-
公开(公告)号：CN108334955A
公开(公告)日：2018-07-27
申请号：CN201810172388.1
申请日：2018-03-01
Applicant: 福州大学
Abstract: 本发明公开了一种基于Faster-RCNN的身份证复印件检测方法，包括：选择若干身份证复印件图像，制作Faster-RCNN模型的数据集，设置Faster-RCNN模型的参数，对身份证复印件测试图像进行预处理，基于数据集对Faster-RCNN模型进行训练，输入测试图像，利用训练好的Faster-RCNN模型进行检测。本发明方法对图像模糊、角度众多、边框不清晰的身份证复印件同样能够取得较好的检测结果，实用性强，检测效果较好，发展前景良好。
-
公开(公告)号：CN108319958A
公开(公告)日：2018-07-24
申请号：CN201810218709.7
申请日：2018-03-16
Applicant: 福州大学
Abstract: 本发明涉及一种基于特征融合匹配的行驶证检测和识别方法：首先进行区域检测定位，针对行驶证图片存在的背景复杂、角度倾斜的问题，提出的特征匹配方法能有效解决传统方法倾斜校正时间长、正确率低的问题。然后通过模板分割得到字段区域，由于光照不均和背景底纹导致传统的二值化算法效果不佳，提出的融合二值化方法可以解决光照、底纹影响以及文字笔划粘连缺失的问题。最后通过分类器得到文字识别结果，具有较高的文字识别准确率。该方法具有快速、多角度、背景鲁棒与光照鲁棒等优点，具有较高的应用价值。
-
公开(公告)号：CN105913064A
公开(公告)日：2016-08-31
申请号：CN201610222896.7
申请日：2016-04-12
Applicant: 福州大学
CPC classification number: G06K9/4671 , G06T2207/10004
Abstract: 本发明涉及一种图像视觉显著性检测拟合优化方法，包括以下步骤：S1：采用直方图统计显著性图像集和标注图像集中的显著性数据，分别形成自变量点集和因变量点集；S2：采用相应的拟合函数模型对自变量点集和因变量点集数据进行拟合，得到拟合函数；S3：将拟合函数作用到新的显著性图中的显著性数据上，得到拟合后的显著性数据；S4：对拟合后的显著性数据进行[0,255]约束处理，得到优化后的显著性图。该方法使各显著性检测算法优化后的显著性图比优化前更加接近用户标注的标准图，适用于多种显著性检测算法的优化。
-
公开(公告)号：CN117218709B
公开(公告)日：2025-05-16
申请号：CN202311388239.6
申请日：2023-10-25
Applicant: 福州大学
IPC: G06V40/16 , G06V40/20 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/774 , G06V10/762 , G06N3/0499 , G06N3/0464 , A61B5/16
Abstract: 本发明涉及一种基于时间可变形注意力机制的居家老人实时状态监测方法。首先，基于改进yolov7提取视频人体2D姿态图，沿时间维度堆叠成3D热图体，并使用主题中心裁剪，均匀采样等多种方式进行数据预处理。接着，利用时间可变形注意力机制模块与前馈神经网络，使用网络隐帧赋权，结合3D卷积，构建动作识别模型。然后，基于Harr级联分类器提取人脸位置，结合特征聚类网络，多头注意网络、注意融合网络构建表情识别模型。最后，通过不断迭代，优化组合损失更新动作识别模型和表情识别模型参数，并利用动作识别模型构建多级动作判别预警系统，结合表情识别模型构建实时情绪打分系统。
-
公开(公告)号：CN115019239B
公开(公告)日：2025-01-07
申请号：CN202210787330.4
申请日：2022-07-04
Applicant: 福州大学
IPC: G06V20/40 , G06V10/40 , G06V10/80 , G06V10/766 , G06V10/764 , G06V40/20 , G06V10/82 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种基于时空交叉注意力的实时动作定位方法。首先对视频片段进行采样得到输入视频，并通过帧集划分进行关键帧的提取，将获取到视频片段输入R(2+1)D网络提取时序特征，将关键帧输入CSPNet网络提取空间特征。其次，对时序特征进行压缩，并将其与空间特征进行编码转换。计算时序特征与空间特征相互之间的潜在自适应，将其嵌入transformer自注意力进行特征的交叉表示，拼接特征并利用上下文注意力模块对特征进行融合。最后，通过回归、分类网络预测边界框位置以及运动类别，根据预测结果计算相邻帧各个类别的链接分数，采用维特比算法寻找生成动作管的最佳路径。
-
Patent Agency Ranking
公开(公告)号：CN118918260A
公开(公告)日：2024-11-08
