-
公开(公告)号：CN113537456A
公开(公告)日：2021-10-22
申请号：CN202110660867.X
申请日：2021-06-15
Applicant: 北京大学
Abstract: 本发明公开了一种深度特征压缩方法，本发明构建并训练一压缩模型，该模型首先对神经网络提取的图像特征表示进行变换，产生变换后的紧凑表示，提取变换后的表示的超先验码流；超先验码流用于产生码本各个基元素的线性组合系数；码本从特征中学习获得；根据线性组合系数和对应的码本产生超先验概率估计，从而使用熵编码器进行熵编码，产生码流；码流通过熵解码和解码变换产生输出的特征表示。本发明能够对深度特征进行有效压缩，而且能够对多个任务特征进行协同压缩，重建时，对特征进行分离操作，分别产生对应不同任务的重建特征；本发明还能够支持训练时未见的新任务。
-
公开(公告)号：CN108665067B
公开(公告)日：2020-05-29
申请号：CN201810528239.4
申请日：2018-05-29
Applicant: 北京大学
Abstract: 本发明公开了用于深度神经网络频繁传输的压缩方法及系统，扩展深度神经网络压缩至传输领域，利用深度神经网络模型之间的潜在冗余性进行压缩，减少深度神经网络在频繁传输下的开销。本发明的优势在于：本发明结合了深度神经网络在频繁传输上的多个模型之间的冗余性，利用了深度神经网络之间的知识信息进行压缩，减少了所需传输的大小和带宽。在相同带宽限制下，能更好地将深度神经网络进行传输，同时允许深度神经网络在前端进行针对性压缩的可能，而非只能将深度神经网络进行针对性压缩后进行部分的还原。
-
公开(公告)号：CN111163318A
公开(公告)日：2020-05-15
申请号：CN202010020628.3
申请日：2020-01-09
Applicant: 北京大学
IPC: H04N19/184 , H04N19/146 , H04N19/136
Abstract: 本申请公开了一种基于反馈优化的人机视觉编码方法，所述方法包括：编码端获取所述目标视频对应的像素特征后输入预设预测模型中生成语义特征；编码端基于所述语义特征生成视频流和特征流；解码端基于所述编码后的特征流和视频流生成解码视频；解码端当接收到针对客户端输入的参数调整指令时，生成码率参数发送至编码端；编码端获取当前码率；编码端基于所述码率参数对所述当前码率进行调整生成调整后的码率；编码端基于所述调整后的码率增强所述视频流和所述特征流，生成增强后的视频流和增强后的特征流；解码端基于所述增强后的视频流和增强后的特征流对编码端模型进行更新。因此，采用本申请实施例，可以提高视频特征抽取和压缩效率。
-
公开(公告)号：CN110807740A
公开(公告)日：2020-02-18
申请号：CN201910877750.X
申请日：2019-09-17
Applicant: 北京大学
IPC: G06T5/00
Abstract: 本发明公开了用于增强监控中车窗图像的图像增强方法与系统，利用弱监督学习模型框架对交通监控场景中拍摄的存在高噪声，低光照与模糊等多种图像退化现象的车前窗图像的清晰度进行提升。本发明的优势在于：本发明利用基于对抗生成网络的弱监督学习框架解决了模型训练中采集与标注数据的瓶颈，并用同一模型恢复多种退化现象；设计了基于车辆再检索任务的内容保持机制，在提高图像视觉质量的同时保持与原图像的内容特征一致性。增强结果除提高车窗图片中车内场景对人类观察者的可视性外，同时在机器视觉上可提高车辆检索模型的性能。
-
公开(公告)号：CN110647917A
公开(公告)日：2020-01-03
申请号：CN201910785418.0
申请日：2019-08-23
Applicant: 北京大学
Abstract: 本申请公开了一种模型复用方法与系统，包括：将数据集中的有标签数据输入至待训练模型，基于目标损失函数，得到目标损失；将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，基于模型复用损失函数，得到复用损失；根据目标损失和复用损失，更新待训练模型；重复上述步骤，直到重复次数达到阈值次数，得到训练好的待训练模型。通过将数据集中的有标签数据输入至待训练模型，得到目标损失，将通过数据集中的多个数据得到的多个数据组合输入至待训练模型，得到复用损失，使用少量的有标签数据得到的目标损失和包括大量无标签数据的所有数据得到的复用损失共同更新待训练模型，能够有效利用大量无标签数据。
-
Patent Agency Ranking
公开(公告)号：CN106897390B
公开(公告)日：2019-10-15
