-
公开(公告)号：CN109101866B
公开(公告)日：2020-12-15
申请号：CN201810567647.0
申请日：2018-06-05
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于分割剪影的行人再识别方法及系统，旨在解决如何消除图像背景噪声，提高行人再识别准确率的问题。为此目的，本发明中的行人再识别方法包括：基于预先构建的行人再识别模型并根据待测行人的彩色图像及对应的分割剪影，获取待测行人的行人特征；分别计算行人特征与每个预设的行人身份特征之间的相似度；获取最大相似度对应的行人身份特征，并根据所获取的行人身份特征获取待测行人的身份信息。基于本发明的行人再识别方法可以较好的解决背景杂乱情况下的行人再识别问题，提高识别准确率。同时，本发明中的行人再识别系统能够执行并实现上述方法。
-
公开(公告)号：CN106778705B
公开(公告)日：2020-03-17
申请号：CN201710065013.0
申请日：2017-02-04
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开一种行人个体分割方法和装置，所述方法包括：利用预先训练好的粗粒度人形轮廓分割模型对待处理图像进行行人分割，得到区块化分割结果；所述区块化分割结果中包括多个标示成背景和前景的区块，在所述对待处理图像中被标示成背景的区块不包含行人主体，而被标示成前景的区块包含行人主体的部分图像；去除所述待处理图像中所述区块化行人分割结果对应部分中的背景图像，得到粗粒度分割图像；将所述粗粒度分割图像输入至预先训练好的细粒度人形轮廓分割模型；所述预先训练好的细粒度人形轮廓分割模型输出个体行人分割结果；其中，所述粗粒度人形轮廓分割模型和细粒度人形轮廓分割模型均通过全卷积神经网络训练得到。
-
公开(公告)号：CN106056043B
公开(公告)日：2019-07-30
申请号：CN201610339756.8
申请日：2016-05-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明提出了一种基于迁移学习的目标动物行为识别方法和装置，即训练数据集中的训练样本包括人的行为样本、非目标动物的行为样本和目标动物的行为样本中的一种或几种的组合，测试数据集为目标动物的行为样本。该发明步骤包括：步骤101，针对训练数据集中的每一个训练样本和测试数据集中的每一测试样本，提取原始特征；步骤102，采用迁移学习中的领域适应学习法将所述原始特征映射到共同空间中，得到新的特征；步骤103，利用所述新的特征训练SVM分类器，得到行为识别模型，同时对所述目标动物行为识别模型进行测试；步骤104，利用所述动物行为识别模型对目标动物的待识别行为进行识别。本发明提出的基于迁移学习的行为识别方法能有效的识别动物的行为。
-
公开(公告)号：CN108764107A
公开(公告)日：2018-11-06
申请号：CN201810499463.5
申请日：2018-05-23
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/00362 , G06N3/0454 , G06N3/049
Abstract: 本发明涉及视觉识别领域，提出一种基于人体骨架序列的行为和身份联合识别方法，旨在解决在人体数据识别中，不能同时对身份信息和行为动作识别问题。该方法包括：获取待识别人体的人体骨架序列；根据人体骨架序列，利用预先构建的识别模型识别人体的身份信息和行为动作；其中，识别模型的训练方法：将训练用人体骨架序列的坐标转换到参考坐标系下，得到参考骨架序列；对参考骨架序列的各参考骨架的各关节节点坐标与预先指定的中心点的坐标比较，得到各参考骨架的各关节节点的相对坐标；对参考骨架序列进行三维坐标变换，对初始的识别模型进行训练，得到优化后的识别模型。本发明可以快速、准确的从人体骨架序列中识别出人体的身份信息和行为动作。
-
公开(公告)号：CN108446404A
公开(公告)日：2018-08-24
申请号：CN201810287528.X
申请日：2018-03-30
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
CPC classification number: G06F16/3344 , G06F16/3329
Abstract: 本发明属于模式识别领域，具体涉及一种面向无约束视觉问答指向问题的检索方法及系统。旨在解决无候选答案时的视觉问答指向问题。该方法主要包括：利用图像似物性采样的方法生成一定数目的候选答案，提取问句的文本特征和候选答案的视觉特征，把文本特征和视觉特征映射到同一共同特征空间中，然后计算共同特征空间中问句与候选答案的余弦相似度，把与文本特征余弦相似度最高的候选答案视为预测的正确答案。本方法利用成对的排序损失函数建立问句特征与候选答案特征的相关关系，同时针对无候选答案的问题，使用图像似物性采样的方法生成一定数目的候选的答案，为无候选区域的视觉问答提供了一种可行的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN104363981B
