-
公开(公告)号：CN110188817B
公开(公告)日：2021-02-26
申请号：CN201910452356.1
申请日：2019-05-28
Applicant: 厦门大学
Abstract: 一种基于深度学习的实时高性能街景图像语义分割方法。准备街景图像训练、验证和测试数据集；对数据集图像进行下采样，减小图像的分辨率；对现有的轻量级分类网络进行改造作为语义分割的基础特征提取网络；在基础特征提取网络后串联一个鉴别性孔洞空间金字塔池化用于解决语义分割的多尺度问题；将若干个卷积层堆叠，形成浅层的空间信息保存网络；使用特征融合网络将得到的特征图进行融合形成预测结果；将输出图像与数据集中的语义标注图像进行对比，利用反向传播算法进行端到端的训练，得到实时高性能街景图像语义分割网络模型；将待测试的街景图像输入实时高性能街景图像语义分割网络模型中得到街景图像的语义分割结果。
-
公开(公告)号：CN108564029B
公开(公告)日：2020-12-01
申请号：CN201810323645.7
申请日：2018-04-12
Applicant: 厦门大学
Abstract: 基于级联多任务学习深度神经网络的人脸属性识别方法，涉及计算机视觉技术。首先设计级联的深度卷积神经网络，然后在级联的深度卷积神经网络里，对于每一个级联的子网络，采用多任务学习，同时学习人脸分类、边框回归、人脸关键点检测、人脸属性分析四个任务，接着在基于级联多任务学习的深度卷积神经网络里，采用一种动态损失权重机制，来计算人脸属性的损失权重，最终根据训练好的网络模型，将级联的最后一个子网络的人脸属性识别结果作为最终的人脸属性识别结果。使用级联的方法联合训练了三个不同的子网络，达到了端到端的训练，优化了人脸属性识别的结果，不同于在损失函数里使用固定的损失权重，本发明考虑到不同人脸属性间的差异性。
-
公开(公告)号：CN108257148B
公开(公告)日：2020-09-25
申请号：CN201810046395.7
申请日：2018-01-17
Applicant: 厦门大学
Abstract: 特定对象的目标建议窗口生成方法及其在目标跟踪的应用，涉及计算机视觉技术。给定一帧训练视频，将该图像分成三个区域：完全的目标区域，完全的背景区域以及目标和背景的混合区域。对完全的目标区域和完全的背景区域分别计算目标像素和背景像素的概率分布图，更新目标像素和背景像素的概率分布图模型。给定一帧测试视频，利用训练好的概率分布图来预测图像中每个像素属于目标的概率，得到概率响应图。对原图和概率响应图分别提取目标建议窗口，把这些目标建议窗口都作为候选的目标建议窗口。对得到的目标建议窗口基于与对象的相似度进行排序，生成特定对象的目标建议窗口。把特定对象的目标建议窗口作为MDNET的训练样本实现目标跟踪。
-
公开(公告)号：CN110443189A
公开(公告)日：2019-11-12
申请号：CN201910704048.3
申请日：2019-07-31
Applicant: 厦门大学
Abstract: 基于多任务多标签学习卷积神经网络的人脸属性识别方法，涉及计算机视觉技术。首先采用多任务学习，同时学习人脸关键点检测和人脸属性识别两个任务；考虑不同属性的学习难度和学习收敛速度不同，将属性分为主观属性和客观属性，采用动态权重和自适应阈值策略来加快网络的收敛速度和缓解样本不平衡问题；最终根据训练好的网络模型，将主观属性和客观属性子网络的人脸属性识别结果作为最终的人脸属性识别结果。使用动态权重方案和自适应阈值调整，加快网路收敛速度的同时可缓解标签不平衡问题；采用空间金字塔池化的方法训练三个不同的子网络，达到了端到端的训练进行多任务多人脸属性识别。提高人脸属性识别的精度，尤其是难度较大的主观属性。
-
公开(公告)号：CN106203533B
公开(公告)日：2019-09-20
申请号：CN201610592954.5
申请日：2016-07-26
Applicant: 厦门大学
Abstract: 基于混合训练的深度学习人脸验证方法。准备人脸数据集；对每幅图像进行人脸和人脸关键点检测；对所有人脸归一化，得人脸图像训练集，再划分为训练和验证数据集，计算所有人脸图像的均值图像；将所有人脸图像都减去均值图像得均值化的训练数据集和验证数据集；训练深度卷积神经网络；对每幅人脸图像生成对应的三元组，构成三元组训练数据集和三元组验证数据集；再次训练深度卷积神经网络；对于给定待验证的两幅图像进行人脸和人脸特征点检测，并减去均值图像，输入深度卷积神经网络中，进行网络前馈操作，并提取特征；根据选定的阈值，当两幅图像提取特征之间的距离大于阈值，判定两张图像中的人脸属于同一个人，否则判定为不同人。
-
Patent Agency Ranking
公开(公告)号：CN105975921B
公开(公告)日：2019-06-07
