-
公开(公告)号：CN114821252B
公开(公告)日：2023-05-26
申请号：CN202210260011.8
申请日：2022-03-16
Applicant: 电子科技大学
IPC: G06V10/80
Abstract: 本发明公开了一种图像识别算法的自成长方法，包括：A：采用不同原生图像识别算法对预处理后的未知图像样本进行多次测试并计算每次测试的识别准确率，确定出原生图像识别算法的种类和数量；B：对得到的原生图像识别算法进行加权以协同判别正确的未知图像样本，得到集成决策算法；C：通过跟踪算法识别未知图像样本并获取伪标签，通过集成决策算法识别未知图像样本并获取判别标签，基于伪标签与判别标签的比较结果更新算法，实现图像识别算法的自成长。该方法先通过协同训练原生图像识别算法集成技术实现判别正确的未知图像样本协同更新，再通过协同训练优化更新技术实现自成长算法的协同或自更新，提高了原生图像识别算法的精度和泛化能力。
-
公开(公告)号：CN114821252A
公开(公告)日：2022-07-29
申请号：CN202210260011.8
申请日：2022-03-16
Applicant: 电子科技大学
IPC: G06V10/80
Abstract: 本发明公开了一种图像识别算法的自成长方法，包括：A：采用不同原生图像识别算法对预处理后的未知图像样本进行多次测试并计算每次测试的识别准确率，确定出原生图像识别算法的种类和数量；B：对得到的原生图像识别算法进行加权以协同判别正确的未知图像样本，得到集成决策算法；C：通过跟踪算法识别未知图像样本并获取伪标签，通过集成决策算法识别未知图像样本并获取判别标签，基于伪标签与判别标签的比较结果更新算法，实现图像识别算法的自成长。该方法先通过协同训练原生图像识别算法集成技术实现判别正确的未知图像样本协同更新，再通过协同训练优化更新技术实现自成长算法的协同或自更新，提高了原生图像识别算法的精度和泛化能力。
-
公开(公告)号：CN112733695A
公开(公告)日：2021-04-30
申请号：CN202110003753.8
申请日：2021-01-04
Applicant: 电子科技大学
Abstract: 本发明公开了一种行人重识别领域中的非监督关键帧挑选方法，包括下述步骤：输入N个具有T帧的行人的连续视频片段至基础网络中提取出特征图F；然后将特征图F输入到关键帧提取单元，得到池化层后的特征图输出F’；利用层次聚类法，对特征图输出F’进行聚类，生成伪标签；将伪标签当做真实标签，利用交叉熵损失函数Losskf经多次迭代训练关键帧提取网络；将每次迭代训练时关键帧提取网络最后的FC层进行分类，并从特征图输出F’的分类中各挑选出一个作为关键帧的特征组成集合Fk'，从而对应到原来的特征提取单元的输入，找到对应的帧即为关键帧；实现关键帧的无监督自适应挑选，使得挑选出来的关键帧能够最大程度包含视频核心信息。
-
公开(公告)号：CN111144245A
公开(公告)日：2020-05-12
申请号：CN201911285730.X
申请日：2019-12-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于二维主成分分析法的人脸识别系统，设置有能够将人脸图像尺寸归一化处理及人脸图像灰度归一化处理的人脸检测与预处理模块；经过人脸检测与预处理模块出来后的数据采用基于TDPCA人脸特征提取的方法进行人脸特征提取的TDPCA特征提取模块；将经过TDPCA特征提取模块处理后的数据进行分类处理的人脸分类模块；应用二维主成分分析（TDPCA）进行人脸的特征提取，减少了计算复杂度，节省了时间。
-
公开(公告)号：CN110929685A
公开(公告)日：2020-03-27
申请号：CN201911256264.2
申请日：2019-12-10
Applicant: 电子科技大学
Abstract: 本发明属于计算机视觉方向技术领域，公开了一种基于混合特征金字塔和混合膨胀卷积的人脸检测网络结构，包括混合金字塔结构生成步骤和上下文信息提取器模块生成步骤以卷积神经网络为主干网络，结合混合特征金字塔和混合膨胀卷积技术，可以有效解决人脸在尺度、姿势、表情、遮挡、模糊等多变条件下的多人脸检测问题的基于混合特征金字塔和混合膨胀卷积的多子网络人脸检测模型设计方法。
-
Patent Agency Ranking
公开(公告)号：CN119653361B
公开(公告)日：2025-05-16
申请号：CN202510185176.7
申请日：2025-02-19
Applicant: 电子科技大学
IPC: H04W12/065 , H04W12/37 , H04W12/68 , G06F21/31 , G06F18/213 , G06F18/25 , G06F18/2411 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N20/10 , G06F123/02
