-
公开(公告)号：CN108520530B
公开(公告)日：2020-01-14
申请号：CN201810323668.8
申请日：2018-04-12
Applicant: 厦门大学
Abstract: 基于长短时记忆网络的目标跟踪方法，涉及计算机视觉技术。首先采用基于相似性学习的快速匹配方法对候选目标状态进行预估计，筛选出高质量的候选目标状态，然后将这些高质量的目标状态用长短时记忆网络进行分类。所用的长短时记忆网络包括用于提取特征的卷积层和用于分类的长短时记忆层。卷积层在大规模图像数据集ILSVRC15上离线训练而得，规避了对目标跟踪数据集过拟合的风险。长短时记忆层通过在线学习而得，充分利用了输入视频序列包含的时间相关性，具有良好的适应目标形态和动作变化的能力。速度显著提高，将一种可以适应目标变化的长短时记忆网络运用于目标跟踪。
-
公开(公告)号：CN110135365A
公开(公告)日：2019-08-16
申请号：CN201910418050.4
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于幻觉对抗网络的鲁棒目标跟踪方法，涉及计算机视觉技术。首先提出一种新的幻觉对抗网络，旨在于学习样本对间的非线性形变，并将学习到的形变施加在新目标以此来生成新的目标形变样本。为了能有效训练所提出的幻觉对抗网络，提出形变重构损失。基于离线训练的幻觉对抗网络，提出基于幻觉对抗网络的目标跟踪方法，该方法能有效缓解深度神经网络在目标跟踪过程中由于在线更新发生的过拟合问题。此外，为了能进一步提升形变迁移质量，提出选择性性变迁移方法，进一步提升了跟踪精度。提出的目标跟踪方法在当前主流目标跟踪数据集上取得了具有竞争力的结果。
-
公开(公告)号：CN105868789B
公开(公告)日：2019-04-26
申请号：CN201610212736.4
申请日：2016-04-07
Applicant: 厦门大学
Abstract: 一种基于图像区域内聚测度的目标发现方法，涉及计算机视觉技术。提供可快速给出少量的目标建议窗口，使得目标建议窗口内尽可能包含目标的一种基于图像区域内聚测度的目标发现方法。同时解决目标检测和显著性检测问题。提出的图像区域内聚测度的方法还被应用于显著性检测，显著性检测也被作为计算机视觉任务的一项基本任务并广泛被应用于其他计算机视觉任务。
-
公开(公告)号：CN106683062A
公开(公告)日：2017-05-17
申请号：CN201710018297.8
申请日：2017-01-10
Applicant: 厦门大学
CPC classification number: G06T5/002
Abstract: 一种静止摄像机下的基于ViBe的运动目标检测方法，A初始化视频帧每个像素点前景计数和鬼影计数。B对二值图预处理。C对二值图进行前景区块划分，去除像素少的前景区块并修改前景计数。D每隔p帧对C中得到的前景计数去噪再鬼影检测。E对经C或D处理后得到的二值图中的前景区块进行内部空洞消除，再进行标记。F每隔q帧对当前视频帧和经E处理后得到的二值图进行边缘检测，生成边缘二值图后执行逻辑与操作，再边缘划分，对得到的边缘标记；统计每个前景区块中的每条边缘被所包括的前景像素个数和其对应的边缘像素个数，判断边缘有效性。G根据F中得到的有效边缘，统计每个前景区块中的有效边缘，修改鬼影计数再进行鬼影检测。
-
Patent Agency Ranking
公开(公告)号：CN106203533A
公开(公告)日：2016-12-07
申请号：CN201610592954.5
申请日：2016-07-26
Applicant: 厦门大学
Abstract: 基于混合训练的深度学习人脸验证方法。准备人脸数据集；对每幅图像进行人脸和人脸关键点检测；对所有人脸归一化，得人脸图像训练集，再划分为训练和验证数据集，计算所有人脸图像的均值图像；将所有人脸图像都减去均值图像得均值化的训练数据集和验证数据集；训练深度卷积神经网络；对每幅人脸图像生成对应的三元组，构成三元组训练数据集和三元组验证数据集；再次训练深度卷积神经网络；对于给定待验证的两幅图像进行人脸和人脸特征点检测，并减去均值图像，输入深度卷积神经网络中，进行网络前馈操作，并提取特征；根据选定的阈值，当两幅图像提取特征之间的距离大于阈值，判定两张图像中的人脸属于同一个人，否则判定为不同人。
