-
公开(公告)号：CN110543560B
公开(公告)日：2022-10-11
申请号：CN201910731678.X
申请日：2019-08-08
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06F16/35 , G06F40/279 , G06N3/04
Abstract: 本发明提供了一种基于多粒度卷积神经网络的长文本分类识别方法、装置及存储介质，该方法包括：将所述训练样本集中的长文本样本基于所述映射表转换为数字序列得到数字序列形式的训练样本集，使用所述数字序列形式的训练样本集训练多粒度卷积神经网络得到训练后的多粒度卷积神经网络，基于所述映射表将待分类识别的长文本转换为数字序列使用训练后的多粒度卷积神经网络进行分类识别得到分类识别结果。本发明将汉字文本转换为数字序列进行处理，提高了处理速度，且本发明的多粒度卷积神经网络结构，具有提取全局特征和局部特征的分支，由于采用多分支的结构，保留了长文本的整体语义信息及局部关键信息，有效提升长文本分类识别的准确率。
-
公开(公告)号：CN110555390B
公开(公告)日：2022-09-09
申请号：CN201910735333.1
申请日：2019-08-09
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种基于半监督训练方式的行人重识别方法、装置及存储介质，该方法包括：基于半监督训练方式使用采集的目标域样本集和开源数据集构建训练样本集，使用所述训练样本集对深度残差网络进行训练得到训练后的深度残差网络模型，对采集的行人图像使用训练后的深度残差网络模型进行识别，得到行人图像的特征值，再根据特征值之间的余弦距离来确定是否为同一个人。本发明生成了虚拟样本，且在生成虚拟样本时构建了平滑函数，使得构建的虚拟样本更加逼真，同时使用DBSCAN聚类算法为虚拟样本添加伪标签，深度神经网络中使用了局部特征和全局特征，采用不同权重组合的联合损失函数，使得训练后的深度神经网络识别准确更加可靠。
-
公开(公告)号：CN112381161B
公开(公告)日：2022-08-30
申请号：CN202011296897.9
申请日：2020-11-18
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/762 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种神经网络训练方法，包括以下步骤：S1、初步训练，对类别数据不均衡的训练样本数据进行深度学习神经网络训练，得到一个初步最佳训练模型；S2、根据该初步最佳训练模型对训练样本数据进行处理；S3、二次训练，用经过S2处理后的数据在该初步最佳训练模型基础上继续迭代训练至神经网络训练模型收敛。该方法利用DBSCAN聚类结果及已有标签，指导神经网络训练过程中每个batch的数据采样，通过类别间数据的均衡性，单类别内部数据特征多样性，提高了算法模型的收敛速度，提高了算法模型泛化性能。
-
公开(公告)号：CN111563438B
公开(公告)日：2022-08-12
申请号：CN202010351089.1
申请日：2020-04-28
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明公开了一种用于视频结构化的目标排重方法和装置，通过目标检测算法检测视频中当前帧所具有的目标的第一位置信息；将第一位置信息输入deepsort网络并与deepsort网络中的卡尔曼跟踪器进行第一次匹配，获得第一次匹配结果；根据第一次匹配结果对卡尔曼跟踪器或第一位置信息进行处理，其中对于第一次未被匹配上的卡尔曼跟踪器所对应的目标通过KCF跟踪器预测得到对应的目标的第二位置信息；将第二位置信息与第一次未被匹配上的卡尔曼跟踪器进行第二次匹配，获得第二次匹配结果；以及根据第二次匹配结果对第一次未被匹配上的卡尔曼跟踪器和第二位置信息进行处理，得到目标排重后的位置信息。通过本发明可以对目标进行跟踪，有效提高算法的性能，提高计算速度。
-
公开(公告)号：CN113920353B
公开(公告)日：2022-07-29
申请号：CN202111300505.6
申请日：2021-11-04
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/762 , G06V40/16 , G06V10/74 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种无监督的人脸图像二次聚类方法、装置及存储介质，该方法包括：对获取的n张人脸图像计算相似度矩阵和图像质量分数，并基于图像质量分数对相似度矩阵进行调整，基于调整后的相似度矩阵对n张人脸图像进行初次聚类得到初次聚类结果；基于所述聚类结果中的每个簇中的图像数量分为离散簇和聚集簇；在选出每个簇的代表元后，利用并查集算法先将满足条件的离散簇合并至聚集簇，再进行聚集簇之间的合并，得到二次聚类后的人脸图像。本发明创造性地提出了二次聚类的方式，在前后两次聚类中使用不同的相似度阈值，逐步求精；并且在聚类过程，针对聚类样本/聚类簇的特点对相似度计算作精细调整，最终实现高精确率和高归档率的人脸聚类。
-
Patent Agency Ranking