Abstract: 本发明提供了一种基于多模态特征融合的隐式身份认证方法，该方法将获取到的传感器数据的离散信号转换成为灰度图像，然后，使用预训练好的卷积神经网络进行特征提取，结合GRU提取触摸屏序列数据特征，然后将两种模态的特征送入多模态融合网络进行特征融合，包括初步特征融合和深层特征融合，初步特征融合通过自适应特征融合模块和通道交换特征融合模块分别对两种模态的特征进行初步融合，深层特征融合通过改进的网络模型CrossMamba进行多模态的深度特征融合，并生成融合后的最终特征，最后通过身份认证模块进行身份认证。通过本发明方案增强了模型的灵活性和适应性，大大提高了身份认证的准确率和可靠性。
-
公开(公告)号：CN112733695B
公开(公告)日：2023-04-25
申请号：CN202110003753.8
申请日：2021-01-04
Applicant: 电子科技大学
IPC: G06V20/40 , G06V20/52 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种行人重识别领域中的非监督关键帧挑选方法，包括下述步骤：输入N个具有T帧的行人的连续视频片段至基础网络中提取出特征图F；然后将特征图F输入到关键帧提取单元，得到池化层后的特征图输出F’；利用层次聚类法，对特征图输出F’进行聚类，生成伪标签；将伪标签当做真实标签，利用交叉熵损失函数Losskf经多次迭代训练关键帧提取网络；将每次迭代训练时关键帧提取网络最后的FC层进行分类，并从特征图输出F’的分类中各挑选出一个作为关键帧的特征组成集合Fk'，从而对应到原来的特征提取单元的输入，找到对应的帧即为关键帧；实现关键帧的无监督自适应挑选，使得挑选出来的关键帧能够最大程度包含视频核心信息。
-
公开(公告)号：CN115035515A
公开(公告)日：2022-09-09
申请号：CN202210672381.2
申请日：2022-06-15
Applicant: 电子科技大学
IPC: G06V20/68 , G06T3/40 , G06V10/30 , G06V10/46 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种馕识别方法，包括：A：采集馕的可见光图像及热红外图像，对可见光图像进行归一化处理，对热红外图像因遮挡而丢失的特征进行补全处理和清晰处理，再对热红外图像进行边缘细节和纹理的增强处理，处理后得到增强的热红外图像；B：对增强的热红外图像和归一化处理后的可见光图像进行配准；C：对配准后的图像进行超分辨率增强，再提取图像中的SIFT特征、LBP特征和HOG特征，然后基于SIFT特征、LBP特征和HOG特征识别出馕的种类并相应计数。该方法利用可见光技术与热红外技术相结合，能够实现馕的精准检测与高效识别，提高了馕的识别速度与准确度。
-
公开(公告)号：CN114898429A
公开(公告)日：2022-08-12
申请号：CN202210503206.0
申请日：2022-05-10
Applicant: 电子科技大学
Abstract: 本发明涉及人脸识别技术领域，特别是涉及一种热红外‑可见光跨模态人脸识别的方法，包括以下步骤：分别对可见光图像和热红外图像进行多级特征的学习；分别对可见光图像和热红外图像进行多级特征的提取；将可见光图像和热红外图像的三级特征利用群卷积的方式进行特征融合，再将融合后的特征输入深度学习网络中，得到最终的识别结果。通过本方法，能有效解决复杂场景下人脸识别的速度与准确度不高的问题。
-
公开(公告)号：CN111160316B
公开(公告)日：2022-07-08
申请号：CN202010009951.0
申请日：2020-01-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于轻量级神经网络的车牌识别方法，包括数据集的准备、轻量级神经网络模型的构建及车牌的识别，所述轻量级神经网络模型的构建包括下述步骤：1）形成第一特征矩阵x1；2）形成第二特征矩阵x2；3）形成第三特征矩阵x3；4）形成第四特征矩阵x4；5）将第一特征矩阵x1，第二特征矩阵x2，第三特征矩阵x3，第四特征矩阵x4的通道进行融合，而后通过卷积核大小为1×1、步长为1的卷积层得到特征向量；6）基于CTC损失函数完成轻量级神经网络网络模型训练；采用CTC损失函数进行轻量级神经网络模型训练，实现无需分割的端到端训练，有效解决输入和输出不对齐的情况。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.037 seconds)
