-
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：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：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：CN105072373A
公开(公告)日：2015-11-18
申请号：CN201510540560.0
申请日：2015-08-28
Applicant: 中国科学院自动化研究所
IPC: H04N7/01
Abstract: 本发明公开了一种基于双向循环卷积网络的视频超分辨率方法，包括：建立双向循环网络，包括按照时间顺序的前向循环子网络和后向循环子网络，每个循环子网络自底向上包含一个输入序列层，两个隐含序列层和一个输出序列层，每一序列层包括多个状态，对应于不同时刻的视频帧；用三种卷积操作来连接这些状态，包括前馈卷积，循环卷积和条件卷积，以得到双向循环卷积网络；把训练视频送到建立好的双向循环卷积网络中，利用随机梯度下降算法来最小化预测的和真实的高分辨率视频之间的均方误差，从而迭代地优化该网络的权重，并得到最终的双向循环卷积网络；向所述最终的双向循环卷积网络模型输入待处理的低分辨率视频序列，得到对应的超分辨率结果。
-
公开(公告)号：CN103049526B
公开(公告)日：2015-08-05
申请号：CN201210559081.X
申请日：2012-12-20
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于双空间学习的跨媒体检索方法。该方法包括：首先提取不同模态的多媒体数据的特征，利用双空间学习方法学习得到两个映射矩阵，将不同模态的数据映射到同一个空间；对于测试样本集，将其分为两部分：查询数据集和目标数据集，使用学习得到的映射矩阵将两个数据集的数据映射到统一空间，然后度量查询数据和目标数据之间的距离，并得到与查询数据距离最近的目标数据。本发明可以将不同模态的多媒体数据映射入统一空间进行度量，且在映射的同时进行了特征选择，提高了检索的鲁棒性和准确性，具有良好的运用前景。
-
Patent Agency Ranking
公开(公告)号：CN104615983A
公开(公告)日：2015-05-13
申请号：CN201510043587.9
申请日：2015-01-28
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/6227 , G06N3/04
Abstract: 本发明公开一种基于递归神经网络的人体骨架运动序列行为识别方法，包括以下步骤：对已经提取好的人体骨架姿态序列中节点坐标进行归一化，以消除人体所处绝对空间位置对识别过程的影响，利用简单平滑滤波器对骨架节点坐标滤波以提高信噪比，最后将平滑后的数据送入一个层次化双向递归神经网络进行深度特征提取及识别，同时提供了一种层次化单向递归神经网络模型以应对实际中的实时在线分析需求。该方法主要优点是根据人体结构特征及运动的相对性，设计端到端的分析模式，在实现高精度识别率的同时避免复杂的计算，便于实际应用。该发明对于基于深度摄像机技术的智能视频监控、智能交通管理及智慧城市等领域具有重要意义。
-
公开(公告)号：CN103049526A
公开(公告)日：2013-04-17
申请号：CN201210559081.X
申请日：2012-12-20
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于双空间学习的跨媒体检索方法。该方法包括：首先提取不同模态的多媒体数据的特征，利用双空间学习方法学习得到两个映射矩阵，将不同模态的数据映射到同一个空间；对于测试样本集，将其分为两部分：查询数据集和目标数据集，使用学习得到的映射矩阵将两个数据集的数据映射到统一空间，然后度量查询数据和目标数据之间的距离，并得到与查询数据距离最近的目标数据。本发明可以将不同模态的多媒体数据映射入统一空间进行度量，且在映射的同时进行了特征选择，提高了检索的鲁棒性和准确性，具有良好的运用前景。
-
公开(公告)号：CN113591546B
公开(公告)日：2023-11-03
申请号：CN202110653956.1
申请日：2021-06-11
Applicant: 中国科学院自动化研究所
IPC: G06V30/40 , G06V10/82 , G06N3/0455 , G06N3/044 , G06N3/0442
Abstract: 本发明提供一种语义增强型场景文本识别方法及装置，通过场景文本识别模型的编码器提取场景文本图像的视觉特征图以及上下文特征序列，并基于视觉特征图、上下文特征序列以及特征图的位置编码确定增强型特征表达，获取场景文本图像全局的视觉信息和语义信息，解码器采用特殊设计的循环神经网络单元进行解码，该单元能够均衡上下文信息的独立性和相关性。将隐含状态向量和展开后的增强型特征表达进行多头注意力运算，得到局部表观特征向量。局部表观特征向量与循环神经网络单元的隐层输出共同参与当前时刻的字符预测，增强了语义信息和视觉信息的相关性。多头注意力机制设计能够捕捉特征的显著性信息和辅助信息，使得场景文本识别结果准确率较高。
-
公开(公告)号：CN116109973A
公开(公告)日：2023-05-12
申请号：CN202310029012.6
申请日：2023-01-09
Applicant: 杭州海康威视数字技术股份有限公司 , 中国科学院自动化研究所
Abstract: 本申请提供一种物体特征的确定方法、装置及设备，包括：获取样本视频中的关键帧对应的多个目标物体特征，获取样本文本对应的文本特征；基于文本特征和多个目标物体特征确定文本特征与关键帧之间的空间定位分数和时间定位分数；基于空间定位分数和时间定位分数确定第一损失值；从关键帧对应的多个目标物体特征中选取代表性物体特征，确定代表性物体特征对应的特征效应分数；从样本视频的多个关键帧中选取代表性关键帧，确定代表性关键帧对应的帧效应分数；基于特征效应分数和帧效应分数确定第二损失值；基于第一损失值和第二损失值确定目标损失值，基于目标损失值训练得到目标网络模型。通过本申请方案，目标网络模型的训练时间短，资源消耗小。
-
公开(公告)号：CN114120445A
公开(公告)日：2022-03-01
申请号：CN202111371379.3
申请日：2021-11-18
Applicant: 北京易达图灵科技有限公司 , 南京南瑞信息通信科技有限公司 , 中国科学院自动化研究所
Abstract: 本发明提供一种动态信息增强的行为识别方法及装置，所述方法包括：确定待识别视频的图像序列；将图像序列输入至行为识别模型，得到行为识别模型输出的行为识别结果，行为识别模型是基于样本视频的样本图像序列和样本行为识别结果训练得到的；其中，行为识别模型用于对图像序列中各帧图像进行特征提取，得到表观特征图序列，对表观特征图序列中每相邻两个表观特征图进行差分运算，得到动态特征图序列，对动态特征图序列和表观特征图序列进行特征编码，得到动态特征表示，并基于动态特征表示进行行为识别。本发明提供的方法、装置、电子设备与存储介质，在提升行为识别的准确率的同时，也提高了行为识别的实时性，应用价值更高。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.087 seconds)
