-
公开(公告)号：CN102521592A
公开(公告)日：2012-06-27
申请号：CN201110390185.8
申请日：2011-11-30
Applicant: 苏州大学
Abstract: 本发明公开了一种基于非清晰区域抑制的多特征融合显著区域提取方法，首先输入待处理的源图像，再进行如下处理：(1)预处理；(2)对经过预处理的图像进行低层特征提取，获得空间显著图和频域显著图；(3)对经过预处理的图像进行高层语义特征提取，获得人脸显著图；(4)对步骤(2)和步骤(3)获得的空间显著图、频域显著图和人脸显著图进行中心聚集化操作，获得综合显著图；(5)根据综合显著图对待处理的源图像进行分割处理，提取出显著区域。本发明解决了传统的显著区域检测方法中存在的对大尺度目标图像检测内容缺失问题和对背景复杂图像情况下检测的误检问题，是一种准确度更高的显著区域检测方法。
-
公开(公告)号：CN117765302A
公开(公告)日：2024-03-26
申请号：CN202311653880.8
申请日：2023-12-05
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明涉及一种基于回归增强的域自适应目标检测方法及系统，所述方法包括：获取源域数据集；将源域数据集输入至学生模型，并对所述源域数据集进行强弱增强，生成增强数据；对所述增强数据进行特征提取，生成初始特征；将所述初始特征输入至RPN进行分类和回归，生成粗定位框和回归输出值；对所述粗定位框进行动态标签分配，筛选粗定位框正样本；对所述粗定位框正样本进行回归损失计算，生成计算结果；根据所述计算结果进行目标检测，生成检测结果。通过动态标签分配替代固定的标签分配策略，本申请在RPN中引入了任务对齐头，以促使模型做出更一致的预测，进而使得模型在预测和推理时通过分类分数保留高质量的检测框。
-
公开(公告)号：CN117058156A
公开(公告)日：2023-11-14
申请号：CN202310731105.3
申请日：2023-06-20
Applicant: 苏州大学
IPC: G06T7/10 , G06N3/096 , G06N3/0895 , G06N3/0455
Abstract: 本发明涉及一种半监督医学图像分割方法，包括：通过输入数据对学生模型和教师模型训练，计算学生模型的监督损失和教师模型的确定性图；通过确定性图获得权重图，根据权重图计算教师模型监督学生模型的概率图；通过学生模型的监督损失、学生模型的预测概率图和教师模型监督学生模型的概率图计算一致性损失，获得优化的学生模型；通过学生模型的参数和教师模型的参数，更新教师模型；本发明实现了使用加权集成策略提高教师模型预测质量，促使学生模型可以从可靠的知识中学习；使用空间注意力机制增强分割网络特征表示能力，产生高质量的分割结果。
-
公开(公告)号：CN104866829B
公开(公告)日：2019-02-19
申请号：CN201510270145.8
申请日：2015-05-25
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于特征学习的跨年龄人脸验证方法，包括如下步骤：(1)获取待对比的两幅人脸图像；(2)利用人脸特征点定位的方法对两幅人脸图像进行对齐操作；(3)分别对每幅图像进行特征提取，方法为：①通过深度卷积神经网络自动提取高层语义特征；②计算图像的LBP直方图特征；③将①和②中获得的特征进行融合，表达为特征向量；(4)采用余弦相似度方法计算步骤(3)获得的两幅图像的特征向量之间的距离，据此判断两幅图像是否来自同一人。本发明首次将深度网络应用到跨年龄人脸验证，同时创造性地将手工设计的LBP直方图特征与深度网络自主学习的特征进行融合，实现高层语义特征与低层特征的互补，具有更好的准确率。
-
公开(公告)号：CN105303571A
公开(公告)日：2016-02-03
申请号：CN201510692276.5
申请日：2015-10-23
Applicant: 苏州大学
CPC classification number: G06K9/4671 , G06T2207/10016 , G06T2207/10024 , G06T2207/30232
Abstract: 本发明公开了一种用于视频处理的时空显著性检测方法，其特征在于，利用颜色通道的直方图、光流大小直方图、光流方向直方图获得特征对比度；对于第一帧图像，采用与视频帧中心点的距离作为位置先验，对于其它帧，采用前一帧中显著目标所在的位置作为位置先验，获得位置先验显著图；利用像素的光流大小和方向获得速度先验显著图和加速度先验显著图；提供时间维度上的一个滑动窗口进行像素均值滤波，获得背景先验显著图；将特征对比度与各先验显著图进行融合，获得时空显著图，并实现对目标的检测。本发明更适用于运动目标出现位置不可知的监控视频的检测，可以更好地获取运动显著目标。
-
