-
公开(公告)号：CN107909042B
公开(公告)日：2019-12-10
申请号：CN201711166583.5
申请日：2017-11-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种连续手势切分识别方法，包括以下步骤：训练动态时间规划模板；对测试数据减少冗余手势数据量并离散化后，计算初始时刻t＝0与不同手势模板的距离记为Dt，选取距离最小的把当前时刻作为该手势的起始点，随着时刻增加若某一时刻Dt距离变化激增，则该时刻为手势终止点；判断出终止点后，下一时刻还原为初始时刻t＝0，循环寻找下一个手势的起始点，并随着时刻增加寻找终止点切分下一个手势；在计算距离Dt的时候，附加上一个指数因子，附加指数因子的距离记为etDt；通过判断etDt的激增来判断手势终止点。本发明有效减少了数据处理消耗的时间，避免噪声点对切分和识别的影响；同时改进动态时间规划相似度计算的测度函数，有效的增加了切分的准确率。
-
公开(公告)号：CN110008996A
公开(公告)日：2019-07-12
申请号：CN201910167377.9
申请日：2019-03-06
Applicant: 华南理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于散度计算的异构域适应方法，包括如下步骤：数据预处理；分别学习映射，将源域和目标域映射至同一共享子空间，同时利用最大均值差异(MMD)距离进行分布匹配，减小分布差异，并进行核化处理以适应非线性问题；遵循结构一致性，保证相近数据在映射后保持相近；引入正则项进行特征选择；通过散度计算进一步增加不同类别数据间的可分性，提高算法效率；综合优化。本发明采用迁移学习思想，通过对异构的源域及目标域数据分别进行映射和特征转换，得到具有相似特征及分布的子空间；并在异构应用中引入散度，利用散度特性进一步加强数据可分性，强化对具有不同特征不同分布的异构数据的分类，帮助提升目标任务的学习效果。
-
公开(公告)号：CN109344879A
公开(公告)日：2019-02-15
申请号：CN201811041222.2
申请日：2018-09-07
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于文本-图像对抗网络模型的分解卷积方法，属于深度学习神经网络领域，包括以下步骤：S1、构造文本-图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后随机噪声结合，输入至生成器中；S4、对在文本-图像生成对抗网络的卷积核进行分解操作；S5、将分解卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的基于分解卷积的文本-图像对抗网络模型，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够学习到数据集图像中更加细节的特征，同时减少了参数量，从能够提高整个网络训练模型的效率。
-
公开(公告)号：CN107944546A
公开(公告)日：2018-04-20
申请号：CN201711122573.1
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06N3/0454 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于原始生成对抗网络模型的残差网络方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、在神经网络中利用残差网络对图像进行卷积操作；S5、将残差网络操作得到的损失函数输入生成器进行后续训练。本方法构建的基于残差网络的原始生成对抗网络模型，改变了判别器、生成器接收图片后的卷积方式，让判别器、生成器能够以更大的范围对图像的特征进行学习，从而能够提高整个网络训练模型的鲁棒性。
-
公开(公告)号：CN107886169A
公开(公告)日：2018-04-06
申请号：CN201711124737.4
申请日：2017-11-14
Applicant: 华南理工大学
CPC classification number: G06N3/08 , G06K9/6256
Abstract: 本发明公开了一种基于文本-图像生成对抗网络模型的多尺度卷积核方法，包括以下步骤：S1、构造文本-图像生成对抗网络模型；S2、利用深度卷积神经网络充当生成器、判别器的功能；S3、对文本进行编码之后与随机噪声结合，输入至生成器中；S4、在文本-图像生成对抗网络模型中利用多尺度卷积对图像进行卷积操作；S5、将多尺度卷积操作得到的损失函数输入生成器进行后续训练。本方法构建的文本-图像生成对抗网络模型，通过多尺度卷积改变判别器、生成器接收图片后的卷积方式，从原来的针对单层图像通道只使用1个卷积核的操作转变为同时采用多个卷积核，使得整个网络能够在对单层图像通道卷积时学习到更多特征，提高了网络训练的效率。
