公开(公告)号：CN117173477B

公开(公告)日：2024-06-21

申请号：CN202311138371.1

申请日：2023-09-05

Applicant: 北京交通大学

Inventor： 李艳凤 ,  陈卢一夫 ,  孙嘉 ,  陈后金 ,  陈紫微 ,  王敏鋆

IPC: G06V10/764 ,  G06V10/774 ,  G06V40/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于多层级数据扰动策略的域泛化行人再识别模型训练方法，包括：将原始行人图像输入显式随机扰动模块，将目标行人和扰动后的行人背景重构成背景扰动后的行人图像，获得背景随机扰动后的行人图像；将原始行人图像与背景扰动后的行人图像组合成图像对，将所述图像对输入基线网络进行特征提取，不确定抽样标准化模块对提取后的特征进行隐式扰动，整合后获得输出特征对；将所述输出特征对，输入损失计算模块，将所述输出特征对拆分为原始行人特征与扰动行人特征计算协方差损失，最终计算总损失，将总损失在所述基线网络中反向传播，更新网络权重。本发明在不增加模型参数前提下，显著提升了模型泛化性。

公开(公告)号：CN117689540A

公开(公告)日：2024-03-12

申请号：CN202311505187.6

申请日：2023-11-13

Applicant: 北京交通大学

Inventor： 李艳凤 ,  韦佳宇 ,  孙嘉 ,  陈后金 ,  陈紫微

IPC: G06T3/4053 ,  G06V10/44 ,  G06V10/82 ,  G06V10/776 ,  G06N3/0495 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/082

Abstract: 一种基于动态重参数化的轻量图像超分辨率方法，包括：S1将预处理后的低分辨率原始图像输入基于CNN的轻量图像超分主干网络与图像重建模块得到超分辨率图像；S2根据超分辨率图像与对应高分辨率原始图像预处理后的真值图像计算损失函数，反向传播更新网络权重；S3根据迭代周期与初始化条件，将该迭代周期中贡献度评分最大的卷积层扩展为增强型面向边缘重参数化分支模块，该迭代周期中所有已经扩展为重参数化分支模块中贡献度评分最小的重参数化分支进行剪枝；重复以上S1‑S3步骤，直至所述主干网络收敛。在不改变主干网络轻量级的网络参数、保持推理速度快的情况下，提高重建性能。相比于其他重参数化方法，可以大幅减少训练时长和内存消耗。

公开(公告)号：CN117173476A

公开(公告)日：2023-12-05

申请号：CN202311138188.1

申请日：2023-09-05

Applicant: 北京交通大学

Inventor： 孙嘉 ,  李艳凤 ,  陈卢一夫 ,  陈后金 ,  王敏鋆

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V40/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种单源域泛化行人再识别模型训练方法，包括如下步骤：将预处理图像输入冻结网络和基线网络，获得冻结特征图和基线特征图；所述冻结网络的权重和所述基线网络的初始权重为预训练网络权重；将所述冻结特征图和基线特征图输入浅层特征补偿模块，改变每幅基线特征图的像素值，输出补偿基线特征图；将所述补偿基线特征图经过池化后的特征向量输入深层特征整合模块，输出一个与训练数据集中行人类别数等维的特征向量；将所述与训练数据集中行人类别数等维的特征向量输入损失计算模块，计算总损失；将总损失在基线网络中反向传播，保存收敛后的单源域泛化模型。相比于其他同领域的方法具有更高的识别准确率，提高了泛化识别性能。

公开(公告)号：CN116740488A

公开(公告)日：2023-09-12

申请号：CN202310550775.5

申请日：2023-05-16

Applicant: 北京交通大学

Inventor： 李艳凤 ,  张又 ,  陈后金 ,  孙嘉 ,  陈紫微

IPC: G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/46

Abstract: 本发明涉及一种用于视觉定位的特征提取模型的训练方法，所述训练方法包括如下步骤：将无标签的原始训练集图像进行数据增强得到无标签的真实训练集图像，所述无标签的真实训练集图像包括景深图像和雾图像；根据所述真实训练集图像得到第一图像对并将其输入融合自注意力和卷积混合模块的模型得到第一特征点概率图；通过自监督的方式同时提取图像特征点和描述子，将3DCC变换应用于训练阶段，通过模拟现实世界中计算机视觉模型将遇到的自然分布变化进行离线数据增强，提高了模型的健壮性；使用融合了自注意力和卷积混合模块的SP‑AC模型推理真实训练集的伪标签,增强了伪标签的质量，从而提高了模型特征提取的质量且保持计算成本不变。

公开(公告)号：CN104966100A

公开(公告)日：2015-10-07

申请号：CN201510337202.X

申请日：2015-06-17

Applicant: 北京交通大学

Inventor： 李艳凤 ,  陈后金 ,  魏学业 ,  李居朋 ,  彭亚辉

IPC: G06K9/62 ,  G06K9/46

CPC classification number: G06K9/6272 ,  G06K9/4604 ,  G06K2209/05

Abstract: 本发明提供了一种基于纹理基元的图像肿块良恶性的分类方法。该方法主要包括：将归一化处理后的肿块区域图像划分为中心区域和外围区域，根据中心区域和外围区域的特征得到肿块区域图像的特征向量，并组合成训练样本特征矩阵，训练K近邻分类器，提取待识别的肿块区域图像归一化处理后肿块图像区域的特征向量Fq，将特征向量Fq输入到训练好的K近邻分类器，得到待识别的肿块区域图像的良恶性分类结果。本发明考虑肿块区域的中心区域与外围区域的特点差异性，分别对中心区域和外围区域构建纹理字典以及提取特征，将线性判别分析引入到纹理基元字典构建，实现了基于纹理基元对图像肿块良恶性进行有效的分类。