-
公开(公告)号：CN114332733B
公开(公告)日：2024-03-15
申请号：CN202210004166.5
申请日：2022-01-04
Applicant: 桂林电子科技大学
IPC: G06V20/40 , G06V10/26 , G06V20/52 , G06V40/16 , G06V10/80 , G06V10/82 , G06N3/044 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于残差循环神经网络的视频监控人脸识别方法，其特征在于，包括如下步骤：1）获取视频监控人脸数据；2）进行人脸检测；3）视频人脸特征联合；4）联合特征融合与编码；5）解码隐藏状态及融合特征；6）利用融合特征进行网络训练；7）应用网络进行人脸识别。这种方法将人脸特征与隐藏状态使用残差连接，从而解决特征融合过程中存在梯度消失的问题，为隐藏状态提供了更多的特征，进而有效地提升人脸识别性能，对于长序列的人脸视频具有更好的鲁棒性，并且具有更强的识别能力。
-
-
公开(公告)号：CN116434300A
公开(公告)日：2023-07-14
申请号：CN202310265303.5
申请日：2023-03-17
Applicant: 桂林电子科技大学
IPC: G06V40/16 , G06V40/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种身份识别方法、装置、系统以及存储介质，属于身份识别领域，方法包括：对待识别行人图片进行人脸提取得到待识别人脸图片；对待识别行人图片以及待识别人脸图片进行特征提取得到待识别行人特征以及待识别人脸特征；根据待识别人脸特征以及待识别行人特征对深度全连接神经网络进行训练得到训练后深度全连接神经网络。本发明相比于单用人脸或行人，目标身份识别准确率更高，且深度挖掘了人脸与行人特征信息间的关联性，实现了二者更有效的融合，从而进一步提高了监控场景下目标身份识别的准确性和可靠性。
-
公开(公告)号：CN112164011B
公开(公告)日：2023-02-28
申请号：CN202011085140.5
申请日：2020-10-12
Applicant: 桂林电子科技大学
IPC: G06T5/00 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于自适应残差与递归交叉注意力的运动图像去模糊方法，其特征在于，包括：1）去模糊网络框架的建立；2）浅层特征提取；3）自适应残差过程；4）递归交叉注意力过程；5）图像重建；6）判别网络模型。这种方法能解决运动模糊图像的非均匀性问题，去除伪影且获取更多的图像高频特征，重建出纹理细节丰富的高质量图像。
-
公开(公告)号：CN114708281A
公开(公告)日：2022-07-05
申请号：CN202210392717.X
申请日：2022-04-15
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于自适应非局部特征融合网络的图像压缩感知重建方法，其特征在于，包括如下步骤：1)训练数据预处理；2)获取测数据yi；3)构造图像块压缩观测值yi协同重构组Yi；4)采用线性映射网络F获得初始重建图像块协同重构组Zi；5)将协同重构组Zi进行特征交互得到协同联合重建特征Zc；6)采用全局残差网络Fr对图像块zi进行增强重建获得重建图像z′i；7)采用图像块稀疏约束损失函数对网络训练进行约束。这种方法采用非局部特征为图像块重建提供互补信息，能有效恢复图像中的高频信息。
-
Patent Agency Ranking
公开(公告)号：CN114529482A
公开(公告)日：2022-05-24
申请号：CN202210157461.4
申请日：2022-02-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了基于小波多通道深度网络的图像压缩感知重建方法，其特征在于，包括如下步骤：1）训练数据预处理对局部图像块进行二阶小波变换；2）线性映射；3）小波变换；4）多通道图像重建；5）特征融合；6）计算损失函数Loss；7）判断误差是否达到设定值。这种方法能更好地表示不同的图像内容、并且恢复更多的细节特征。
-
公开(公告)号：CN114332733A
公开(公告)日：2022-04-12
申请号：CN202210004166.5
申请日：2022-01-04
Applicant: 桂林电子科技大学
IPC: G06V20/40 , G06V10/26 , G06V20/52 , G06V40/16 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于残差循环神经网络的视频监控人脸识别方法，其特征在于，包括如下步骤：1）获取视频监控人脸数据；2）进行人脸检测；3）视频人脸特征联合；4）联合特征融合与编码；5）解码隐藏状态及融合特征；6）利用融合特征进行网络训练；7）应用网络进行人脸识别。这种方法将人脸特征与隐藏状态使用残差连接，从而解决特征融合过程中存在梯度消失的问题，为隐藏状态提供了更多的特征，进而有效地提升人脸识别性能，对于长序列的人脸视频具有更好的鲁棒性，并且具有更强的识别能力。
-
公开(公告)号：CN108399608B
公开(公告)日：2021-10-15
申请号：CN201810172326.0
申请日：2018-03-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于张量字典及全变分的高维图像去噪方法，在高维图像处理研究的基础上，将张量字典学习结合全变分正则项，提出一种张量字典学习结合TV正则项的高维图像去噪模型，然后用交替迭代方法求解模型，得到迭代更新后重建的MSI图像。本发明的优点是将高维图像看成一个张量整体处理，不会损失图像的立体结构信息，同时也考虑了各波段之间的相关性，并且张量字典学习的方式提高了算法的精确度；在不失高维图像空间结构的前提下，利用高阶TV正则项，很好地保存了较完善的边缘信息，取得良好的重建效果。实验结果在主观视觉和客观评价指标两方面均取得较好的效果，能够保留较多的纹理信息和轮廓信息。
-
公开(公告)号：CN107220594B
公开(公告)日：2020-06-12
申请号：CN201710316806.5
申请日：2017-05-08
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于相似度保留堆叠自编码器的人脸姿态重建与识别方法，其特征是，包括如下步骤：1）多角度人脸图像的姿态角度步进减小；2）目标姿态特征提取；3）构建相似度保留自编码器的总损失函数；4）堆叠相似度保留自编码器；5）训练并微调网络；6）重建与识别：将重建好的正脸图像和网络的最高隐含层特征分别使用线性判别分析法，即LDA法进行降维来提取具有判别性的人脸特征，并用最近邻分类器完成人脸识别。这种方法能够消除人脸图像的姿态角度偏转影响、能够提取到人脸对于多姿态变化更具鲁棒性的特征，且提取到的姿态特征能和原始正脸图像的特征相匹配，从而提高识别率。
-
公开(公告)号：CN106504276B
公开(公告)日：2019-02-19
申请号：CN201610938472.0
申请日：2016-10-25
Applicant: 桂林电子科技大学
IPC: G06T7/33
Abstract: 本发明公开了一种非局部立体匹配方法的组合匹配代价方法和视差联合填充方法，该方法使用基于最小生成树的代价聚合的非局部立体匹配方法，在预处理阶段使用基于改进的最小生成树的方法去除原始图像的噪音，增强纹理信息，获得增强图像。然后在匹配代价阶段不仅使用原始图像的信息，还使用增强图像的信息。这样即得到了图像的局部信息，也能获得全局信息，在后期的代价聚合起一定的作用。在最后的视差细化部分，针对视差不连续和误匹配问题，提出了联合权重填充方法。实验表明，与其他的非局部立体匹配方法相比，该方法的误匹配率低，对边缘区域，重复纹理和遮挡区域有很强的鲁棒性。实验结果证明了本发明方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.029 seconds)
