-
公开(公告)号：CN114821669B
公开(公告)日：2024-05-31
申请号：CN202210597200.4
申请日：2022-05-26
Applicant: 重庆大学
IPC: G06V40/10 , G06V40/20 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的细粒度行为识别方法，包括如下步骤：选用公开数据集，构建细粒度行为识别模型M，该模型包括基础行为识别模型TSN/TSM和行为扩展模型DFLM两部分；通过M中的基础行为识别模型对公开数据集中的视频进行特征提取，然后根据特征及相应标签构建得到三条支流结构；通过行为扩展模型DFLM执行自底向上和自顶向下两个阶段得到元素级和集合级的新特征；构建损失函数并通过损失函数对模型M进行训练，得到训练好的细粒度行为识别模型；通过将元素级和集合级的新特征输入到现有的分类器模型中，得到最终的细粒度行为识别结果。本发明方法能够对实际中行为间的差异性引起的更为复杂多变的更细粒度行为进行准确的识别。
-
公开(公告)号：CN116486159A
公开(公告)日：2023-07-25
申请号：CN202310457562.8
申请日：2023-04-26
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明提出一种基于掩码的数字病理图像分类方法，MHIM‑MIL框架在训练阶段采用Siamese结构即孪生结构。该框架的主要组成部分是一个基于通用注意力的MIL模型，称为学生模型S(·)。学生模型被用于聚合实例特征。为了增加学生模型的判别能力并强制其关注难分类的实例，本框架引入了一个动量教师模型T(·)。教师模型主要用于挖掘困难实例，利用基于掩码操作的困难实例挖掘策略遮盖简单的实例，同时保留困难实例作为学生模型的输入。Siamese结构能够使得模型训练更加稳定和高效，并且具有较少的训练参数。在挖掘出困难实例后，所有被挖掘的实例特征都被输入到学生模型中，用于推断出包标签。
-
公开(公告)号：CN110796080B
公开(公告)日：2023-06-16
申请号：CN201911036294.2
申请日：2019-10-29
Applicant: 重庆大学
IPC: G06V40/10 , G06V10/774 , G06V10/764 , G06T3/00 , G06N3/0464 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种基于生成对抗网络的多姿态行人图像合成算法，包括以下步骤：S1：通过行人重识别任务数据集Market‑1501中获取训练数据集和测试数据集；S2：根据预设方法通过训练数据集构建生成对抗网络模型；S3：采用预设方法向生成对抗网络模型输入中加入姿态信息潜码；S4：基于姿态信息潜码构建生成对抗网络模型的目标函数，并利用带有目标函数的生成对抗网络模型合成多姿态的行人图像；S5：根据合成的多姿态行人图像进行实验结果分析。有益效果：本发明有效地缩小了生成器的解空间，使得生成对抗网络训练更加平稳，从而可以生成高质量的多姿态行人图片。
-
公开(公告)号：CN110569353B
公开(公告)日：2023-04-07
申请号：CN201910593644.9
申请日：2019-07-03
Applicant: 重庆大学
IPC: G06F16/35 , G06F16/335 , G06F40/186 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于注意力机制的Bi‑LSTM的标签推荐方法，该基于注意力机制的Bi‑LSTM的标签推荐方法包括以下步骤：采集实验数据集；从实验数据集中解析出特定的文本数据；对文本数据进行预处理；从预处理后的问题文本描述中提取语义特征；构建多标签分类模型；通过构建的多标签分类模型为新问题推荐合适的标签；对标签推荐的结果进行评估与分析。本发明的有益效果为：通过基于注意力机制的Bi‑LSTM模型主要将标签推荐任务转化为多标签分类问题，根据问题的文本描述内容自动推荐标签，提高标签推荐的准确性。
-
公开(公告)号：CN114925518A
公开(公告)日：2022-08-19
申请号：CN202210534056.X
申请日：2022-05-17
Applicant: 重庆大学
Abstract: 本发明涉及一种基于时间序列和多传感器融合的桥梁健康预警方法。选取公开桥梁W种传感器数据流作为数据集；对数据进行检验确定该数据集为可用数据集；建立ARMA模型并对模型进行定阶；对可用数据集进行数据处理，得到新数据集；剔除新数据集中的异常传感器数据，得到ARMA模型输入数据；初始化定阶ARMA模型并采用长时监测数据对模型进行训练，得到预训练ARMA模型；预设告警等级，利用短时监测数据对预训练模型进行步进更新；将目标桥梁当前时间的所有监测数据作为步进更新后的模型输入，输出得到对目标桥梁的各类别监测指标的预测结果，然后将其进行信息融合，最后得到对危险信息的预警结果。使用本发明方法能准确地预测桥梁危害,且具有应用范围广的特点。