申请号：CN202411005852.X
申请日：2024-07-25
Applicant: 福州大学
IPC: G06T17/00 , G06T15/00 , G06N3/0455 , G06N3/08
Abstract: 本发明提出基于潜在空间扩散的神经辐射场三维重建方法，包括以下步骤：步骤S1：拍摄真实场景的各个视图，计算相机的空间位置与方向，整理成数据集后进行预处理；步骤S2：对场景空间采样，得到每个采样点的颜色与密度信息，组合成采样点特征；步骤S3：将所有采样点特征进行隐空间编码，得到整个空间的潜在表示，将其恢复成与原特征形状相同的新特征，并将原特征与新特征作损失，联合训练此编码器与解码器；步骤S4：对潜在表示使用潜在空间扩散，逐步添加噪声，得到每一步的残差，得到随机噪声表示，再使用其逆过程，输入随机噪声，逐步恢复成潜在表示，解码成新特征，重建出完整的三维场景；本发明能够提升神经辐射场重建的质量与相应的性能指标。
-
公开(公告)号：CN115100603B
公开(公告)日：2024-07-26
申请号：CN202210801243.X
申请日：2022-07-08
Applicant: 福州大学
Abstract: 本发明涉及一种基于稀疏系数通道剪枝的轻量化个人防护装备检测方法，包括以下步骤：步骤S1：构建个人防护装备检测数据集；步骤S2：根据个人防护装备检测数据集训练网络模型得到个人防护装备检测模型；步骤S3：将个人防护装备检测模型进行通道级别的稀疏化训练，对卷积神经网络中BN层的γ参数进行稀疏正则化，得到稀疏化后的检测模型；步骤S4：对稀疏化后的检测模型进行剪枝，得到一个轻量化的检测模型；步骤S5：对轻量化的检测模型进行微调训练，得到最终的轻量化个人防护装备检测模型；步骤S6：使用轻量化个人防护装备检测模型进行目标检测，得到检测结果图。本发明能够有效减少检测模型的模型大小，参数量和计算量，并且对工人是否穿戴个人防护装备进行精准检测。
-
公开(公告)号：CN118196901A
公开(公告)日：2024-06-14
申请号：CN202410362395.3
申请日：2024-03-28
Applicant: 福州大学
IPC: G06V40/20 , G06V10/774 , G06V20/40 , G06V10/764 , G06V10/82 , G06N3/045 , G06V10/40 , G06V10/74 , G06V10/766
Abstract: 本发明涉及一种基于时序动态适应和层级对比的动作评估方法，包括以下步骤：步骤S1：获取数据集并预处理，训练基于计算机视觉的关键点检测算法；步骤S2：采用修改后的关键点检测算法对输入的视频图像识别提取骨骼关键点，并输出信息；步骤S3：采用基于余弦相似度的肢体整齐度算法对关键点的信息进行处理，计算肢体整齐度；步骤S4：采用基于距离度量的关节整齐度算法计算关节整齐度，基于肢体和关节整齐度计算综合整齐度，完成最终的评估。
-
公开(公告)号：CN114283320B
公开(公告)日：2024-06-14
申请号：CN202111603923.2
申请日：2021-12-25
Applicant: 福州大学
IPC: G06V20/00 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于全卷积的无分支结构标检测方法，包括以下步骤：步骤S1:获取目标检测数据集，并预处理，生成训练集；步骤S2:构建可重参数化的多分支全卷积网络模型；步骤S3:基于训练集对可重参数化的多分支全卷积网络模型进行训练，通过随机梯度下降方法，优化模型参数；步骤S4:对训练好的多分支全卷积网络模型进行重参数化，构建无分支全卷积网络，作为推理模型；步骤S5:将待测试图像输入推理模型进行测试。本发明能够有效地减少边缘小目标的漏检。
-
公开(公告)号：CN114266953B
公开(公告)日：2024-06-11
申请号：CN202111601306.9
申请日：2021-12-24
Applicant: 福州大学
IPC: G06V20/00 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/08
Abstract: 本发明提出一种基于深度学习的目标检测流程自优化方法，包括以下步骤：步骤S1：定义目标检测的标准流程以及目标检测流程可能用到的模块，确定可通过神经网络模块来优化的目标检测流程自优化空间；步骤S2：确定与自优化空间相关的限制条件以及所需参数配置，配置目标检测流程的自优化限制参数；步骤S3：将步骤S1的自优化空间与步骤S2的限制参数送入流程优化器，产生优化后的模型组及其相关配置；步骤S4：对步骤S3得到的模型组进行标准化完全训练，统计效果并输出最终模型组；本发明用于计算机视觉目标检测训练，能够有效的降低计算机视觉目标检测训练所需的人工时间成本，提升目标检测模型的综合能力。
-
-
-
-
-
-
-
-
-
Search Results
298
records
(took 0.045 seconds)
