-
公开(公告)号：CN109919183A
公开(公告)日：2019-06-21
申请号：CN201910069271.5
申请日：2019-01-24
Applicant: 北京大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于小样本的图像识别方法、装置、设备及存储介质，属于图像识别技术领域。所述方法包括：根据第一大样本图像集构建小样本的第一任务序列，每个第一任务包括带类别标签的第一支持集和不带类别标签的第一检索集；采用神经网络提取第一支持集中各图像样本的第一样本特征；根据第一样本特征和样本的类别标签，自适应地学习相应第一任务的度量矩阵；采用度量矩阵对相应第一检索集中的图像样本进行识别。该方法中，提高了小样本场景下的图像识别性能和准确率。
-
公开(公告)号：CN106339667B
公开(公告)日：2019-05-28
申请号：CN201610669836.X
申请日：2016-08-15
Applicant: 北京大学
Abstract: 本发明提供了一种视频异常事件在线检测方法及装置，所述方法包括：对连续输入的待预测视频流，每隔预设时间长度进行一次检查，并将每次检查的时间点作为更新节点；在每两个连续的更新节点之间，采用预设长度的滑窗对输入的待预测视频流进行连续采样，并采用预置的过滤模型对采样得到的样本进行过滤操作，以将过滤后的剩余样本加入缓冲区；对所述缓冲区中的样本进行分拣操作，以将所述样本中的正常样本和异常样本分别加入正常样本池和异常样本池中；在每个更新节点，根据所述正常样本池和所述异常样本池中的样本对所述过滤模型进行更新操作。本发明能够提高视频异常事件监测效率和准确性。
-
公开(公告)号：CN108805257A
公开(公告)日：2018-11-13
申请号：CN201810387893.8
申请日：2018-04-26
Applicant: 北京大学
IPC: G06N3/02
CPC classification number: G06N3/02
Abstract: 本发明提供一种基于参数范数的神经网络量化方法，该方法包括：对于给定的预训练神经网络参数模型，通过对所需量化层的参数的取值进行统计，划分量化中心；根据所选择的量化中心，计算每个相应量化层的参数的量化损失；将量化损失与神经网络训练参数模型的分类误差损失相加，作为总损失，并进行反向传播优化，同时量化中心也在优化时进行更新；待训练结束，根据量化中心对相应层进行量化操作，得到量化后的压缩模型。本发明提供的方法能够划分权重中心，并通过施加简单的量化损失，使用与传统方法相同的优化器，对神经网络模型进行量化，从而得到原始模型的压缩模型，减小网络存储体积与运算复杂性。
-
公开(公告)号：CN109919183B
公开(公告)日：2020-12-18
申请号：CN201910069271.5
申请日：2019-01-24
Applicant: 北京大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于小样本的图像识别方法、装置、设备及存储介质，属于图像识别技术领域。所述方法包括：根据第一大样本图像集构建小样本的第一任务序列，每个第一任务包括带类别标签的第一支持集和不带类别标签的第一检索集；采用神经网络提取第一支持集中各图像样本的第一样本特征；根据第一样本特征和样本的类别标签，自适应地学习相应第一任务的度量矩阵；采用度量矩阵对相应第一检索集中的图像样本进行识别。该方法中，提高了小样本场景下的图像识别性能和准确率。
-
Patent Agency Ranking
公开(公告)号：CN108537119B
公开(公告)日：2020-07-10
申请号：CN201810184700.9
申请日：2018-03-06
Applicant: 北京大学
Abstract: 一种小样本视频识别方法，基于深度神经网络与层级实时记忆，使用每类有多个训练样本的可见类与每类只有少量训练样本的不可见类，对不可见类的测试样本进行分类。首先，在可见类视频上进行深度网络预训练；随后，使用预训练得到的模型与可见类的视频对层级实时记忆网络进行训练，使网络可以在不可见类上进行重要程度的预测；同时，使用预训练得到的模型，在不可见类上对小样本进行距离学习，增大样本的类间距离，缩小样本的类内距离；最后，使用训练得到的层级实时记忆网络对测试视频选帧，使用距离学习得到的模型在选出来的帧上做分类任务。由此，本方法可以实现小样本下的视频识别，更贴近真实识别场景下的应用。