公开(公告)日：2018-06-05
申请号：CN201480000558.8
申请日：2014-07-14
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/80
Abstract: 本发明涉及一种人脸验证方法和系统，方法包括：利用主成分分析和线性判别分析对高维人脸特征数据分别进行预处理，其中包括设置主成分分析降维后的数据维度；建立判别式高阶玻尔兹曼机，设置隐含层的节点数；利用张量对角化的策略来减少该判别式高阶玻尔兹曼机的模型参数；把成对的人脸数据输入到判别式高阶玻尔兹曼机中，利用随机梯度下降算法来最大化关系类别的条件概率，从而迭代地优化该玻尔兹曼机的权重，从而得到最终的判别式高阶玻尔兹曼机；向判别式高阶玻尔兹曼机模型输入待验证的成对人脸数据，得到对应的验证结果数据。本发明通过在无监督玻尔兹曼机模型中引入数据关系类别信息，使模型判别力增强，更适于具有精度要求的人脸验证。
-
公开(公告)号：CN107704924A
公开(公告)日：2018-02-16
申请号：CN201610602678.6
申请日：2016-07-27
Applicant: 中国科学院自动化研究所
IPC: G06N3/08
Abstract: 本发明公开了针对序列的同步自适应时空特征表达学习模型的构建方法及其相关的模型分析方法和行为识别方法。其中，该构建法包括首先将长短时记忆神经元输入及三个控制门的全连接替换为四组独立的滤波器，依次构建卷积递归神经元；然后，将X个CRN并行排列，构建卷积递归神经网络层；接着根据以下方式构建隐含层：各CRN的输出只存在向其自身基本单元的反馈连接，且各CRN之间不存在连接关系；再在卷积递归神经网络层和输入序列之间构建卷积层；最后，将Y个卷积递归神经网络层相堆叠，形成卷积递归神经网络，单个卷积递归神经网络层包含Z个子层。通过本发明实施例可以获取更具区分性的序列时空信息表达，而且无需复杂的预处理。
-
公开(公告)号：CN103559510B
公开(公告)日：2017-01-18
申请号：CN201310562450.5
申请日：2013-11-12
Applicant: 中国科学院自动化研究所
IPC: G06K9/66
Abstract: 本发明公开了一种利用相关主题模型识别社会群体行为的方法，该方法包括以下步骤：利用相关主题模型对视频数据集中的视频进行建模；基于相关主题模型和视频训练集得到优化目标函数；在使得优化目标函数最大的情况下计算相关主题模型中的各个参数，训练得到包括分类器的相关主题模型；将视频测试集中测试视频的词袋表示输入到相关主题模型中，利用隐含单元对可见单元的条件概率推断得到测试视频的主题表示；将测试视频的主题表示送入分类器中，得到对于相应测试视频最后的识别结果。本发明能够提取出更具区分力的稀疏相关主题表示来弥补低层视频特征和类别标签之间的语义鸿沟，同时在缺乏标签数据的情况下仍然能够达到很好的识别性能。
-
公开(公告)号：CN106056043A
公开(公告)日：2016-10-26
申请号：CN201610339756.8
申请日：2016-05-19
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/00771 , G06K9/6269
Abstract: 本发明提出了一种基于迁移学习的目标动物行为识别方法和装置，即训练数据集中的训练样本包括人的行为样本、非目标动物的行为样本和目标动物的行为样本中的一种或几种的组合，测试数据集为目标动物的行为样本。该发明步骤包括：步骤101，针对训练数据集中的每一个训练样本和测试数据集中的每一测试样本，提取原始特征；步骤102，采用迁移学习中的领域适应学习法将所述原始特征映射到共同空间中，得到新的特征；步骤103，利用所述新的特征训练SVM分类器，得到行为识别模型，同时对所述目标动物行为识别模型进行测试；步骤104，利用所述动物行为识别模型对目标动物的待识别行为进行识别。本发明提出的基于迁移学习的行为识别方法能有效的识别动物的行为。
-
公开(公告)号：CN103440504B
公开(公告)日：2016-08-17
申请号：CN201310418307.9
申请日：2013-09-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于结构先验知识的鲁棒生物特征识别方法，该方法包括：收集图像数据形成训练样本集和测试样本集；提取所述训练样本集中每个训练样本的特征向量，并将提取得到的特征向量组成字典矩阵X；基于所述字典矩阵X，通过优化算法计算得到与所述测试样本集中的每一测试样本对应的重构系数向量；基于所述字典矩阵X，使用与所述测试样本集中的每一测试样本对应的重构系数向量进行样本重构，得到与每一测试样本对应的分属于不同类别的重构测试样本，与相应测试样本最为接近的重构训练样本的类别即为所述测试样本的类别。本发明可以用在人脸识别等生物特征识别领域，能够有效处理存在遮挡噪声情况下的识别分类问题。
-
-
-
-
-
-
-
-
-
Search Results
153
records
(took 0.101 seconds)