-
Patent Agency Ranking
公开(公告)号：CN112802054A
公开(公告)日：2021-05-14
申请号：CN202110152658.4
申请日：2021-02-04
Applicant: 重庆大学
Abstract: 本发明涉及一种从序列图像或视频流中将运动物体从背景中分离出来的前景检测方法和系统，具体是涉及一种融合图像分割的混合高斯模型前景检测方法。首先，接受一个待检测视频作为数据输入；将此待检测视频作为一个视频图像帧序列，针对视频图像帧序列上的每个视频图像帧进行超像素分割，每个视频图像帧的构成元素由原来的像素转变为超像素；对超像素构成的视频图像帧序列进行混合高斯模型处理，使得前景图像和背景图像进行分离；最后对前景图像进行形态学后处理，输出需要的前景图像序列。
-
公开(公告)号：CN107229920B
公开(公告)日：2020-11-13
申请号：CN201710425906.1
申请日：2017-06-08
Applicant: 重庆大学
Abstract: 本发明涉及一种基于整合深度典型时间规整及相关修正的行为识别方法，解决的是识别准确度低、耗时长的技术问题，通过采用将人体的行为表示为刚体位移，将刚体位移分解为刚体平移和刚体旋转，用齐次矩阵李群SE(3)表示刚体位移，李代数为SO(3)，采集的骨骼数据建立骨骼模型C(t)，将位移映射关系表示为齐次矩阵李群SE(3)，建立基于李代数相对特征描述方法的骨骼模型C(t)，并对骨骼模型C(t)进行差值处理；使用整合深度典型时间规整方法对齐；利用相关性特征，修正对齐特征样本,使用支持向量机对修正后的特征样本进行分类的技术方案，较好的解决了该问题，用于3D骨骼的行为识别中。
-
公开(公告)号：CN111914778A
公开(公告)日：2020-11-10
申请号：CN202010790719.5
申请日：2020-08-07
Applicant: 重庆大学 , 重庆中科云从科技有限公司
Abstract: 本发明涉及一种基于弱监督学习的视频行为定位方法，建立深度特征增强和选择网络模型并进行训练，将一段待测试视频输入训练后的深度特征增强和选择网络模型，通过训练后的深度特征增强和选择网络模型预测分类分数和得到平均CAS；只检测预测得分大于预先设置好的阈值的CAS；通过线性插值使经过深度特征增强和选择网络模型后的待测视频长度还原为原始长度，然后，对平均CAS进行阈值运算，之后再进行膨胀操作，最后再获取行为实例的开始时间bi和结束时间ei，完成定位。本发明方法对弱监督行为定位具有有效性。
-
公开(公告)号：CN111738048A
公开(公告)日：2020-10-02
申请号：CN202010163685.7
申请日：2020-03-10
Applicant: 重庆大学
Abstract: 本发明涉及一种行人再识别的方法，首先获取原始图像集，并给每张原始图像标上类别标签；将每张原始图像处理成灰度图像和低分辨率图像；将每个训练样本的原始RGB图像，灰度图像和低分辨率图像作为LRAN模型的输入，对LRAN模型的参数进行优化得到最终LRAN模型；最后行人再识别，将两张行人图像经过处理后输入最终LRAN模型得到两张图像的特征ff1和特征ff2，计算特征ff1和特征ff2的距离两张原始图像之间的相似度。本方法考虑到了行人图像质量的变化，从原始RGB图像、灰度图像和低分辨率图像中提取并融合三种深度行人特征融合为一个更鲁棒的特征，在一定程度上就消除了图像质量差异在行人再识别过程中带来的影响。
-
公开(公告)号：CN106201871B
公开(公告)日：2018-10-02
申请号：CN201610513167.7
申请日：2016-06-30
Applicant: 重庆大学
IPC: G06F11/36
Abstract: 本发明涉及基于代价敏感半监督的软件缺陷预测方法，包括如下步骤，S1通过版本控制工具收集待预测软件的源代码文件；S2所述S1得到的源代码文件由I个模块组成，从所述源代码文件中提取度量元值；S3通过采样的方式通过度量元值选取模块得到采样结果集；S4标注后采样结果集和无标记样本集构建训练集；S5提出目标函数，求解使目标函数值最小的分类函数，S6通过分类函数对待预测集中的模块进行预测，并输出预测结果。该方法融合半监督和代价敏感思想构建软件缺陷预测模型，解决了软件缺陷预测中缺陷数据难以获取和类不平衡两个问题，极大提高了预测结果的准确性。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.043 seconds)