申请号：CN201610279313.4
申请日：2016-04-29
Applicant: 厦门大学
Abstract: 基于局部特征共生性和偏最小二乘法的行人检测方法，涉及计算机视觉技术。包括以下步骤：准备训练样本集，将训练样本的特征向量组合作为预测矩阵X，将训练样本的类别组合作为响应矩阵y；利用偏最小二乘法对预测和响应矩阵建立模型，求得权重矩阵W；根据权重矩阵W计算分数较高的特征作为候选特征，用于生成局部特征共生性；对局部图像块中的候选特征进行二值化并组合成局部特征共生性的二值化模式；计算二值化模式的概率分布，将其用于训练基于Boosted决策树的行人检测分类器；输入待检测图像，通过得到的分类器在待检测图像中找出分数较高的目标窗口作为可能的行人物体，完成检测。
-
公开(公告)号：CN109508669A
公开(公告)日：2019-03-22
申请号：CN201811332661.9
申请日：2018-11-09
Applicant: 厦门大学
Abstract: 一种基于生成式对抗网络的人脸表情识别方法，涉及计算机视觉技术。首先设计一个基于生成式对抗网络的人脸表情生成网络并对其预训练，该网络由一个生成器和两个判别器构成，能够生成指定表情的随机身份的人脸图；然后设计一个人脸表情识别网络，该网络在训练时同时接收训练集中的真实人脸表情图以及由人脸表情生成网络产生的随机人脸表情图，使用一种类内损失来减少真实样本和生成样本之间的人脸表情特征差异性；同时还使用一种真实样本导向的梯度更新方法来促进生成样本的特征学习；最后根据训练好的人脸表情识别网络模型，从模型最后的柔性最大分类层得到最终的人脸表情识别结果。
-
公开(公告)号：CN108764207A
公开(公告)日：2018-11-06
申请号：CN201810582457.6
申请日：2018-06-07
Applicant: 厦门大学
CPC classification number: G06K9/00315 , G06N3/0454
Abstract: 一种基于多任务卷积神经网络的人脸表情识别方法，首先设计多任务卷积神经网络结构，在网络中依次提取所有表情共享的低层语义特征和多个单表情判别性特征；然后采用多任务学习，同时学习多个单表情判别性特征学习任务以及多表情识别任务，使用一种联合损失来监督网络的所有任务，并且使用两种损失权重来平衡网络的损失；最后根据训练好的网络模型，从模型最后的柔性最大分类层得到最终的人脸表情识别结果。将特征提取与表情分类放在一个端到端的框架中进行学习，从输入图片中提取出判别性特征，对输入图片做出可靠地表情识别。通过实验分析可知，本算法性能卓越，可有效地区分复杂的人脸表情，在多个公开的数据集上都取得了良好的识别性能。
-
公开(公告)号：CN105913423B
公开(公告)日：2018-08-07
申请号：CN201610214978.7
申请日：2016-04-08
Applicant: 厦门大学
Abstract: 种基于超像素的确定性模型拟合方法,涉及计算机视觉技术。包括以下步骤:A.准备数据集;B.对图片进行超像素分割;C.通过分析超像素信息,对输入的数据进行预分组,以降低算法搜索时间复杂度;D.在数据集的分组信息基础上,提出种确定性生成假设方法;E.提出种模型选择方法,每次选取最佳模型假设,同时去除多余模型假设;F.根据选取的每个模型实例,区分内点与野点,完成模型拟合。能提取超像素分割的有效信息,以确定性地生成高质量的模型假设。有效避免当前模型选择方法对内点尺度的敏感性。能确定地处理多结构模型数据,而且不需大量的迭代优化,从而保证方法高效性。
-
公开(公告)号：CN106296747A
公开(公告)日：2017-01-04
申请号：CN201610592964.9
申请日：2016-07-26
Applicant: 厦门大学
IPC: G06T7/40
CPC classification number: G06T7/40
Abstract: 基于结构决策图的鲁棒多模型拟合方法，涉及鲁棒多模型拟合。包括以下步骤：对输入样本数据随机采样产生大量的假设；基于核密度估计和内点尺度对产生的每个假设计算权重分数；根据权重分数的大小，对所有的假设进行排序；基于连续一致性集和皮尔逊积矩相关系数对排序后的每个假设分别计算最短抵达距离；根据权重分数和最短抵达距离构建结构决策图；在结构决策图上确定所有结构对应的结构原型并计算结构数量；根据结构原型进行内点和异常点的划分，输出每个结构对应的模型参数，完成基于结构决策图的鲁棒多模型拟合。通过利用假设的一致性信息来选择结构原型。不涉及过滤或聚类过程，解决可能删除有代表性的假设和忽略较小的结构的问题。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.017 seconds)
