-
公开(公告)号：CN105809119A
公开(公告)日：2016-07-27
申请号：CN201610120767.7
申请日：2016-03-03
Applicant: 厦门大学
CPC classification number: G06K9/00335 , G06K9/6249
Abstract: 一种基于稀疏低秩结构多任务学习的行为识别方法，涉及视频图像处理。1)构建基于稀疏低秩结构的多任务行为识别优化问题；2)用交替方向法处理步骤1)构建的稀疏低秩不光滑凸优化问题；3)用线性交替方向法减少辅助变量的引用并简化步骤2)产生的子问题的运算；4)利用自适应惩罚进一步加快算法的收敛。采用稀疏低秩结构多任务学习的行为识别算法得到非光滑凸优化问题。利用计算机视觉的方法对视频序列中的图像进行自动分析,实现对摄像机拍摄的动态场景中人体行为的检测和识别，分析和判断目标的行为是属于哪一种人体常规行为。不仅获取学习任务之间的相关性，也能选取具有较强判别力的特征子空间，且对噪声样本有鲁棒性。
-
公开(公告)号：CN119832131A
公开(公告)日：2025-04-15
申请号：CN202411989313.4
申请日：2024-12-31
Applicant: 厦门大学
IPC: G06T13/40 , G06T17/00 , G06N3/0895 , G06N3/084 , G06N3/048
Abstract: 本发明公开了基于双曲流形同伦嵌入的聚类表征自监督学习方法，属于自监督学习领域，该学习方法具体步骤如下：S1、基于预测网络和目标网络构建自监督学习框架，并将ST‑GCN作为预测网络和目标网络的编码器；S2、获取原始人体动作骨架序列，并通过行为观察模块对获取的各组序列进行样本增强，再对增强后的样本数据进行特征表征；本发明能够有效地解决解空间坍塌的问题，即不会学习到聚集在原点附近的平凡解，使得特征在解空间中能被有效区分，有效地解决了不同动作存在的早期动作重叠性的问题，在自监督学习的特征表达上具有较好的创新性。
-
公开(公告)号：CN119227081A
公开(公告)日：2024-12-31
申请号：CN202411290884.9
申请日：2024-09-14
Applicant: 厦门大学
IPC: G06F21/57 , G06N3/042 , G06N3/0464 , G06F18/2411 , G06F18/213 , G06F18/214
Abstract: 基于黎曼图卷积的端到端智能合约漏洞检测方法，涉及智能合约技术领域。由于现有的方法难以充分学习智能合约图的无尺度和深层次结构性，限制了其在漏洞检测上的表现。为此，提出基于黎曼图卷积的端到端学习网络的智能合约漏洞检测系统。首先将智能合约构建成富含结构和语法语义信息的合约图。接着，使用词嵌入网络进行节点语义特征提取，同时黎曼流形图卷积网络在负曲率空间中对合约图执行结构特征提取和邻域聚合，并且退火混淆图对比学习模块提供一个学习信号以降低噪声标签对模型的干扰，最终形成一个端到端学习网络。各模块相互促进，能够更深入细致地对漏洞特征进行挖掘。
-
公开(公告)号：CN117877204A
公开(公告)日：2024-04-12
申请号：CN202410094905.3
申请日：2024-01-23
Applicant: 厦门大学
Abstract: 本发明公开了一种基于计算机视觉的疲劳驾驶监测装置，包括用于采集驾驶员驾驶状态特征的摄像头以及用于支撑摄像头的外壳体，外壳体上设有改变摄像头采集方向的摆转结构，摆转结构包括固定连接在外壳体上的基板，基板上方设有中空筒，中空筒中部设有自由转动的中心轴，顶摆座上设有与其同步水平转动的L形支撑座，基板远离中心轴的一侧设有驱使L形支撑座在垂直方向摆动的俯仰组件，中空筒的一侧设有向雾化喷头内输送香味液体的喷洒组件，本发明通过设置摆转结构，能够根据驾驶人的坐姿，自动调节摄像头的朝向和俯仰角，避免采集过程中受到姿态元素的影响，从而避免出现误检或漏检的情况，进而确保疲劳检测过程的准确性。
-
公开(公告)号：CN113408651A
公开(公告)日：2021-09-17
申请号：CN202110784487.7
申请日：2021-07-12
Applicant: 厦门大学
Abstract: 基于局部判别性增强的无监督三维物体分类方法，涉及计算机视觉技术。包括以下步骤：A.准备用于三维物体分类的点云数据集；B.对原始点云样本进行数据增强，保留原始点云样本和增强后的点云样本；C.对比每个点云样本的原始版本和数据增强后的版本，提取每个点云样本的高维全局特征；D.使用点云样本的高维全局特征挖掘不同局部结构的相关性和判别性，进而增强点云样本局部特征的判别性；E.融合点云样本增强后的局部特征和高维全局特征得到判别性增强的融合特征；F.训练线性支持向量机，使用点云样本的融合特征进行无监督分类。可以有效学习点云物体具有判别性的表示特征，从而提升无监督三维物体分类的性能。