Patent Agency Ranking
公开(公告)号：CN102903124B
公开(公告)日：2015-08-19
申请号：CN201210338285.0
申请日：2012-09-13
Applicant: 苏州大学
IPC: G06T7/20
Abstract: 本发明公开了一种运动目标检测方法，包括背景建模和前景检测，采用混合高斯模型进行背景建模并进行模型更新，获得B个高斯分布，对于待检测的帧图像中的一个像素点，如果在上述排序后的B个高斯分布中，至少有一个高斯分布与当前像素值匹配，则该像素点为一个背景像素，否则判定其为前景像素。本发明能有效地过滤前景噪声，得到十分干净的背景，既保留高效的去噪效果又增强了前景目标检测的准确性和完整性。
-
公开(公告)号：CN104616316A
公开(公告)日：2015-05-13
申请号：CN201410222664.2
申请日：2014-05-23
Applicant: 苏州大学
IPC: G06T7/20
CPC classification number: G06K9/00335
Abstract: 本发明公开了一种基于阈值矩阵和特征融合视觉单词的人物行为识别方法，其特征在于，包括以下步骤：首先采用显著度计算法提取视觉单词，具体如下，对训练视频帧进行显著度计算，取得人物所在的区域位置，然后对区域内外采取不同的阈值进行兴趣点检测，基于取得的兴趣点计算出视觉单词；然后对取得的视觉单词进行建模分析，建立动作的模型；在动作模型建立好后，对测试视频帧采用同样的显著度计算法提取视觉单词，然后将取得的视觉单词作为输入，放入建好的动作模型中进行分类；最后将动作的分类结果作为测试视频中人物行为的标签返回出来，完成人物行为的识别。本发明可以有效地解决复杂场景下人物行为识别准确度的问题。
-
公开(公告)号：CN104268546A
公开(公告)日：2015-01-07
申请号：CN201410229426.4
申请日：2014-05-28
Applicant: 苏州大学
CPC classification number: G06K9/00765 , G06K9/6212
Abstract: 本发明公开了一种基于主题模型的动态场景分类方法，其特征在于，包括以下步骤：（1）利用SIFT特征对图像进行局部描述，生成原始图像对应的SIFT特征图，经过时间的变化，原始图像对应的特征之间就会有相对位置上的变化，这种变化构成了流场，形成了动态视频SIFT流；（2）对动态视频SIFT流场图像进行均匀分块，分为网格对每一个分块按SIFT流的方向量化为8个柄的直方图，形成72维特征矢量，利用K-mean聚类形成为视觉单词；（3）引入单词先验信息扩展原始TMBP模型，并将原始TMBP模型和Konwledge-TMBP模型利用量化后的视觉单词建模，得到场景分类的结果。利用SIFT流信息描述动态场景中的动态信息生成视觉单词，并考虑视觉单词对表达主题是否有意义的问题，在主题模型的推理中加入视觉单词的权重，从而达到提高动态场景的分类速度与精度的目的。
-
公开(公告)号：CN117765302B
公开(公告)日：2025-04-18
申请号：CN202311653880.8
申请日：2023-12-05
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明涉及一种基于回归增强的域自适应目标检测方法及系统，所述方法包括：获取源域数据集；将源域数据集输入至学生模型，并对所述源域数据集进行强弱增强，生成增强数据；对所述增强数据进行特征提取，生成初始特征；将所述初始特征输入至RPN进行分类和回归，生成粗定位框和回归输出值；对所述粗定位框进行动态标签分配，筛选粗定位框正样本；对所述粗定位框正样本进行回归损失计算，生成计算结果；根据所述计算结果进行目标检测，生成检测结果。通过动态标签分配替代固定的标签分配策略，本申请在RPN中引入了任务对齐头，以促使模型做出更一致的预测，进而使得模型在预测和推理时通过分类分数保留高质量的检测框。
-
公开(公告)号：CN107103326B
公开(公告)日：2020-06-02
申请号：CN201710283829.0
申请日：2017-04-26
Applicant: 苏州大学
Abstract: 本发明公开了一种基于超像素聚类的协同显著性检测方法，通过构建超像素金字塔，使用超像素块来代替普通像素点，加速协同显著性计算，同时构建超像素金字塔可以获得不同尺度上的特征信息，保证协同显著目标的边界的准确性，在此基础上，使用聚类的方法进一步将超像素块分类，进一步加速了协同显著性的计算时间，最后使用协同显著图与显著图融合的方法得到最终的协同显著图，保证了协同显著目标的准确性。本发明获得的显著目标的边界轮廓定位更加准确，在时间和准确性上具有一定的优势。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.02 seconds)
