-
公开(公告)号：CN116798008A
公开(公告)日：2023-09-22
申请号：CN202310751516.9
申请日：2023-06-25
Applicant: 厦门理工学院
IPC: G06V20/54 , G06V10/74 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明提出一种基于代表性空间特征的车辆重识别方法，通过分析基于代表性空间方向的有效细微表征特征，分离车辆的代表性空间SRS信息和非空间区域的辨别信息，来完成车辆重识别任务，包括以下步骤；步骤一、选择并训练用于提取车辆关键点信息的识别网络，并通过关键点信息捕捉到有代表性的局部空间区域；步骤二、利用局部空间区域的代表性空间特征和非空间区域的区分性特征来消除空间转移产生的干扰，同时增强识别网络的模型稳健性；步骤三、结合全局鉴别性信息、代表性空间信息进行车辆再识别，以提高模型的性能；本发明能够明显提高车辆识别任务的性能，有效地提高了模型对空间视角信息变化的处理能力，解决了各种时空状态下的物体匹配问题。
-
公开(公告)号：CN116778384A
公开(公告)日：2023-09-19
申请号：CN202310751151.X
申请日：2023-06-25
Applicant: 厦门理工学院
IPC: G06V20/40 , G06V20/52 , G06V10/80 , G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于多帧交互与多层融合的视频行人重识别方法及系统，该方法包括以下步骤：1）从数据集中抽取多个行人的视频序列，形成由视频序列组成的训练数据集；2）构建基于多帧交互与多层融合的视频行人重识别网络模型，所述视频行人重识别网络模型主要包括帧内空间交互模块、多帧时序交互模块、多级别局部增强模块、分割策略模块和多帧分类头结合模块；通过使用训练数据集对视频行人重识别网络模型进行训练，得到网络模型参数；3）将训练好的视频行人重识别网络模型用于检索测试视频中含有该行人的视频，实现视频行人重识别。该方法及系统有利于获得更加稳定、鲁棒、准确的视频行人重识别结果。
-
公开(公告)号：CN115187997B
公开(公告)日：2023-07-28
申请号：CN202210823652.X
申请日：2022-07-13
Applicant: 厦门理工学院
IPC: G06V30/18 , G06V30/19 , G06V30/28 , G06V10/44 , G06V10/75 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出一种基于关键偏旁部首分析的零样本汉字识别方法，包括以下步骤；步骤S1：获取汉字图像建立汉字识别数据集；步骤S2：把数据集中的每个汉字表示为唯一的树状结构，进行先序遍历，获取汉字表意描述序列；步骤S3：建立汉字表意描述序列生成模型；步骤S4：使用汉字识别数据集对汉字表意描述序列生成模型进行深度学习训练；步骤S5：以深度学习训练后的汉字表意描述序列生成模型经汉字表意描述序列生成模型，生成汉字的表意描述序列；步骤S6：建立关键偏旁部首分析模型；步骤S7：根据生成的汉字表意描述序列，使用关键偏旁部首分析模型对汉字类别进行预测。本发明能将汉字识别问题转化为不确定性消除问题，提高模型对预测表意描述序列的利用能力。
-
公开(公告)号：CN113379764B
公开(公告)日：2023-06-02
申请号：CN202110621825.5
申请日：2021-06-02
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于域对抗自监督学习的病理图像分割方法。包括：获取病理图像建立病理图像自监督数据集；建立域对抗自监督模型；使用病理图像自监督数据集对域对抗自监督模型进行深度学习训练；建立病理图像分割模型；使用经过深度学习后的域对抗自监督模型对病理图像分割模型进行初始化；对病理图像中的病灶区域进行像素级别标注建立病理图像分割数据集；使用病理图像分割数据集对病理图像分割模型进行深度学习训练；使用深度学习训练后的病理图像分割模型对病理图像的未知病灶区域进行分割。本发明方法，采用域对抗自监督学习的方法，有效缓解了分割模型对大量人工标注的依赖并解决了模型在不同域上分割性能波动的问题。
-
公开(公告)号：CN111681231B
公开(公告)日：2023-04-18
申请号：CN202010525671.5
申请日：2020-06-10
Applicant: 厦门理工学院
IPC: G06T7/00 , G06V10/25 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于目标检测的工业焊接图像缺陷的检测方法，包括获取工业焊接图像；依据工业焊接图像中存在的焊接缺陷生成训练样本集；建立焊接缺陷检测模型；依据训练样本集对焊接缺陷检测模型进行深度学习训练；利用深度学习训练后的焊接缺陷检测模型对工业焊接图像进行焊接缺陷检测。该基于目标检测的工业焊接图像缺陷的检测方法目的是解决人工焊接缺陷检测工作的漏检错检、过程繁琐的问题。
