-
公开(公告)号：CN112396002B
公开(公告)日：2023-05-30
申请号：CN202011310176.9
申请日：2020-11-20
Applicant: 重庆邮电大学
IPC: G06V20/13 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764
-
公开(公告)号：CN111950515B
公开(公告)日：2022-10-18
申请号：CN202010870140.X
申请日：2020-08-26
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于语义特征金字塔网络的小人脸检测方法，属于人脸检测技术领域。其中，所述方法包括以下步骤：步骤1.以SFD人脸检测方法为基础模型，为了增强预测特征的语义信息，本发明设计了一个语义特征金字塔网络。步骤2.为了提高小人脸的召回率，减少固定分类阈值造成的错误分类样本数量，本发明提出了一个尺度自适应匹配算法，进行anchor匹配和样本分类。步骤3.为了缓解网络中正负样本不平衡问题，本发明采用focal loss计算网络的分类损失，通过迭代训练、更新参数得到最终的网络模型。在增加少量计算量的情况下，本发明有效的提取了小人脸检测所必需的语义信息，增强了网络的特征表达能力，提高了小人脸的召回率，缓解了检测器的样本不平衡问题。
-
公开(公告)号：CN111695522B
公开(公告)日：2022-10-18
申请号：CN202010539709.4
申请日：2020-06-15
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像处理技术领域，涉及一种平面内的旋转不变人脸检测方法、装置及存储介质；所述方法包括以SSD快速目标检测方法的模型结构为基础，构建出包括基本网络和检测网络的卷积神经网络；利用基本网络提取出输入图像的卷积特征；对检测网络进行改造，采用多尺度特征层对基本网络的卷积特征进行多尺度融合；在多尺度特征层上连接有方向敏感特征集成网络，提取出旋转不变的卷积特征；采用属于不同样本的人脸图像数据集对卷积神经网络进行训练，直至训练损失；使用训练完成的卷积神经网络对待测的人脸图像进行处理，根据卷积神经网络参数获得其人脸分类概率、边界框回归向量和角度类别标签。本发明改进了SSD模型，获得了较好的检测效果。
-
公开(公告)号：CN112509008B
公开(公告)日：2022-05-03
申请号：CN202011476028.4
申请日：2020-12-15
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于交并比(Intersection‑over‑Union,IoU)引导孪生网络的目标跟踪方法，属于目标跟踪领域。其中所述方法包括以下步骤：将数据进行预处理并作为训练数据集；以SiamRPN目标跟踪方法为基础模型，为了增强跟踪模型的鲁棒性，本发明设计了一个预测IoU的孪生网络跟踪框架，从而提升了模型的分类分支与回归分支的相关性；为了提高跟踪的定位精度，本发明提出了一个IoU引导定位的跟踪算法；然后通过随机梯度下降优化算法迭代训练；最后使用训练好的IoU引导孪生网络进行目标跟踪。在增加少量的参数及计算量的情况下，本发明有效的预测了回归后的锚框(Anchor)与目标的交并比，从而增强了模型的定位精度，并提升了模型跟踪的鲁棒性。
-
公开(公告)号：CN112509008A
公开(公告)日：2021-03-16
申请号：CN202011476028.4
申请日：2020-12-15
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于交并比(Intersection‑over‑Union,IoU)引导孪生网络的目标跟踪方法，属于目标跟踪领域。其中所述方法包括以下步骤：将数据进行预处理并作为训练数据集；以SiamRPN目标跟踪方法为基础模型，为了增强跟踪模型的鲁棒性，本发明设计了一个预测IoU的孪生网络跟踪框架，从而提升了模型的分类分支与回归分支的相关性；为了提高跟踪的定位精度，本发明提出了一个IoU引导定位的跟踪算法；然后通过随机梯度下降优化算法迭代训练；最后使用训练好的IoU引导孪生网络进行目标跟踪。在增加少量的参数及计算量的情况下，本发明有效的预测了回归后的锚框(Anchor)与目标的交并比，从而增强了模型的定位精度，并提升了模型跟踪的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN103778434A
公开(公告)日：2014-05-07
申请号：CN201410019974.4
申请日：2014-01-16
