-
公开(公告)号：CN110650340B
公开(公告)日：2022-01-14
申请号：CN201910336500.5
申请日：2019-04-25
Applicant: 长沙理工大学
IPC: H04N19/132 , H04N19/177 , H04N19/19 , H04N19/42 , H04N19/597 , G06T5/00 , G06V10/40 , G06V10/772 , G06V20/40
Abstract: 本发明涉及一种时空复用的压缩视频成像方法，包括下列步骤：1)设计成像设备如附图所示包括一个标定系统和成像系统，并通过标定系统，获得一个二值的输入矩阵，同时采用一个复数矩阵拟合多重散射传递函数；2)在成像系统采用空间复用和时间复用两个压缩感知模块顺序对进入系统的场景光学信号进行三维压缩感知采样，在一次曝光时间内获取多帧空间上压缩的场景图像信号；3)从输入的三维信号的三个切面对信号进行解析表示，并通过学习得到图像帧的解析稀疏表示字典和视频信号的时间稀疏表示特征；4)根据视频重建的优化模型，首先重建一个初始视频估计，并将多约束的优化问题分解为多个子问题，采用交替方向方法求解，完成视频帧的图像重建。
-
公开(公告)号：CN113033675A
公开(公告)日：2021-06-25
申请号：CN202110339588.3
申请日：2021-03-30
Applicant: 长沙理工大学
Abstract: 本申请涉及一种图像分类方法、装置和计算机设备。所述方法包括：获取图像样本，通过第一池化层对经过卷积后的特征图中的每个池化框进行k次最小池化，对k个最小值取平均值得到最小池化平均值；通过第二池化层对图像样本进行平均池化，得到平均池化特征图；根据预先设置的权重，对平均池化特征图进行加权，得到每个池化框对应的极端门限值；若最小池化平均值小于极端门限值，则舍弃池化框中的最小值后进行平均池化，得到图像样本对应的去极端特征图；利用去极端特征图训练图像分类模型，得到训练好的图像分类模型；获取待分类图像的去极端特征图，将去极端特征图输入训练好的图像分类模型，得到图像类别。采用本方法能够提高图像分类的准确性。
-
公开(公告)号：CN120047972A
公开(公告)日：2025-05-27
申请号：CN202510202576.4
申请日：2025-02-24
Applicant: 长沙理工大学
Abstract: 本发明公开一种用于行人重识别的残差扩充融合方法。包括数据预处理模块、残差扩充融合模块、相似度计算和结果输出模块。其特征在于，主干网络使用ResNet50构建，利用在ImageNet上预训练的模型初始化主干网络。提出的残差扩充融合模块利用不同大小的残差单元通过权重共享生成副本。同时，将副本双向扩充融合，有效地减少特征融合时原始层重要特征的丢失。所述的方法有效的提高了模型在各种场景下的鲁棒性，并且最大限度地减缓解特征传输过程中行人表征信息损失问题，可以在现实世界中的困难场景中更准确的识别行人。
-
公开(公告)号：CN119992593A
公开(公告)日：2025-05-13
申请号：CN202510070041.6
申请日：2025-01-16
Applicant: 长沙理工大学
Abstract: 本发明公开一种用于遮挡行人重识别的语义引导特征扩展方法。包括数据预处理模块、局部特征语义扩展模块、相似度计算和结果输出模块。其特征在于，主干网络使用ResNet50构建，利用在LUPerson上预训练的模型初始化主干网络。提出的局部特征语义扩展模块通过选择重要局部特征及其邻近特征进行融合，在重要局部特征中引入更多的可辩别信息来增强遮挡行人特征的可辩别能力。所述的方法有效的提高了模型在遮挡场景下的鲁棒性，增强了对于遮挡行人可辩别身份特征的提取能力，改善了模型的适应能力，提高了模型在现实世界中遮挡场景下的识别能力。
-
公开(公告)号：CN118711356A
公开(公告)日：2024-09-27
申请号：CN202410280516.X
申请日：2024-03-12
Applicant: 长沙理工大学
IPC: G08G1/01 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了一种基于滑动窗口的局部动态空间注意力的交通预测方法。该方法的模型包括时间嵌入层、滑动窗口动态空间注意力模块、时间编码器以及卷积输出层，在时间嵌入层中将时间周期性信息嵌入到交通流信号矩阵中建模交通序列的周期性特征，滑动窗口动态空间注意力模块使用滑动窗口的方式动态捕获跨局部时间的空间依赖关系，利用时间编码器结合周期嵌入信息捕获交通流量的时间相关性，最后利用卷积输出层得到模型输出；得到交通预测结果。本发明综合考虑了交通时间序列数据的周期性特征以及局部时间内空间节点跨时间的依赖关系，解决了难以捕获交通网络复杂空的间相关性的问题，在公开数据集上的实验结果表明，本发明的方法拥有显著的优势。
-
Patent Agency Ranking
公开(公告)号：CN113962329B
公开(公告)日：2024-07-23
申请号：CN202111351249.3
申请日：2021-11-15