-
Patent Agency Ranking
公开(公告)号：CN115330837A
公开(公告)日：2022-11-11
申请号：CN202210994557.6
申请日：2022-08-18
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于图注意力Transformer网络的鲁棒目标跟踪方法及系统，该方法包括：构建用于目标跟踪任务的图注意力Transformer网络模型并对其训练，该网络模型包括特征提取网络、自适应图注意力模块和特征预测头；以不同采样比对视频序列帧进行采样，分别将第一帧和后续帧获得的采样样本作为模板和搜索区域；将模板和搜索区域输入到训练好的网络模型中，通过特征提取网络提取模板和搜索特征作为自适应图注意力模块的输入；通过自适应图注意力模块对输入的模板和搜索特征进行聚合操作，然后利用混合注意力进行特征融合，获得更加鲁棒的自适应特征；最后通过特征预测头估计搜索区域中的目标，得到跟踪结果。该方法及系统有利于获得更加稳定、鲁棒、准确的跟踪结果。
-
公开(公告)号：CN115131648A
公开(公告)日：2022-09-30
申请号：CN202210823282.X
申请日：2022-07-13
Applicant: 厦门理工学院
Abstract: 本发明提出基于局部特征图实时更新的联机手写中文文本行识别方法，包括以下步骤；步骤S1、初始化实时识别模型；步骤S2、在启动笔画输入时，以笔尖触碰手写设备的手写面为开始标志；步骤S3、采集联机手写中文文本行轨迹，记录笔画的坐标点序列，以提笔作为一个笔画的结束标志；步骤S4、截取新输入的笔画对应的局部图像，进行预处理；步骤S5、计算新输入笔画对应的局部图像的CNN特征，将新特征替换到上一次的特征图上，实现新笔画的局部特征实时更新；步骤S6、使用语言模型解码更新识别结果，实现文本行实时识别；本发明速度大幅提升，具有较低的图像大小依赖性、较强的可拓展性与鲁棒性，能用于各种资源受限的嵌入式设备中，具有较高的应用价值。
-
公开(公告)号：CN114299591A
公开(公告)日：2022-04-08
申请号：CN202111658276.5
申请日：2021-12-30
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于自适应对比知识蒸馏的人脸属性识别方法及系统，该方法包括：数据获取及预处理；教师网络预训练；对教师网络和学生网络的主干网络划分卷积组，对分组后的蒸馏点进行基于特征的知识蒸馏，并将提取的特征输入共享特征的过滤器机制；将过滤器机制非线性映射后的特征输入基于关系的对比知识蒸馏；利用教师网络和学生网络对人脸属性分类任务的预测结果进行基于响应的知识蒸馏；利用自适应阶梯型蒸馏损失自适应调控不同蒸馏点基于响应、特征和关系的知识蒸馏在不同训练阶段的重要性并与人脸属性分类任务联合训练；通过得到的网络模型进行人脸属性识别。该方法及系统有利于提高知识蒸馏得到的学生网络的精度，提高人脸属性识别的性能。
-
公开(公告)号：CN113569732A
公开(公告)日：2021-10-29
申请号：CN202110853369.7
申请日：2021-07-27
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于并行共享多任务网络的人脸属性识别方法及系统，该方法包括以下步骤：将人脸属性数据集中包含的人脸属性分为部分属性组和整体属性组；构建并行共享多任务网络，其由一个共享子网络以及两个特定任务子网络，即一个部分属性子网络和一个整体属性子网络组成；在每个特定任务子网络中采用注意力机制，以利用共享子网络和特定任务子网络的局部和全局特征之间的相关性；设定损失函数并采用自适应惩罚策略来缓解类别不平衡问题，提高人脸属性识别率；通过人脸属性数据集对并行共享多任务网络进行训练；将待识别的人脸图像输入训练好的并行共享多任务网络模型，实现人脸属性识别。该方法及系统有利于提高人脸属性识别的准确性。
-
公开(公告)号：CN109767457B
公开(公告)日：2021-01-26
申请号：CN201910022615.7
申请日：2019-01-10
Applicant: 厦门理工学院
Abstract: 本发明公开了一种在线多示例学习目标跟踪方法，包括如下过程：S1：初始正包和负包中示例的选取；S2：计算初始正包中每个示例的相关相似度；S3：对初始正包进行筛选；S4：更新弱分类器；S5：为筛选后的正包和负包中的示例赋予相应的权重值；S6：对包概率进行加权；S7：获得最优弱分类器；S8：集成强分类器并输出。通过利用本发明设计出的目标跟踪方法能够提升分类器的性能，提高目标跟踪的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
103
records
(took 0.042 seconds)