-
Patent Agency Ranking
公开(公告)号：CN107862734A
公开(公告)日：2018-03-30
申请号：CN201711124676.1
申请日：2017-11-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于生成对抗网络的渲染图像光照方法，属于深度学习神经网络领域，包括以下步骤：S1、构造原始生成对抗网络模型；S2、构造神经网络充当生成器与判别器的功能；S3、初始化随机噪声，输入生成器中；S4、在判别器中得到图像数据集的光照数据分布；S5、将光照数据分布作线性变换之后输入生成器进行后续训练。本方法构建的基于渲染图像光照的原始生成对抗网络模型，通过提取图像数据集中的光照数据，并对其分布进行线性变换，最后输入至生成器中进行训练，从而达到了编辑图像光照的效果。
-
公开(公告)号：CN107590532A
公开(公告)日：2018-01-16
申请号：CN201710690207.X
申请日：2017-08-14
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于WGAN的超参数动态调整方法，属于深度学习神经网络领域，该超参数动态调整方法包括以下步骤：S1、构造沃瑟斯坦生成式对抗网络WGAN模型；S2、输入图像数据集，设置默认的超参数λ，对网络进行训练；S3、在第i次迭代的过程中，记录判别器的损失函数Xi；S4、在第i+1次的迭代过程中，记录判别器的损失函数为Xi+1；S5、计算Xi-Xi+1的差值，动态调整超参数λ的数值。本方法能够解决在网络训练的过程中，由超参数引起的网络震荡问题，动态调整超参数λ，能够使判别器灵活地学习数据集中的特征，增强自身损失函数递减的稳定性，从而使整个生成对抗网络的训练效果更好。
-
公开(公告)号：CN107563509A
公开(公告)日：2018-01-09
申请号：CN201710579119.2
申请日：2017-07-17
Applicant: 华南理工大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于特征返回的条件DCGAN模型的动态调整算法，属于深度学习神经网络领域，该算法步骤如下：构造深度卷积生成式对抗网络DCGAN模型；对DCGAN模型进行训练；在判别器的卷积层中，对每一层卷积之后的图像特征数据记为特征数据记录Xi；将所有Xi进行维度扩展；S5、将维度扩展后的特征数据记录Xi与输入生成器中的噪声结合输入到记录图像生成器中进行训练。本方法能够解决在网络训练初期，生成器生成图像不符合数据集特征的问题，使生成器通过学习判别器中卷积过程的图像特征，以更高的效率学习到数据集中的图像特征，从而能够以更快的速度生成符合数据集特征的图像，能够较大程度地减小网络训练所需要的时间。
-
公开(公告)号：CN107133562A
公开(公告)日：2017-09-05
申请号：CN201710159420.8
申请日：2017-03-17
Applicant: 华南理工大学
CPC classification number: G06K9/00389 , G06N3/0481 , G06N99/005
Abstract: 本发明公开了一种基于极限学习机的手势识别方法，包括如下步骤：用普通摄像头采集RGB图像，用红外摄像头采集红外图像；采用阈值分割的方法确定红外图像中属于人体的像素点区域，然后结合RGB图像得到人体RGB图像，根据人体RGB图像，通过肤色模型得到图像中的肤色区域，然后利用阀值法判别肤色区域的形状复杂度，得到手势二值图像；提取手势区域的HOG特征和Hu矩作为特征向量；最后将极限学习机运用于手势特征向量的分类中，完成手势识别任务。本发明通过结合HOG特征和Hu矩特征，提高手势识别准确率。同时运用极限学习机有效提手势识别的训练速度识别速度，使手势识别系统具有快速、准确率高、泛化性高等优点。
-
公开(公告)号：CN107122706A
公开(公告)日：2017-09-01
申请号：CN201710159394.9
申请日：2017-03-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于增长型极限学习机的车辆检测方法，包括S1训练增长型极限学习机，S2采用已训练增长型极限学习机对车辆进行检测识别。本发明采用选择搜索的方法进行区域划分，采用HOG特征作为区域的特征，采用增长型极限学习机作为分类器，在保证识别率的同时提高系统的识别速度，此外由于增长型极限学习机的优越性能，使得系统的训练阶段耗时很短。
-
-
-
-
-
-
-
-
-
Search Results
164
records
(took 0.057 seconds)
