-
公开(公告)号：CN113743332A
公开(公告)日：2021-12-03
申请号：CN202111050476.2
申请日：2021-09-08
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于机器学习和数据质量评价领域，具体涉及了一种基于通用视觉预训练模型的图像质量评价方法及系统，旨在解决现有技术在缺乏大量人工筛查的情况下，视频监控的图像和视频质量评价的效率和精度低的问题。本发明包括：获取存在设定类别异常的图像样本集，进行异常筛查和标注；通过筛查和标注后的第一训练样本集进行样本收集模型训练；设定训练好的样本收集模型的收集阈值，并在线收集带视频帧图像质量评价标注的第二训练样本集；通过第二训练样本集进行图像质量异常分类模型训练；通过训练好的图像质量异常分类模型在线进行视频帧图像和/或单帧图像的质量异常分类。本发明人工介入少，视频监控的图像和视频质量评价的效率、准确性和精度高。
-
公开(公告)号：CN112560823A
公开(公告)日：2021-03-26
申请号：CN202110199644.8
申请日：2021-02-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉和模式识别领域，具体涉及一种基于分布学习的自适应方差和权重的人脸年龄估计方法、系统、装置，旨在解决现有人脸年龄数据集类别不均衡及现有方法使用固定方差不足，导致人脸年龄估计结果跟真实值差距较大的问题。本方法包括对输入图像进行预处理，得到预处理图像；通过预训练的人脸年龄估计模型得到预处理图像中人脸的预测年龄；所述人脸年龄估计模型基于深度残差网络构建。本发明减小了人脸年龄估计结果跟真实值的差距。
-
公开(公告)号：CN111739115B
公开(公告)日：2021-03-16
申请号：CN202010583710.7
申请日：2020-06-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于领域，具体涉及了一种基于循环一致性的无监督人体姿态迁移方法，旨在解决现有的姿态迁移方法在跨身份人体姿态迁移任务中适应性差、生成图像质量较低的问题。本发明包括：获取一个人体图像和另一目标姿态并根据人体图象和目标姿态通过基于循环一致性的无监督对抗网络生成姿态迁移图像，所述基于循环一致性的无监督对抗网络通过无身份标签的训练图像以及设定的全局损失函数进行迭代训练。本发明提高了跨身份人体姿态迁移任务的适应性，提高了生成图像的质量。
-
公开(公告)号：CN109902641B
公开(公告)日：2021-03-02
申请号：CN201910168643.X
申请日：2019-03-06
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于人脸识别领域，具体涉及一种基于语义对齐的人脸关键点检测方法、系统、装置，旨在为了提高人脸关键点检测的准确度，本发明方法在传统方法获取基本收敛的人脸关键点检测网络后，采用所构建的包含包括标注有关键点的人脸图像样本、各关键点位置为中心的标准高斯的响应图的训练样本，使用含有隐变量的概率模型作为极大似然估计的目标再进行人脸关键点检测网络的优化；通过最终优化的人脸关键点检测网络进行人脸关键点坐标的预测。本发明在网络训练过程中有效地克服了标注随机性带来的训练震荡问题，提高人脸关键点检测的准确度。
-
公开(公告)号：CN111783753B
公开(公告)日：2020-12-15
申请号：CN202010918791.1
申请日：2020-09-04
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉和模式识别领域，具体涉及一种基于语义一致水平条和前景修正的行人重识别方法，旨在解决现有的行人重实别方法重实别鲁棒性较差的问题。本发明方法包括：获取待识别的图像，作为输入图像；提取输入图像的特征，作为第一特征；基于第一特征，通过行人重识别模型中的行分类器分别获取输入图像中行人对应的前景特征作为第二特征，获取输入图像中行人各设定部位水平条区域的特征作为第三特征；将将第二特征与第三特征进行点对点相乘，并与第一特征拼接，得到第四特征；计算第四特征与图像库中各图像对应特征的欧式距离并排序，将排序结果作为重识别结果进行输出。本发明提高了行人重识别的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111783753A