公开(公告)号：CN111784660B
公开(公告)日：2022-07-15
申请号：CN202010605634.5
申请日：2020-06-29
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种用于人脸图像的正脸程度的分析方法和系统，包括获取待分析人脸图像中的人脸边界，并根据人脸边界获取人脸中心点在待分析人脸图像中的坐标信息；利用人脸中心点的坐标信息分别获取待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息；利用坐标信息分别计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值，加权求和获得待分析人脸图像的正脸程度分值Ffront。该方法能给出当前人脸正脸程度得分的置信程度，将其加入人脸质量评价体系中将大大提高评价准确性，适用于各种硬件平台且耗时少，可以确保系统实时性。
-
公开(公告)号：CN111783858B
公开(公告)日：2022-07-15
申请号：CN202010567257.0
申请日：2020-06-19
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06K9/62
Abstract: 本申请实施例公开了生成类别向量的方法和装置。该方法的一具体实施方式包括：获取第一预设数量个属于预设类别的向量作为第一向量集；获取第二预设数量个属于预设类别的向量作为第二向量集；从第二向量集中确定符合预设条件的目标向量；获取属于预设类别的待替换向量；确定待替换向量是否符合预设替换条件，如果符合，将目标向量替换为待替换向量；基于第一向量集和进行向量替换后的第二向量集，确定表征预设类别的类别向量并存储。该实施方式实现了实时地对第二向量集进行更新，使第二向量集中的向量对预设类别的代表性逐渐增强，提高生成类别向量的精确性。
-
公开(公告)号：CN111783568B
公开(公告)日：2022-07-15
申请号：CN202010549958.1
申请日：2020-06-16
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V20/40 , G06V40/10 , G06V10/774 , G06V10/74 , G06K9/62
Abstract: 本发明提出了一种基于置信学习的行人重识别方法、装置及存储介质，该方法包括：从视频图像资源库的获取N张行人图像，从中随机选取M张行人图像作为查询图像，其余作为查询底库；使用行人重识别模型从中筛选一定数目的行人图像保存在一候选训练集，并该数目的行人图像标记一个新的人员id；将候选训练集与原始训练集合并得到合并训练集，并使用置信训练寻找合并训练集的标签误差后进行校验，然后对行人重识别模型进行重新训练得到重训练后的行人重识别模型后进行线上更新以进行行人重识别。本发明利用置信学习及现有行人重识别系统清洗监控系统下的海量视频数据，从而提供更多的可用训练数据，有效地提高了行人重识别系统的泛化性能及准确率。
-
公开(公告)号：CN111784658B
公开(公告)日：2022-07-01
申请号：CN202010604622.0
申请日：2020-06-29
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种用于人脸图像的质量分析方法和系统，包括对待分析人脸图像进行低通滤波处理获取模糊图像，获取待分析人脸图像的清晰度分值Fdefinition；根据人脸边界获取人脸中心点的坐标信息；利用人脸中心点的坐标信息分别获取待分析人脸图像中眼睛、鼻尖和嘴角在待分析人脸图像中的坐标信息；计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度的分值，加权求和获得待分析人脸图像的正脸程度分值Ffront；利用待分析人脸图像的尺寸计算的人脸大小分值Fsize；加权求和获得待分析人脸图像的综合分值。该方法能够定量评价人脸图像质量且对于硬件平台适配性高，可以实时获取人脸图像质量。
-
公开(公告)号：CN114048336A
公开(公告)日：2022-02-15
申请号：CN202111392149.5
申请日：2021-11-19
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提出了一种分布式海量多媒体图片智能分析方法及装置，该方法包括：应用系统把获取到的多媒体图片存储在kafka图片待处理队列；将N+1个计算设备构成分布式处理系统，在每个计算设备上部署的图片智能解析引擎，每个图片智能解析引擎分别从kafka图片待处理队列中获取待处理图片进行智能处理得到处理结果，并将图片的处理结果存储至kafka图片已处理队列；所述应用系统从kafka图片已处理队列获取所述处理结果，并根据所述处理结果对图片进行处理。本发明中，通过分布式处理系统对来自应用系统的海量图片进行智能化分析处理，从而应用系统将不必要的图片进行删除等，降低了应用系统的存储数据量，提高了应用系统的性能，还提高了图片分类的准确率。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.035 seconds)