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于多级分辨率多阈值局部二值模式的人脸识别方法，属于模式识别技术领域。本方法针对局部二值模式难以获取人脸人脸面部器官的位置的空间结构信息，同时LBP算子采用局部区域邻居像素点与中心像素点的大小关系进行编码容易受到噪声影响，使用不同的阈值进行LBP编码图像，最后通过不同的划分方式来获取人脸的局部与整体信息，这样提取MRTLBP特征的信息更具有鉴别力。并将其作为人脸的鉴别特征用于分类识别。采用最近邻分类器进行分类识别。实验分析表明，本发明具有较强的人脸特征表示能力对光照，表情以及姿态具有较高的鲁棒性。
-
公开(公告)号：CN103778412A
公开(公告)日：2014-05-07
申请号：CN201410020045.5
申请日：2014-01-16
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种局部三值模式自适应阈值的人脸识别方法，属于模式识别技术领域。该方法包括：首先对人脸数据库图像进行预处理分块；分别对训练集和测试集图像计算分块区域内的ε-LTP特征；将求到的ε-LTP特征矩阵分解为正、负模式两层；根据各层特征求取信息熵权重；结合信息熵权重将各层特征转换为加权直方图形式；对直方图采用χ2（卡方）距离函数来计算测试样本与训练样本的特征相似度；用三阶近邻分类器对对测试样本进行分类识别。本发明具有较高的人脸识别正确率。
-
公开(公告)号：CN103208012A
公开(公告)日：2013-07-17
申请号：CN201310166997.3
申请日：2013-05-08
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明请求保护一种光照人脸识别方法，涉及计算机模式识别领域。将光照变化对人脸识别造成的影响从预处理﹑特征提取﹑分类器的设计三方面进行了改进，有效降低了光照变化对人脸识别性能的影响。本发明利用粗粒度区化算法，结合光照变化信息将连续对比度值域区间非线性划分成若干离散的子区间，并提取局部非线性多层对比度特征LNMCP作为人脸特征，有效弥补了局部二值模式LBP和LMCP的缺陷；并引入了模糊隶属函数存储被测试本属于各类的概率，最后通过信息熵计算各层权重，精确的融合各层分类子结果。本发明有效提高了人脸识别率。
-
公开(公告)号：CN119027995A
公开(公告)日：2024-11-26
申请号：CN202410899329.X
申请日：2024-07-05
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06V40/40 , G06V10/764 , G06V10/774
Abstract: 本发明请求保护一种基于跨域一致性学习的人脸伪造检测方法(CDCL)，旨在探索不同伪造方法生成图像的共同伪造特征，实现高泛化性的人脸伪造检测，属于计算机视觉技术领域。所述方法包括以下步骤：步骤1.本发明提出了一个跨域学习模块，该模块有助于提取到不同伪造方法生成图像的跨域一致性特征。步骤2.本发明设计了一个分流中心差分注意力，它可以通过聚合查询的像素级强度和梯度信息来生成键和值对，同时将异质感受野大小注入到标记中，从而捕获深层次的细粒度特征。步骤3.本发明利用一组特定伪造技术(源域)和不同伪造技术(目标域)生成的数据来诱导模型学习跨域一致性特征。步骤4.为了减少类内距离同时增大类间距离，本发明设计了一个跨域一致性中心损失，通过迭代对抗训练、更新参数得到最终的网络模型。
-
公开(公告)号：CN118898864A
公开(公告)日：2024-11-05
申请号：CN202410928567.9
申请日：2024-07-11
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/74 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明请求保护一种多粒度感知与标签分布学习的人脸表情识别方法(GPLDL)，旨在设计针对实际场景下表情的不确定性问题的人脸表情识别模型，属于模式识别领域。所述方法包括以下步骤：首先，设计一种多粒度层次感知融合模块，有效结合了低层次的细节特征和高层次的语义信息，增强了模型在区分细微表情差异方面的能力。其次，通过渐进式训练，从表情图像的不同粒度水平中学习多粒度特征，并尽可能的保持了面部特征的结构完整性。此外，我们还设计了一个全局感知注意力模块，用于捕捉面部的全局上下文信息。最后，设计了一个标签分布学习模块，以构建更全面的情感分布，有效缓解了模糊表情对模型学习的消极影响。并引入了标签分布损失，进一步提高表情识别准确性。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.029 seconds)
