-
公开(公告)号：CN109472197A
公开(公告)日：2019-03-15
申请号：CN201811141277.0
申请日：2018-09-28
Applicant: 中国科学院自动化研究所 , 中国科学院自动化研究所南京人工智能芯片创新研究院
Inventor： 张一帆
IPC: G06K9/00
Abstract: 本发明实施例提出的一种视频人脸标记方法，根据待标记视频和与待标记视频对应的文本中分别计算人脸图像和人名的出现频次，建立人脸关系网和人名关系网。然后将人脸关系网和人名关系网分别转化为无向图，通过对两个无向图进行匹配的方法在两个无向图的顶点之间建立对应关系，以实现对待标记视频中的人脸图像进行标记。本申请提供的人脸标记方法，通过将待标记视频和与待标记视频对应的文本进行图匹配，实现了待标记视频中的人脸标记，摆脱了对时间信息的要求。
-
公开(公告)号：CN109461178A
公开(公告)日：2019-03-12
申请号：CN201811050407.X
申请日：2018-09-10
Applicant: 中国科学院自动化研究所 , 中国科学院自动化研究所南京人工智能芯片创新研究院
IPC: G06T7/521
Abstract: 本发明提出了一种融合稀疏已知标签的单目图像深度估计方法及装置，包括：获取待估计RGB图像；利用单线激光雷达获取稀疏已知标签；将所述待估计RGB图像输入到预先建立的深度估计模型中，得到待估计RGB图像的第一深度图；通过全连接层将所述第一深度图与稀疏已知标签融合，得到所述待估计RGB图像的最终深度图。本发明提供的技术方案通过融合稀疏已知标签，减少了从单目图像映射到深度图的不确定性，从而有效地估计出更加可靠的场景深度。
-
公开(公告)号：CN109800659B
公开(公告)日：2021-05-25
申请号：CN201811604771.6
申请日：2018-12-26
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Inventor： 张一帆
Abstract: 本发明提出了一种动作识别方法及装置，包括：获取视频中待识别对象在运动时的骨骼数据；根据所述骨骼数据生成所述待识别对象的骨骼序列；生成与所述骨骼序列对应的骨骼特征图像，所述骨骼特征图像中包括若干个骨骼点；将骨骼特征图像输入至预设卷积神经网络模型进行分类，得到与所述骨骼特征图对应的动作类别。本发明将动作识别的问题转化成骨骼序列图像分类的问题，将骨骼序列转换为骨骼特征图像，然后再对骨骼特征图像分类，使得识别更加准确，效率更高。
-
公开(公告)号：CN111489379A
公开(公告)日：2020-08-04
申请号：CN202010597038.7
申请日：2020-06-28
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提出了一种引入运动学约束的3D网络进行手部姿态估计的方法及系统，包括以下步骤：步骤1、将原始的深度图中定位出的手部区域转化成体素化的输入；步骤2、引入运动学约束的3D手部姿态估计网络；步骤3、评估预测的关节点位置的准确性、并评估预测出的关节点所形成的手部姿态的合理性。该网络以体素化的手部区域作为输入，经过3D卷积神经网络，预测表示关节点概率分布的3D heatmap。heatmap中最大值的位置也就是关节点的位置；利用3D heatmap获得关节点的位置然后根据关节点之间的对应关系计算出骨骼的长度。通过对3D heatmap进行处理，获得各个关节点的坐标以及对应的骨骼长度，从而可以利用修改损失函数的方式对预测的结果添加运动学约束。
-
公开(公告)号：CN111475706A
公开(公告)日：2020-07-31
申请号：CN202010237297.9
申请日：2020-03-30
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院
IPC: G06F16/9532 , G06F16/35 , G06F16/36
Abstract: 本发明公开了一种全天候自动检测重要消息的AI分析预警方法，包括第三方平台数据收集系统、热点信息分类系统和重要信息判定处理系统；所述第三方平台数据收集系统利用代码后台收集主流社交媒体、主流纸质媒体和传统电视媒体的热点消息，转化成文字信息进行统一存储；所述热点信息分类系统对热点信息的涉及领域进行初步分类，提取关键信息并统计热点信息的出现频率；所述重要信息判定处理系统对重点信息进行全天候地分析，当消息重要程度达到设置阈值时进行预警。本发明利用AI技术自动地对第三方数据平台的热点消息进行统计，结合阈值设置以及重要领域针对性筛选，保证对重要敏感消息的实时传播。
-
Patent Agency Ranking
公开(公告)号：CN111340011A