申请号：CN201710060334.1
申请日：2017-01-24
Applicant: 北京大学
IPC: G06F16/583 , G06K9/62
Abstract: 本发明公开一种基于深度度量学习的目标精确检索方法，方法包括：深度神经网络结构的迭代训练中，对提取的同类目标对象的多张图片的特征进行处理过程中，使得相同类别的目标对象相互靠近，不同类别的目标对象相互远离，具有不同类别标签的目标对象的特征距离大于预设距离，且属于同一类别的个体的特征分布中，具有相似属性的类内个体之间距离相互靠近，具有不同属性的类内个体之间大于预设距离，以获得训练后的深度神经网络模型；采用训练后的深度神经网络模型对待查询图片与预设的参考图片分别提取各自的特征，并获取查询图片与参考图片之间特征的欧式距离，对该距离进行从小到大的排序，获得精确检索的目标。本实施例的方法解决了垂直领域的精确检索问题。
-
公开(公告)号：CN107846576A
公开(公告)日：2018-03-27
申请号：CN201710944751.2
申请日：2017-09-30
Applicant: 北京大学
IPC: H04N7/18 , H04N21/2343 , H04N21/4402 , H04N21/643
Abstract: 本发明公开了用于视觉特征数据编解码的方法及系统。所述方法包括：编码器接收至少一种智能前端产生的至少一种第一协议格式视觉特征数据和用于唯一地标识对应至少一种第一协议格式的至少一个证书标识，根据至少一个证书标识将至少一种智能前端产生的至少一种第一协议格式视觉特征数据转换为同一种第二协议格式视觉特征数据；解码器接收第二协议格式视觉特征数据，根据第二协议格式解析得到至少一种智能前端产生的、至少一种第一协议格式视觉特征数据所包含的至少一种原始视觉特征数据。至少避免了在服务器存储用于说明不同视觉特征数据形式的不同规范，仅仅需要在服务器存储一种协议格式的规范即可。而且，也避免了后端的规范更新操作。
-
公开(公告)号：CN104767998B
公开(公告)日：2017-12-08
申请号：CN201510134617.7
申请日：2015-03-25
Applicant: 北京大学
IPC: H04N19/136 , H04N19/139
Abstract: 本发明公开了一种面向视频的视觉特征编码方法及装置，所述方法包括：获取视频流中当前帧的局部特征；确定所述当前帧的局部特征在当前帧的参考帧中的参考局部特征范围，所述当前帧的参考帧为该当前帧的相邻一帧或多帧；根据所述参考帧的参考局部特征范围，确定所述当前帧的局部特征在所述参考帧中的参考局部特征；根据所述视频流中各帧的局部特征和参考局部特征，获取所述视频流的待发送的局部特征比特流。上述方法能够在客户端传输数据时快速压缩传输的特征数据，降低传输数据量，且提高传输效率。
-
公开(公告)号：CN103218427B
公开(公告)日：2016-06-29
申请号：CN201310118427.7
申请日：2013-04-08
Applicant: 北京大学
Abstract: 本发明提供一种局部描述子的提取方法、图像检索方法及图像匹配方法，其中，局部描述子的提取方法包括：获取图像的核心兴趣点，所述核心兴趣点为用于体现所述图像的关键特征的像素点；确定所述核心兴趣点的子区域半径和所述核心兴趣点对应的主方向；根据所述子区域半径和所述主方向，获取所述图像的局部描述子。上述提取方法提取的局部描述子能够准确的反映图像形状的构造信息，使得使用该局部描述子进行后期的检索结果的准确率更高。
-
公开(公告)号：CN105320710A
公开(公告)日：2016-02-10
申请号：CN201410381921.7
申请日：2014-08-05
Applicant: 北京大学
IPC: G06F17/30
Abstract: 本发明提供一种抗光照变化的车辆检索方法及装置，所述方法包括：根据包括车辆的待查询图像，确定待查询图像的车型信息；确定目标数据库中各图像的采集的时间信息、光照条件；根据时间信息、光照条件，从车型信息对应的车型模板库中选取符合时间信息、光照条件的多个样例图像，将选取的多个样例图像生成查询图像集合；获取查询图像集合中的每一个样例图像与目标数据库中所有图像的检索结果；根据查询图像集合中所有样例图像的检索结果，确定目标数据库中与待查询图像中的车辆的相似车辆；其中，车型模板库包括：多个不同采集时间和不同光照条件下的样例图像。上述方法能够解决由于光照差异较大带来的车辆检索性能急剧下降的问题。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.047 seconds)