公开(公告)日：2020-10-16
申请号：CN202010918791.1
申请日：2020-09-04
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉和模式识别领域，具体涉及一种基于语义一致水平条和前景修正的行人重识别方法，旨在解决现有的行人重实别方法重实别鲁棒性较差的问题。本发明方法包括：获取待识别的图像，作为输入图像；提取输入图像的特征，作为第一特征；基于第一特征，通过行人重识别模型中的行分类器分别获取输入图像中行人对应的前景特征作为第二特征，获取输入图像中行人各设定部位水平条区域的特征作为第三特征；将将第二特征与第三特征进行点对点相乘，并与第一特征拼接，得到第四特征；计算第四特征与图像库中各图像对应特征的欧式距离并排序，将排序结果作为重识别结果进行输出。本发明提高了行人重识别的鲁棒性。
-
公开(公告)号：CN111738174A
公开(公告)日：2020-10-02
申请号：CN202010592997.X
申请日：2020-06-25
Applicant: 中国科学院自动化研究所 , 中国科学技术信息研究所
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于深度解耦的人体实例解析方法、系统，旨在为了解决漏检和误检影响实例人体解析识别精度的问题，本发明方法包括：获取输入图像中候选区域的实例检测框和特征；所述候选区域为人体实例的候选区域；所述人体实例包括人体整体实例、人体部件实例；基于所述候选区域的特征，获取候选区域对应实例的实例掩模和实例特征；基于各候选区域对应的实例检测框、实例掩模、实例特征，通过层级式聚类算法进行人体整体-人体部件关联聚类，获取人体实例解析结果。本发明可以提升实例人体解析的识别精度并减少人体实例的漏检和误检。
-
公开(公告)号：CN107038448A
公开(公告)日：2017-08-11
申请号：CN201710116891.0
申请日：2017-03-01
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种目标检测模型构建方法，包括以下步骤：步骤1，选取包含有待检测目标的图片，对各待检测目标在图片中的进行位置标注，记录各待检测目标的坐标信息构成目标检测定位数据集；所述位置标注为在所述图片中绘制包含各待检测目标的最小矩形框；所述目标检测定位数据集中各待检测目标的坐标信息为各最小矩形框的左上角坐标信息和右下角坐标信息；步骤2，根据所述目标检测定位数据集对深度卷积神经网络进行训练；步骤3，输出训练完成后的目标检测模型。本发明中，有效地提升了对目标检测的准确度。
-
公开(公告)号：CN103902730A
公开(公告)日：2014-07-02
申请号：CN201410150911.2
申请日：2014-04-15
Applicant: 中国科学院自动化研究所
CPC classification number: G06T3/0093 , G06T3/20 , G06T3/40
Abstract: 本发明公开了一种缩略图生成方法和系统，通过联合使用裁切、扭曲、缩放三种图像处理策略生成缩略图，发挥了不同策略的优势，并使其互相补充，使图像中的重要区域在缩略图中得到准确、完整、充分的显示，在缩略图的有限空间中实现了重要信息的最大化保留。本发明将以上三种图像处理策略通过一次统一的最优化过程实现，同时具有较少的时间开销。
-
公开(公告)号：CN102256065A
公开(公告)日：2011-11-23
申请号：CN201110208090.X
申请日：2011-07-25
Applicant: 中国科学院自动化研究所
Abstract: 一种基于视频监控网络的视频自动浓缩方法，其是从两个具有重叠区域的摄像机获得第一视频源和第二视频源并对运动目标分割和跟踪，提取背景图像和视频监控网络运动轨迹；根据背景图像生成基于视频监控网络的全景图像，得到两个摄像机各自对应于全景图像的投影矩阵并实时更新基于视频监控网络背景的全景图像；利用两个摄像机全景图像的投影矩阵，把轨迹投影到全景图像空间得到投影轨迹；采用图匹配，基于随机游走思想对两个摄像机的视频源的投影轨迹匹配，得到匹配轨迹对，对重叠区域的匹配轨迹进行选择和融合，得到完整的大场景轨迹；对大场景轨迹按时间重新排列，在全景图像上对完整的大场景轨迹进行展现，得到基于全景图像的视频浓缩。
-
-
-
-
-
-
-
-
-
Search Results
190
records
(took 0.036 seconds)