公开(公告)日：2020-06-26
申请号：CN202010419814.4
申请日：2020-05-18
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提出了一种自适应时序移位神经网络时序行为识别方法及系统，首先采集多个时间点的特征并建模；接着引入自适应时序移位神经网络学习每一层网络所需的感受野；最后训练可学习的移位变量，对骨骼点数据进行修正。本发明能够自适应的学习每一层网络所需的感受野，并且能够自适应的学习每种数据集所需的感受野。自适应时序移位神经网络能够针对不同的数据学习出不同的时间移位向量，从而自适应的适应不同的数据分布。通过本发明提出的时序行为识别方法，能够在提高行为检测精度的同时节省计算资源，这种自适应的学习比普通时间卷积的手工调参更加优越。
-
公开(公告)号：CN111091577A
公开(公告)日：2020-05-01
申请号：CN201911241559.2
申请日：2019-12-06
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 河南理工大学 , 中国科学院自动化研究所
Abstract: 本发明涉及一种基于伪孪生网络的线特征描述方法，包括：步骤S11：获取同一场景不同变换的图像对；步骤S12：检测图像中的直线；步骤S13：获取正确匹配直线对；步骤S14：确定直线对应的图像块；步骤S2：搭建用于线特征描述的全卷积伪孪生网络；步骤S31：获取训练子集；步骤S32：计算网络输出特征向量；步骤S33：对网络参数进行调整；步骤S4：更新网络参数值；步骤S5：参数迭代更新至指定的次数；步骤S6：获取输入直线的描述子。本发明提供的方法可获得具有强区分性的描述子。
-
公开(公告)号：CN110490301A
公开(公告)日：2019-11-22
申请号：CN201910709501.X
申请日：2019-08-02
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 河南理工大学
Abstract: 本发明涉及一种基于卷积神经网络的线特征描述方法，包括：收集图像并进行预处理组成图像数据集、利用现有直线检测方法获取图像对中的直线、获取正确匹配直线对、确定直线对应的输入图像块；对输入数据进行预处理、构建卷积神经网络、通过三元组损失函数获取新的网络参数、利用获得的网络模型参数更新卷积神经网络的参数值、重复参数更新过程，直到参数更新达到指定的次数；获取输入直线的描述子。本发明提供的方法能够简单快速地得到具有鲁棒性与可区分性的直线描述子。
-
公开(公告)号：CN110414316A
公开(公告)日：2019-11-05
申请号：CN201910502487.6
申请日：2019-06-11
Applicant: 中国科学院自动化研究所 , 中国科学院自动化研究所南京人工智能芯片创新研究院 , 国网山东省电力公司
Abstract: 本申请涉及一种数据去噪方法、装置、计算机设备和存储介质。所述方法包括：获取包含人体的当前图像，计算人体的位置信息，为各个人体分配对应的人体标识，获取上一图像中对应的人体标识和位置信息，当上一图像中任意一个人体标识消失时，判断当前图像中，是否存在与消失的人体标识的位置信息的差异度在预设差异度范围内的人体的位置信息，当存在时，将消失的人体标识分配给差异度在预设差异度范围内的位置信息对应的人体。对于相邻的图像，若上一帧还存在的人体，下一帧消失时，判断图像中是否存在与消失的人体在相同位置的人体，若存在，则将上一帧的人体对应的人体标识，分配给该人体，使得分配的人体标识更为准确，提高数据处理的准确度。
-
公开(公告)号：CN110363086A
公开(公告)日：2019-10-22
申请号：CN201910503195.4
申请日：2019-06-11
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本申请涉及一种图数据识别方法、装置、计算机设备和存储介质。所述方法包括：获取输入已训练的卷积神经网络的当前卷积层的输入特征图，输入特征图是通过提取图数据得到的特征图，获取当前卷积层的偏置矩阵，其中偏置矩阵为生成已训练的卷积神经网络时生成的矩阵，获取参考邻接矩阵，计算参考邻接矩阵和偏置矩阵的和，得到目标邻接矩阵，获取当前卷积层的卷积核，根据当前卷积层的卷积核、目标邻接矩阵和输入特征图生成目标输出特征图，根据目标输出特征图，识别出图数据对应的识别结果，根据目标输出特征图，识别出图数据对应的识别结果。通过对卷积层中的固定邻接矩阵增加根据任务需求生成的矩阵，提高已训练的卷积神经网络的识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.051 seconds)