-
公开(公告)号：CN103268497B
公开(公告)日：2016-03-09
申请号：CN201310241306.1
申请日：2013-06-18
Applicant: 厦门大学
Abstract: 一种人脸姿态检测方法与在人脸识别中的应用，涉及一种人脸识别。对训练集中的图像分类，通过训练集的HOG特征计算出对应于三种人脸姿态的姿态估计滤波器组，通过训练集的Gabor特征计算出对应于三种人脸姿态的识别滤波器组，根据测试图片的HOG特征判定图像中人脸的姿态方向并利用相应的识别滤波器组做识别。将人脸姿态分为三类：左侧、正面、右侧姿态人脸。分别提取三类人脸姿态的HOG和Gabor特征。用PCA分别对三类人脸姿态的HOG和Gabor特征去噪和降维。提取每类人脸的轮廓信息。提取测试图像的HOG特征并以此信息判定该测试人脸的姿态方向。根据测试人脸的姿态方向利用相应的Gabor滤波器组识别测试图像。
-
公开(公告)号：CN104835174A
公开(公告)日：2015-08-12
申请号：CN201510269932.0
申请日：2015-05-25
Applicant: 厦门大学
IPC: G06T7/00
CPC classification number: G06T7/162 , G06T7/174 , G06T2207/20072
Abstract: 基于超图模式搜索的鲁棒模型拟合方法，涉及计算机视觉技术。准备数据集；建立超图模型G＝(V,E)，一个模型假设对应于超图中的一个顶点v，数据点则对应一条超边e：让每个顶点连接相应模型假设的内点，即超边；采用无参核密度估计方法评估每个顶点v的权重分数w(v)，自此，模型拟合问题便转化为在超图中模式搜索问题；提出通过在超图中搜索权重波峰进行模式搜索；通过搜索到的模式和超图模型，确定每个结构的内点和参数；根据每个结构的参数和内点，对图像进行分割，完成模型拟合。能够缓解对数据分布的敏感性，建立的超图不需要任何的转化，可以直接被应用于模式搜索。
-
公开(公告)号：CN102982342B
公开(公告)日：2015-07-15
申请号：CN201210445602.9
申请日：2012-11-08
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 基于拉格朗日对偶的半正定谱聚类方法，涉及一种谱聚类方法。A.对给定样本数据集采用主成分分析进行降维；B.基于全向连接图的方法构造样本数据集的相似度矩阵，并采用基于高斯核函数和多项式核函数的加权和方法来计算样本数据对之间的相似度；C.基于拉格朗日对偶性质对相似度矩阵进行半正定归一化求解；D.对归一化矩阵进行奇异值分解，得到前k个最大特征值对应的特征向量组成的矩阵；E.利用传统的k均值聚类或者其他聚类方法对特征向量矩阵进行聚类分析得到最终的聚类结果。可对各类数据进行有效地聚类，通过对算法分析可知，相对于常规的半正定谱聚类求解算法，不仅可提高谱聚类的精度，而且可极大降低谱聚类所需的时间。
-
公开(公告)号：CN102982342A
公开(公告)日：2013-03-20
申请号：CN201210445602.9
申请日：2012-11-08
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 基于拉格朗日对偶的半正定谱聚类方法，涉及一种谱聚类方法。A.对给定样本数据集采用主成分分析进行降维；B.基于全向连接图的方法构造样本数据集的相似度矩阵，并采用基于高斯核函数和多项式核函数的加权和方法来计算样本数据对之间的相似度；C.基于拉格朗日对偶性质对相似度矩阵进行半正定归一化求解；D.对归一化矩阵进行奇异值分解，得到前k个最大特征值对应的特征向量组成的矩阵；E.利用传统的k均值聚类或者其他聚类方法对特征向量矩阵进行聚类分析得到最终的聚类结果。可对各类数据进行有效地聚类，通过对算法分析可知，相对于常规的半正定谱聚类求解算法，不仅可提高谱聚类的精度，而且可极大降低谱聚类所需的时间。
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.022 seconds)
