公开(公告)号：CN117333826A

公开(公告)日：2024-01-02

申请号：CN202310947820.0

申请日：2023-07-31

Applicant: 华侨大学

Inventor： 赵倩倩 ,  苏嘉骏 ,  陈宇涛 ,  黄麟涵 ,  吴含笑 ,  许恒 ,  潘文杰 ,  朱建清 ,  曾焕强

IPC: G06V20/54 ,  G06V10/74 ,  G06V10/40 ,  G06V10/82 ,  G06V10/764 ,  G06N3/048 ,  G06N3/084

Abstract: 由于具有鉴别性的局部组件信息在整车图像中占比很少，且监控场景复杂多变，缺乏明确组件位置信息，因此空间注意力机制易出现细节信息偏移、丢失等问题。为此，本发明提供一种基于空间与通道注意力之注意力协同的车辆再辨识方法，利用对特征映射空间位置不敏感的通道注意力协同空间注意力学习，获得更好的特征学习效果。首先，本发明利用空间注意力机制和通道注意力机制分别从特征映射中学习空间重要性掩码和通道重要性掩码。其次，本发明设计基于注意力子网的空间重要性掩码和通道重要性掩码协同方法，以生成空间‑通道复合重要性掩码，提升车辆再辨识准确性。本发明可广泛应用于智慧城市、智慧交通以及智慧安防中的智能视频监控系统。

公开(公告)号：CN119068266B

公开(公告)日：2025-02-14

申请号：CN202411551042.4

申请日：2024-11-01

Applicant: 华侨大学 ,  泉州圣源警用侦察设备有限公司

Inventor： 黄麟涵 ,  朱建清 ,  柳璞都 ,  范慧玲 ,  姚舜嘉 ,  黄婉婷 ,  曾焕强 ,  陈婧 ,  周前果

IPC: G06V10/764 ,  G06V10/74 ,  G06V10/774 ,  G06V10/82 ,  G06V20/52 ,  G06F17/16

Abstract: 本发明涉及图像处理与目标识别技术领域，公开了一种基于真伪标签一致性的跨模态行人再辨识方法及系统，方法包括：通过深度神经网络对可见光与红外光两种不同模态的行人图像提取特征向量；计算同模态、不同模态间的特征向量相似度，构建同模态、跨模态匹配矩阵，并进行归一化处理，生成同模态和跨模态归一化匹配矩阵；采用跨模态归一化匹配矩阵和同模态归一化匹配矩阵对真实标签进行投影，获得跨模态伪标签；优化真实标签与跨模态伪标签之间的Kullback‑Leibler（KL）散度，从而优化同模态和跨模态匹配矩阵，提升匹配矩阵对模态变化的鲁棒性，从而提升跨模态行人再辨识准确性。

公开(公告)号：CN118397659A

公开(公告)日：2024-07-26

申请号：CN202410828405.8

申请日：2024-06-25

Applicant: 华侨大学

Inventor： 陈宇涛 ,  黄麟涵 ,  潘文杰 ,  许恒 ,  朱建清 ,  曾焕强 ,  陈婧 ,  施一帆 ,  蔡磊

IPC: G06V40/10 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了一种基于全局特征与头肩特征多核融合的行人识别方法及装置，涉及图像识别领域，包括：采用经训练的行人头肩部检测模型对行人图像进行头肩部检测，得到行人头肩部图像；在行人识别模型中，将行人图像和行人头肩部图像分别输入全局特征提取分支和头肩特征提取分支，得到全局特征向量和头肩特征向量并输入多核融合模块进行融合，得到融合特征向量，根据全局特征向量、头肩特征向量和融合特征向量构建损失函数，以训练行人识别模型，得到经训练的行人识别模型；将待识别的行人图像及其对应的行人头肩部图像输入经训练的行人识别模型，得到对应的融合特征向量，再进行行人识别。本发明解决鱼眼摄像机下图像特征差异大、准确度低的问题。

公开(公告)号：CN117373066A

公开(公告)日：2024-01-09

申请号：CN202311667337.3

申请日：2023-12-07

Applicant: 华侨大学

Inventor： 黄麟涵 ,  朱建清 ,  赵倩倩 ,  周亮太 ,  陈宇涛 ,  詹思敏 ,  潘文杰 ,  曾焕强

IPC: G06V40/10 ,  G06N3/084 ,  G06N3/098 ,  G06V10/82 ,  G06F21/62

Abstract: 本发明公开了一种基于云边搜索联邦深度学习方法的行人再辨识方法及系统，涉及机器学习技术领域，方法包括以下步骤：S1，云端初始化全局深度网络模型，S2，云端将全局深度网络模型下发给边缘设备；S3，边缘设备利用个性化初始化函数构建总体优化目标函数，进行边缘深度网络模型训练；S4，云端对边缘深度网络模型权重参数进行加权平均聚合以更新云端全局深度网络模型；S5，重复S2至S4至最大次数，将最后一次生成的云端全局深度网络模型作为行人再辨识模型；S6，利用行人再辨识模型实现行人再辨识。本发明在保护数据隐私的前提下，让各个边缘设备根据本地数据特性个性化初始化自身网络，提升联邦学习中边缘深度网络和云端全局深度网络模型的性能。

公开(公告)号：CN117315430A

公开(公告)日：2023-12-29

申请号：CN202311595144.1

申请日：2023-11-28

Applicant: 华侨大学

Inventor： 许恒 ,  黄诚惕 ,  洪岚 ,  朱建清 ,  黄麟涵 ,  陈宇涛 ,  潘文杰 ,  曾焕强 ,  蔡灿辉

IPC: G06V10/80 ,  G06V10/764 ,  G06V10/82

Abstract: 本发明一种面向大范围车辆再辨识的不完备模态特征融合方法，涉及图像处理技术领域，包括：训练包括三通道模型和单通道模型的双模态模型，对可见光车辆图像，采用三通道模型提取主特征，辅以图像灰度化，采用单通道模型提取辅助特征；对红外光车辆图像，采用单通道模型提取主特征，辅以通道复制扩展，采用三通道模型提取辅助特征；将主特征和辅特征叠加获得完整特征，利用KL散度优化完整、主、辅特征三者之间后验概率分布差异，优化特征融合效果。本发明能解决在长时间大范围的监控场景中车辆因活动轨迹复杂多变出现的模态不完备问题，即可见光和红外车辆图像不完备而无法直接实现可见光和红外图像的特征融合问题，提升车辆再辨识准确性。