公开(公告)号：CN115546907A

公开(公告)日：2022-12-30

申请号：CN202211153579.6

申请日：2022-09-21

Applicant: 厦门市美亚柏科信息股份有限公司

Inventor： 黄裕锟 ,  吴俊毅 ,  满君怡 ,  高志鹏 ,  吴婷婷 ,  陈德意 ,  赵建强 ,  杜新胜 ,  金辉 ,  韩名羲

IPC: G06V40/40 ,  G06N3/04 ,  G06N3/08 ,  G06V10/44 ,  G06V10/77 ,  G06V10/774 ,  G06V10/82

Abstract: 公开了多尺度特征聚合的活体检测方法和系统，包括将RGB图像通过图像变换转换为HSV图像，将RGB图像和HSV图像融合为RGB‑HSV图像并送入主干网络；将主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。本发明提出的一种多尺度特征聚合的活体检测方法和系统，其具有参数量小、对图像的接受域大、多尺度特征聚合的特点，利用了空洞卷积以扩大网络的感受野，获取更多的上下文信息，利用RGB图像和HSV图像作为6通道的图像作为输入，运行速度与仅使用RGB图像的运行速度是一致的，在性能和效率之间取得了很好的平衡。

公开(公告)号：CN115311719A

公开(公告)日：2022-11-08

申请号：CN202210964078.X

申请日：2022-08-11

Applicant: 厦门市美亚柏科信息股份有限公司

Inventor： 姚灿荣 ,  张光斌 ,  吴俊毅 ,  高志鹏 ,  赵建强 ,  杜新胜 ,  韩名羲

IPC: G06V40/16 ,  G06V10/82 ,  G06V10/80 ,  G06V10/764 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提出了一种基于多阶注意力机制融合的人脸属性识别算法，该算法包括：响应于人脸检测方法和人脸对齐方法，获取图像中的完整人脸区域，并输出人脸图像；将获取的人脸图像输入至卷积神经网络模型中，进一步提取该人脸图像的若干图像特征进行训练并处理；以及同时将获取的人脸图像的图像特征输入至多阶注意力机制融合网络模型中进行训练和处理；完成对该人脸图像的属性识别。通过在卷积神经网络的基础上引入了多阶注意力机制融合网络，利用Transformer构建全局特性信息的能力，学习图像所有的面部属性信息，利用卷积神经网络强大的特征信息提取能力和多阶注意力机制融合网络建模全局特性信息的能力，提升了算法对面部多种属性的识别能力。

公开(公告)号：CN115272678A

公开(公告)日：2022-11-01

申请号：CN202210931871.X

申请日：2022-08-04

Applicant: 厦门市美亚柏科信息股份有限公司

Inventor： 高志鹏 ,  吴俊毅 ,  赵建强 ,  张光斌 ,  晏榕

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明给出了一种异图拼接检测方法和系统，包括构造数据集，数据集包括前景数据集和背景数据集，基于前景数据集和背景数据集随机组合异图拼接数据集；对异图拼接数据集进行高斯模糊与质量随机变换处理，随机形成训练集、验证集和测试集；构造深度语义分割模型，深度语义分割模型结合自注意力机制与局部递归UNET，利用训练集训练深度语义分割模型，其中，代价函数为Tversky Loss和Focal Loss之和，完成训练后通过简单平均法融合最终模型结果；利用最终模型结果进行异图拼接检测。该异图拼接检测方法具有提升识别率明显、精度高，结果直观的优点。

公开(公告)号：CN113627241A

公开(公告)日：2021-11-09

申请号：CN202110726458.5

申请日：2021-06-29

Applicant: 厦门市美亚柏科信息股份有限公司

Inventor： 吴俊毅 ,  姚灿荣 ,  高志鹏 ,  赵建强 ,  杜新胜

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06T7/194

Abstract: 本发明给出了一种用于行人重识别的背景抑制方法与系统，包括设计了一个两路网络，并结合提出的先验优化和指导学习策略，用来使得模型能专注于行人的前景信息，抑制背景信息的干扰，并能学习背景中和行人身份相关的信息；第一路网络充当第二路网络的指导者，来推动第二路网络学习完整的前景信息和背景中与行人身份相关的信息。最后，本发明在多个公开行人重识别的数据集上进行了验证，验证结果表明本发明结合数据层面的先验优化和特征层面的指导学习可以有选择性的滤除背景干扰，使得网络专注于前景信息的学习。

公开(公告)号：CN113221796A

公开(公告)日：2021-08-06

申请号：CN202110565472.1

申请日：2021-05-24

Applicant: 厦门市美亚柏科信息股份有限公司

Inventor： 吴俊毅 ,  姚灿荣 ,  高志鹏 ,  赵建强 ,  杜新胜

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明给出了一种基于向量神经元的行人属性识别方法和系统，包括用全尺寸网络OSNet作为行人属性识别的主干网络，其中，全尺寸网络OSNet的卷积层包括点卷积层和深度可分离卷积层；将包括向量神经元的胶囊网络嵌入主干网络中学习不同属性之间的内在联系；将图像依次经过主干网络和胶囊网络识别获取行人属性。该方法和系统在不损失精度的情况下，可将模型参数量变为ResNet50的十分之一，加快识别的运行速度，利用胶囊网络的向量神经元来增加不同属性内在关联，通过不同属性间的内在关联，增加行人属性识别的精度。