将每个通道相应位置元素的概率进行相比，并取其中最大的那个通道，用该通道标签表示该位置的像素，使得其能够更好的解决光照和环境变化对颜色描述的影响，从而保证了本发明的使用效果。
-
-
公开(公告)号：CN108399421A
公开(公告)日：2018-08-14
申请号：CN201810095061.9
申请日：2018-01-31
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于词嵌入的深度零样本分类方法，在学习阶段未出现的类别，依然可以在预测阶段被识别。本发明提出了基于词嵌入和深度特征提取的零样本图像学习模型，该方法通过强大的深度神经网络学习一个图像特征和语义特征联合嵌入的子空间，利用词向量的语义能力，达到图像的零样本学习目的。本发明不仅提出了深度学习方法与零样本学习结合的模型，同时还针对其结合部分嵌入空间做了大量改进，为图像零样本，亦或者其他模态的零样本学习提供参考和指导，克服传统零样本学习中样本属性定义不明确、人工特征提取等等缺点。本发明广泛用于端到端的类别预测任务中，特别适合训练样本不足甚至是缺少某一类训练样本的类别预测任务。
-
Patent Agency Ranking
公开(公告)号：CN107169505A
公开(公告)日：2017-09-15
申请号：CN201710212996.6
申请日：2017-04-01
Applicant: 南京邮电大学
CPC classification number: G06K9/6276 , G06K9/00288
Abstract: 本发明公开了一种用于图像分类的基于核统计不相关的多视图算法，其为一种用于多视图的核分类方法，该方法对样本经过训练获得的投影变换矩阵加入统计不相关约束，以获得新的满足统计不相关约束的投影矩阵。并利用核方法，将上述计算扩展到非线性空间，引入核函数。本发明加入统计不相关约束，使得获得的投影矩阵满足统计不相关的关系，加入应用于多视图学习中的核技巧，将样本从低维线性不可分映射至高维的线性可分，得到加入核方法的高维特征投影空间。将本发明所述的方法在Multi‑PIE人脸数据库上的实验验证了所提方法是高性能的；在提高分类算法的效果的同时，降低了计算复杂度。
-
公开(公告)号：CN107169410A
公开(公告)日：2017-09-15
申请号：CN201710222367.1
申请日：2017-03-31
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了一种用于人脸识别的基于LBP特征的结构型稀疏表示分类方法（LBP‑SSRC），对于传统的SRC算法来说，样本的局部性相较于其稀疏性一样是极其重要的，局部特征是一种非常有用的特征信息，该算法首先从原始样本集中提取样本的LBP直方图特征，考虑到训练样本的分块结构性，接着设计了两种结构型稀疏表示的算法模型（SSRC），最后将提取到的LBP特征输入到SSRC算法模型中，充分利用样本LBP特征的局部性以及SSRC的分块结构性，因此该算法使测试样本可以尽可能的选择用与其同类别的训练样本来重构得到，可以很好的提升分类识别效果。通过在公共的AR人脸库上的对比实验，可以充分验证所提算法的有效性。
-
公开(公告)号：CN107103592A
公开(公告)日：2017-08-29
申请号：CN201710223815.X
申请日：2017-04-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于双核范数正则的多姿态人脸图像质量增强方法，属于图像处理领域。本方法首先以图像中每个像素位置为中心，获取低质量测试样本和高低分辨率训练样本图像各个像素位置的图像块；其次，对低质量测试图像中的每个图像块，运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示；再次，在保持表示系数不变的情况下，用高质量训练样本图像块替换低质量训练样本图像块，从而获得低质量测试图像块对应的高质量测试图像块；最后，对步骤3中的高质量测试图像块进行串联和整合，从而获得高质量的测试图像。
-
公开(公告)号：CN106991049A
公开(公告)日：2017-07-28
申请号：CN201710212286.3
申请日：2017-04-01
Applicant: 南京邮电大学
CPC classification number: G06F11/3608 , G06K9/6256 , G06K9/6278 , G06K9/66 , G06N3/08
Abstract: 本发明公开了一种软件缺陷预测方法，该方法将有类别标记和无类别标记的样本共同处理，在拉普拉斯特征映射(LE)中使用半监督学习，改进LE方法，同时，为了避免将不同类的样本映射到较小的低维邻域中，尤其是将有缺陷样本映射到无缺陷样本邻域中，在LE算法计算样本点距离时引入代价敏感信息，以此来提高LE的映射精度，通过该方法可以有效改善特征提取的鉴别性。本发明还提出一种软件缺陷预测系统，将本发明应用在NASA数据库上，经实验验证所提方法的有效性，并且和其他对比方法相比，在分类性能上有一定的提升。
-
公开(公告)号：CN106980876A
公开(公告)日：2017-07-25
申请号：CN201710145628.4
申请日：2017-03-13
Applicant: 南京邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6276 , G06K9/6277
Abstract: 本发明公开了一种基于鉴别性样本属性学习的零样本图像识别方法，首先我们在源域和目标域共同学习投影矩阵，并使用源域和目标域每类的原型来调整学习到的投影矩阵。然后，利用学习到的投影矩阵把目标域的图像特征映射到属性空间得到其属性表示。最后，在属性空间上利用最近邻分类器对图像进行分类。对目标域而言，已有的投影矩阵学习方法由于未考虑目标域与源域的分布差异从而更容易导致域迁移问题，而我们的算法通过综合利用源域和目标域的样本信息缓解这种影响，能够取得了更高的图像识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
105
records
(took 0.022 seconds)