-
公开(公告)号：CN110288677A
公开(公告)日：2019-09-27
申请号：CN201910425357.7
申请日：2019-05-21
Applicant: 北京大学
Abstract: 本发明涉及图像生成领域，特别涉及一种基于可形变结构的行人图像生成方法和装置。具体包括以下步骤：步骤一、对行人图片和目标姿态图片按照部位结构进行分割操作，进行提取mask操作；步骤二、然后进行部位生成操作，得到部位生成图片；步骤三、对部位生成图片进行结构化合并操作，得到结构化合并图片；步骤四、进行整体生成操作，得到生成图片。本发明在考虑人体可形变结构的基础上，降低训练的代价，提升算法的性能。
-
公开(公告)号：CN108764292A
公开(公告)日：2018-11-06
申请号：CN201810390879.3
申请日：2018-04-27
Applicant: 北京大学
CPC classification number: G06K9/6256 , G06K2209/21 , G06N3/0454 , G06N3/0481 , G06N3/084
Abstract: 本发明提供了一种基于弱监督信息的深度学习图像目标映射及定位方法。该方法包括：使用带有类别标签的图像数据分别训练两个深度卷积神经网络框架，得到分类模型M1和分类模型M2，并获取全局带参可学习池化层参数；使用新的分类模型M2对测试图像进行特征提取，得到特征图，根据特征图通过特征类别映射及阈值法得到初步定位框；使用选择性搜索方法对测试图像进行候选区域提取，使用分类模型M1筛选类别出候选框集合；对初步定位框和候选框进行非极大值抑制处理，得到测试图像最终的目标定位框。本发明引入全局带参可学习池化层，能够学习得到关于目标类别j的更好的特征表达，并通过使用选择性特征类别映射的方式，有效得到图像中目标物体的位置信息。
-
公开(公告)号：CN106339667A
公开(公告)日：2017-01-18
申请号：CN201610669836.X
申请日：2016-08-15
Applicant: 北京大学
CPC classification number: G06K9/00718 , G06K9/6256 , G06K2009/00738
Abstract: 本发明提供了一种视频异常事件在线检测方法及装置，所述方法包括：对连续输入的待预测视频流，每隔预设时间长度进行一次检查，并将每次检查的时间点作为更新节点；在每两个连续的更新节点之间，采用预设长度的滑窗对输入的待预测视频流进行连续采样，并采用预置的过滤模型对采样得到的样本进行过滤操作，以将过滤后的剩余样本加入缓冲区；对所述缓冲区中的样本进行分拣操作，以将所述样本中的正常样本和异常样本分别加入正常样本池和异常样本池中；在每个更新节点，根据所述正常样本池和所述异常样本池中的样本对所述过滤模型进行更新操作。本发明能够提高视频异常事件监测效率和准确性。
-
公开(公告)号：CN104281858A
公开(公告)日：2015-01-14
申请号：CN201410469780.4
申请日：2014-09-15
Abstract: 本发明实施例涉及视频图像技术领域，尤其涉及一种三维卷积神经网络训练方法、一种基于三维卷积神经网络的视频异常事件检测方法及装置，用以对拥挤人群场景下发生的异常事件进行检测。本发明实施例的方法中三维卷积神经网络正向传递过程中第N组卷积-采样层中的卷积层上的每个卷积核对第N-1组卷积-采样层中的采样层的所有通道的所有特征图的数据进行卷积，由于最后一层卷积层对所有通道的所有特征图的数据进行卷积，从而可提取更具有表达能力的特征，从而可通过这些特征更好地描述拥挤人群场景下发生的异常事件，进而提高异常事件的检测的准确率。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.052 seconds)
