-
公开(公告)号：CN1238815C
公开(公告)日：2006-01-25
申请号：CN02142419.5
申请日：2002-09-17
Applicant: 中国科学院自动化研究所
IPC: G06T5/50
Abstract: 一种基于模式图的纹理特征表示方法，包括步骤：对原图像的每个像素取其5*5的领域块b；设有M个反映图像灰度梯度变化的模板，其中，M是大于1的正整数；计算M个模板和b的内积；用内积最大的模板的编号作为这一像素在模式图的输出值，其中，纹理特征向量的分量是特征窗口内各类模式数量的统计。本发明的特征统计量的计算时间比常规方法要短的多，而且本发明去除了图像中光照的影响，只要光照在一定范围内是均匀的，即使在广域上有不同的光照，模式图也不受影响。
-
-
公开(公告)号：CN111783755B
公开(公告)日：2021-01-05
申请号：CN202010918877.4
申请日：2020-09-04
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及计算机视觉领域，具体涉及一种基于空间变换信息传递的人体关键点检测方法与系统，旨在减少空预测、假阳性预测的产生。本发明的检测方法包括：将待检测的人体图像输入对抗网络，提取关键点特征和肢干特征，进而生成关键点第一热度图和肢干热度图；将待检测的人体图像进行降采样，得到降采样后的人体图像；根据降采样后的人体图像、关键点第一热度图、肢干热度图和关键点特征，基于空间变换网络生成经过信息传递修正后的关键点热度图。本发明通过对相邻关键点的空间关系变换和传递补充了人体关键点的预测先验，抑制了遮挡与人体姿态多样性给关键点预测带来的噪声，从而有效减少空预测、假阳性预测的产生。
-
公开(公告)号：CN111815681A
公开(公告)日：2020-10-23
申请号：CN202010918886.3
申请日：2020-09-04
Applicant: 中国科学院自动化研究所
IPC: G06T7/246
Abstract: 本发明涉及计算机视觉和模式识别领域，具体涉及一种基于深度学习和判别式模型训练的目标跟踪方法及存储器，旨在提高目标跟踪的定位精度。本发明的跟踪方法包括：在离线训练阶段，用深度特征提取网络从训练图像和测试图像中提取样本框特征，计算训练图像的样本框标签和测试图像的样本框第一标签；根据训练图像的样本框特征与标签，利用判别式模型求解器训练得到判别式模型；根据测试图像的样本框特征，用判别式模型预测得到其第二标签；并根据第二标签与第一标签计算网络预测损失以驱动深度特征提取网络的优化学习；在在线跟踪阶段，将训练好的深度特征提取网络用于基于在线判别式模型训练的目标跟踪算法中。本发明有效提高了目标跟踪的定位精度。
-
公开(公告)号：CN103902730B
公开(公告)日：2017-05-03
申请号：CN201410150911.2
申请日：2014-04-15
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种缩略图生成方法和系统，通过联合使用裁切、扭曲、缩放三种图像处理策略生成缩略图，发挥了不同策略的优势，并使其互相补充，使图像中的重要区域在缩略图中得到准确、完整、充分的显示，在缩略图的有限空间中实现了重要信息的最大化保留。本发明将以上三种图像处理策略通过一次统一的最优化过程实现，同时具有较少的时间开销。
-
Patent Agency Ranking
公开(公告)号：CN103390279B
公开(公告)日：2016-03-09
申请号：CN201310316589.1
申请日：2013-07-25
Applicant: 中国科学院自动化研究所
IPC: G06T7/00
Abstract: 本发明公开了一种联合显著性检测与判别式学习的目标前景协同分割方法，包括：步骤1，将图像集中的每幅图像过分割成多个超像素块，并对每个超像素块提取特征；步骤2，将图像集中共有的显著性区域提取出来作为目标前景，而将非显著性区域和具有显著性但不是该图像集中共有的区域作为背景区域，其中采用低秩矩阵分解进行图像的显著性检测，采用逻辑回归来选择共有的显著性区域作为最终的目标。本发明通过低秩矩阵分解可以有效地检测显著性区域，去除背景一致性的影响，而判别式学习可以提取出共有显著性区域。低秩矩阵分解与判别式学习过程在统一的框架下联合优化，两者相互影响，共同提升。最终可以获得共有显著性区域作为目标前景区域。
-
公开(公告)号：CN104361363A
公开(公告)日：2015-02-18
申请号：CN201410687304.X
申请日：2014-11-25
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/6249 , G06K9/6269
Abstract: 本发明公开了一种深度反卷积特征学习网络的生成方法，包括：采用非监督的方式预训练一个多层的反卷积特征学习网络模型；以及用物体检测信息自上而下对所述学习网络模型进行微调。以及一种由此生成的深度反卷积特征学习网络和图像分类方法。本发明的方法在深度特征学习模型中引入非负稀疏性约束，增强了特征的判别力，提高了图像分类的准确率；将物体检测信息作为自上而下的高层指导信息对预训练后的网络进行细调，使得网络中不同节点对输入的图像结构具有较强选择性，尤其是最高层的节点对不同物体类别有不同响应，得到的高层特征有了明显的语义涵义，同时提高了图像分类的准确率。
-
公开(公告)号：CN104217222A
公开(公告)日：2014-12-17
申请号：CN201410498343.5
申请日：2014-09-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于随机采样哈希表示的图像匹配方法，包括以下步骤：将n幅图像组成原始数据集，提取所有图像的视觉特征生成特征空间；从原始数据集中随机选择m幅图像，同时在特征空间中随机抽取p个视觉特征子集，得到一个样本子集；学习得到样本子集的t个主特征向量，作为哈希投影函数；用来生成t位二值哈希编码；重复上述步骤k次，得到k段t位二值哈希编码，并级联得到k×t位的二值哈希编码，作为匹配特征；得到待匹配图像和原始数据集中每一幅图像的二值哈希编码；基于得到的二值哈希编码进行相似度度量，得到待匹配图像的匹配结果。本发明有助于加快基于哈希编码的近似近邻查找方法的精度，适用于图像检索、图像匹配及其它机器学习算法中。
-
公开(公告)号：CN103336969A
公开(公告)日：2013-10-02
申请号：CN201310214812.1
申请日：2013-05-31
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于弱监督学习的图像语义解析方法，用以解决在给定大量用户标注图像基础上，将图像分割成一系列具有单一语义的完整区域，同时对各区域实现语义标注的问题。本发明包括：联合谱聚类与判别式聚类的双重聚类方法，对由过分割方法得到的图像子区域进行聚类；同时，利用图像级别标注与图像区域级别标注的对应约束关系，构建以误差最小化为目标的弱监督学习模型，为各图像子区域的聚类集合分配语义标签。此外，通过判别式聚类学习到的多类分类器，可以实现针对没有标签信息图像的语义解析。本发明不仅可以给图像添加语义标签，还可以将标签添加到图像中的对应区域，实现更细粒度的图像语义理解。
-
公开(公告)号：CN103093248A
公开(公告)日：2013-05-08
申请号：CN201310032048.6
申请日：2013-01-28
Applicant: 中国科学院自动化研究所
IPC: G06K9/66
Abstract: 本发明公开了一种新的基于多视角学习的半监督图像分类方法，用以解决带有部分标注的多视角图像数据的分类问题。本发明提供的图像分类方法包括：根据用户输入的图像多视角特征表示和部分图像的类标，联合学习图像多视角特征的统一潜在因子表示和在此统一潜在因子空间下具有判别力的线性分类器，从而对未标注图像进行有效的分类。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.028 seconds)