-
Patent Agency Ranking
公开(公告)号：CN113408650A
公开(公告)日：2021-09-17
申请号：CN202110784485.8
申请日：2021-07-12
Applicant: 厦门大学
Abstract: 基于一致性训练的半监督三维形状识别方法，涉及计算机视觉技术。包括步骤：A.准备三维形状数据集，包括有标签数据集和无标签数据集。B.对无标签数据添加微小扰动得到扰动版本的无标签数据集。C.设计一致性约束分支鼓励模型对相似样本预测一致,提高模型的泛化能力。D.设计伪标签生成分支为无标签数据生成伪标签，并提出一致性过滤机制过滤掉模型不确定的伪标签，实现对有标签数据集的扩充。E.结合有标签数据和无标签数据训练模型，得到训练好的模型。F.使用训练好的模型进行三维形状识别，将模型的预测作为最终的识别结果。在公开数据集上取得较好的结果，更好利用无标签数据的信息，有效减少数据标注需要的成本。
-
公开(公告)号：CN109977893A
公开(公告)日：2019-07-05
申请号：CN201910257114.7
申请日：2019-04-01
Applicant: 厦门大学
Abstract: 基于层次显著性通道学习的深度多任务行人再识别方法，涉及计算机视觉技术。准备行人再识别方向数据集；设计层次显著性通道特征学习的深度多任务行人再识别网络模型，通过该网络模型提取行人更具判别力的特征；在大规模图像数据上，利用反向传播算法对主干网络ResNet50网络进行预训练，得到预训练模型；在预训练模型的基础上，使用行人图像训练数据集，计算模型两个分支的分类损失和，利用反向传播算法对整个构建好的模型进行端到端训练，得到最终训练好的模型；利用训练好的模型进行行人重识别，将最终网络模型的输出特征作为行人图像的特征表示以进行接下来的相似性度量和排序。
-
公开(公告)号：CN109977893B
公开(公告)日：2020-12-25
申请号：CN201910257114.7
申请日：2019-04-01
Applicant: 厦门大学
Abstract: 基于层次显著性通道学习的深度多任务行人再识别方法，涉及计算机视觉技术。准备行人再识别方向数据集；设计层次显著性通道特征学习的深度多任务行人再识别网络模型，通过该网络模型提取行人更具判别力的特征；在大规模图像数据上，利用反向传播算法对主干网络ResNet50网络进行预训练，得到预训练模型；在预训练模型的基础上，使用行人图像训练数据集，计算模型两个分支的分类损失和，利用反向传播算法对整个构建好的模型进行端到端训练，得到最终训练好的模型；利用训练好的模型进行行人重识别，将最终网络模型的输出特征作为行人图像的特征表示以进行接下来的相似性度量和排序。
-
公开(公告)号：CN105469078B
公开(公告)日：2018-11-09
申请号：CN201511024861.4
申请日：2015-12-30
Applicant: 厦门大学
IPC: G06K9/00
Abstract: 一种用于车型识别的特征选取方法，涉及计算机数字图像处理方法。是一种对车脸图像进行特征选取的方法，在此基础上进行的目标特征识别，可靠性较高。由初始步骤、区域划分、模板选取、灰度图像特征获取、边缘图像特征获取、结束步骤组成。对原始图像划分小区域，提出十一个模板，将模板与小区域做点的比对运算，获取特征数据。用来识别不同车型以及车的品牌，并且特征选取的背景为车脸图像，较之车牌与车灯为背景的特征选取方法更为精确。
-
公开(公告)号：CN105469078A
公开(公告)日：2016-04-06
申请号：CN201511024861.4
申请日：2015-12-30
Applicant: 厦门大学
IPC: G06K9/00
CPC classification number: G06K9/00825 , G06K9/4604 , G06K9/6202 , G06K2209/23 , G06T2207/30236 , G06T2207/30252 , G08G1/017
Abstract: 一种用于车型识别的特征选取方法，涉及计算机数字图像处理方法。是一种对车脸图像进行特征选取的方法，在此基础上进行的目标特征识别，可靠性较高。由初始步骤、区域划分、模板选取、灰度图像特征获取、边缘图像特征获取、结束步骤组成。对原始图像划分小区域，提出十一个模板，将模板与小区域做点的比对运算，获取特征数据。用来识别不同车型以及车的品牌，并且特征选取的背景为车脸图像，较之车牌与车灯为背景的特征选取方法更为精确。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.017 seconds)