Applicant: 长沙理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/46 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N20/20 , G06N3/045
Abstract: 本发明公开一种新的基于深度集成学习的图像分类方法，包括有图像数据预处理模块、深度算法模块、深度学习算法集成模块和预测输出模块，其特征在于图像数据预处理模块对输入的图像进行预处理转换成模型输入矩阵；深度算法模块，包括在多个深度模型中进行择优选择，选择后的模型作为我们用于集成学习的基学习器，将基学习器进行独立训练，有助于增加分类器之间的多样性并加强独立性；深度学习算法集成模块将多个模型进行策略集成，结合多模型的多输出结果，最大化模型的输出；系统预测模块对深度学习算法集成模块的输出进行处理后输出判定结果。所述基于集成学习的图像识别网络通过充分利用基学习器的输出结果来缓解类歧义问题，有效提高模型容错能力，并结合置信度分布以获取更多有用的特征，提高模型的识别能力，获得了更高的识别准确率。
-
公开(公告)号：CN111797936B
公开(公告)日：2023-08-08
申请号：CN202010670001.2
申请日：2020-07-13
Applicant: 长沙理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/776 , G06V10/80 , G06V10/82 , G06V10/46 , G06N3/045 , G06N3/0464 , G06N3/04
Abstract: 本发明公开一种基于显著性检测和多层次特征融合的图像情感分类方法首先利用显著性检测网络提取情感图像的显著性图；再通过孪生神经网络实现显著性图的特征图对对应情感图像的特征图的调制，以便于Inception‑v4网络对情感图像的情感表达区域更多的关注度，从而有效提高图像情感分类的精度；最后利用Inception‑v4网络对经孪生神经网络调制后的调制特征图进行分类，以准确获得对应情感图像的情感类别。本发明提供的图像情感分类方法可准确的定位情感图像中的情感表达区域，并通过特征调制的方式实现让分类网络在情感图像的情感表达区域给予更高的注意力，从而有效提高图像情感分类方法的准确率。
-
公开(公告)号：CN116343323A
公开(公告)日：2023-06-27
申请号：CN202111514043.8
申请日：2021-12-13
Applicant: 长沙理工大学
IPC: G06V40/20 , G06N3/0464 , G06N3/084 , G06V10/82 , G06V10/764 , G06V10/774
Abstract: 本发明提出了一种基于对比学习的动作识别方法以及动作识别模型和设备，神经网络模型的构建包括：获取骨骼的时空序列特征图；对骨骼序列做数据增强处理；对骨骼序列使用关节表征知识挖掘的方法以获取不同网络层中高等级特征信息；将骨骼序列样本输入有监督对比学习表征网络提取骨骼序列特征信息，识别样本动作类别。本发明意在复杂背景下仅使用低复杂度的三维骨骼序列作为输入数据，通过深度学习网络学习和训练人类动作特征，优化网络模型中骨骼关节图拓扑结构，提高动作识别的准确率，同时在使用全部类别标签信息的有监督学习下融入对比学习的方式，构建一个新的应用于人体动作识别的有监督对比学习表征网络框架。
-
公开(公告)号：CN116246465A
公开(公告)日：2023-06-09
申请号：CN202310194778.X
申请日：2023-03-02
Applicant: 长沙理工大学
Abstract: 本发明提出一种基于生成式时空演化建模的交通流量预测方法。该方法采用生成对抗网络来捕获交通节点之间随时间的演化关系，利用格拉姆角场将多节点交通序列转换为二维平面数据，并构建节点嵌入结合排布生成矩阵模拟全域交通网络的关联排布，生成表征某一特定时刻全域交通状况特征图。在预测问题的求解过程中，通过生成对抗网络对交通特征的演化关系进行学习，使用格拉姆角场生成每个交通侦测节点的二维图像表示，得到所有时间序列的特征图。通过节点嵌入和排布生成矩阵生成输入的特征排布，训练生成对抗网络生成预测时段的每个节点的交通序列数据。该方法充分考虑了每个节点上时间序列的独立以及交互演化关系，具有较高的预测准确性。
-
公开(公告)号：CN116070778A
公开(公告)日：2023-05-05
申请号：CN202310191458.9
申请日：2023-03-02
Applicant: 长沙理工大学 , 湖北武荆高速公路发展有限公司
Abstract: 本发明提出了一种基于多尺度空间特征挖掘的交通流量预测方法。该方法引入多尺度空间关系捕捉和依赖于注意力机制的空间关联权重模型来抓取交通流中全方位的空间依赖关系。该方法通过时间卷积网络和图卷积门控机制来逐级扩充模型的时空特征提取能力，充分提取历史交通时空流中的关联特征关系。在预测问题的求解过程中，通过层级间的图卷积网络操作提取空间特征，采用不同层级的图卷积网络构建多尺度的空间关系，建模随时间变化的空间关系。最后，通过注意力机制将逐层隐藏特征进行聚合，从全局特征的角度建模历史时空特征，从而更加精准地预测未来的交通状况。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.024 seconds)
