-
公开(公告)号：CN109859241B
公开(公告)日：2020-09-18
申请号：CN201910019982.1
申请日：2019-01-09
Applicant: 厦门大学
IPC: G06T7/246
Abstract: 自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法，涉及计算机视觉技术。将弹性网络和时间一致性约束同时引入到相关滤波学习中，能够自适应地选择判别性特征抑制干扰特征，同时，能够将模型的学习与更新结合在一起，能够有效地缓解传统相关滤波器判别性不强以及随时间退化的问题，提高算法对遮挡、形变、旋转以及背景干扰的鲁棒性。通过弹性网络和时间一致性约束，相关滤波器自适应地选择时间上连续的、具有区域特性的判别性特征。推导出的相关滤波学习问题能够通过ADMM求解，仅仅用少数几次迭代就能高效地求解该问题。能够取得较好的性能，精度高，速度快。
-
公开(公告)号：CN111666846A
公开(公告)日：2020-09-15
申请号：CN202010458644.0
申请日：2020-05-27
Applicant: 厦门大学
Abstract: 一种人脸属性识别方法和装置，所述方法包括：准备训练集和测试集；使用训练集中的图片数据训练一个自监督网络，该自监督网络能够识别人脸图片的旋转角度；将自监督网络的结构进行微调使之适用于人脸属性识别任务，并把人脸属性识别网络模型的参数初始化为自监督网络的参数；使用训练集中的图片数据训练一个带有注意力机制的生成式对抗网络，该生成式对抗网络能生成具有目标属性标签的人脸图片；使用训练集中真实的人脸图片和生成式对抗网络生成的人脸图片来微调人脸属性识别网络模型，得到优化后的人脸属性识别网络模型；把测试集中的图片输入至训练好的人脸属性识别网络模型中得到对应的人脸属性识别结果。
-
公开(公告)号：CN107392244B
公开(公告)日：2020-08-28
申请号：CN201710587701.3
申请日：2017-07-18
Applicant: 厦门大学
Abstract: 本发明实施例提供一种基于深度神经网络与级联回归的图像美感增强方法，包括以下步骤:S1，提供尺寸为C0的原始图像，通过级联回归算法进行求解获得最小化目标；S2，通过AVA数据集与CHUKPQ数据集训练深度卷积神经网络的提取图像特征功能；S3，通过深度卷积神经网络提取深度特征xt，并通过深度卷积神经网络的空间金字塔池化层将尺寸为C0原始图像变转化为(2*2+3*3+4*4)*32的特征向量；S4，将提取的深度特征xt应用于随机蕨回归器中，并采用梯度下降方法学习获得基元回归器，通过级联回归器来输出候选结果Cj(1≤j≤4)；不断迭代直到误差不再减小，获得基元回归器的最小化目标函数；S5，将步骤S4中获得的基元回归器与深度特征xt按照迭代的方式进行T次循环，通过多级循环剪切获得最终裁剪图像。
-
公开(公告)号：CN106203395B
公开(公告)日：2020-01-14
申请号：CN201610591877.1
申请日：2016-07-26
Applicant: 厦门大学
Abstract: 基于多任务深度学习的人脸属性识别方法，涉及计算机视觉中的人脸属性识别。准备图像数据集；对图像数据集中的每幅图像逐一进行人脸检测；对所有检测到的人脸进行人脸关键点检测；对检测到的人脸关键点将每幅人脸根据人脸对齐方法，对齐到标准的人脸图像上，构成人脸图像训练集；计算出训练集中的平均人脸图像；构建多任务深度卷积神经网络，把人脸图像训练集中的每幅人脸图像减去平均人脸图像后进行网络参数的训练，得卷积神经网络模型；将待识别的测试图像进行人脸检测和人脸关键点检测，并根据人脸关键点将图像中的人脸对齐到标准的人脸图像上；将标准的人脸图像减去平均人脸图像，并放到构建好的卷积神经网络模型中进行前馈运算操作，即得。
-
公开(公告)号：CN110188817A
公开(公告)日：2019-08-30
申请号：CN201910452356.1
申请日：2019-05-28
Applicant: 厦门大学
Abstract: 一种基于深度学习的实时高性能街景图像语义分割方法。准备街景图像训练、验证和测试数据集；对数据集图像进行下采样，减小图像的分辨率；对现有的轻量级分类网络进行改造作为语义分割的基础特征提取网络；在基础特征提取网络后串联一个鉴别性孔洞空间金字塔池化用于解决语义分割的多尺度问题；将若干个卷积层堆叠，形成浅层的空间信息保存网络；使用特征融合网络将得到的特征图进行融合形成预测结果；将输出图像与数据集中的语义标注图像进行对比，利用反向传播算法进行端到端的训练，得到实时高性能街景图像语义分割网络模型；将待测试的街景图像输入实时高性能街景图像语义分割网络模型中得到街景图像的语义分割结果。
-
Patent Agency Ranking
公开(公告)号：CN110135366A
公开(公告)日：2019-08-16
申请号：CN201910418070.1
申请日：2019-05-20
Applicant: 厦门大学
Abstract: 基于多尺度生成对抗网络的遮挡行人重识别方法，涉及计算机视觉技术。准备行人图像训练集；设计和训练一个多尺度生成对抗网络，该网络包括多尺度生成器和判别器两部分，其中，多尺度生成器能够对随机遮挡区域进行去遮挡操作，生成高质量的重构图；而判别器能够区分输入图像是真实图像还是生成图像；利用训练好的多尺度生成器产生扩充的行人图像训练集；设计和训练一个分类识别网络，该网络用于对输入的行人图像进行身份分类；利用训练好的分类识别网络提取行人图像的特征并进行相似度匹配。
-
公开(公告)号：CN109871867A
公开(公告)日：2019-06-11
申请号：CN201910018055.8
申请日：2019-01-09
Applicant: 厦门大学
Abstract: 一种基于偏好统计的数据表征的模型拟合方法，涉及计算机视觉技术。准备数据集；针对每个点xi，计算该点到M个模型假设的绝对残差；J-Linkage的一致统计分析本质是统计所有的残差值中小于固定阈值的残差；基于非参的核密度估计技术，获得 个有意义的模型假设 得到一个修剪的偏好统计矩阵 分析矩阵 中每一行 的信息内容，然后将内点从离群点区分出来；根据保留下来的内点，分割数据到不同的数据结构里，提出一种新型的基于自适应聚类的模型选取算法。
-
公开(公告)号：CN108960127A
公开(公告)日：2018-12-07
申请号：CN201810696880.9
申请日：2018-06-29
Applicant: 厦门大学
CPC classification number: G06K9/00362 , G06K9/627
Abstract: 基于自适应深度度量学习的遮挡行人重识别方法，涉及计算机视觉技术。首先设计对遮挡鲁棒的卷积神经网络结构，在网络中先提取行人图像的中低层语义特征；然后提取对遮挡鲁棒的局部特征，并联合全局特征，再学习高层语义特征，并且使用自适应近邻的深度度量损失学习对于行人身份变化足够具有判别力的特征，并联合使用分类损失，快速稳定地完成整个网络的更新学习；最后根据训练好的网络模型，对测试图像提取第一个全连接层的输出作为特征表示，并完成后续的特征相似度比较和排序，得到最后的行人重识别结果。有效地提高特征对遮挡的鲁棒性。
-
公开(公告)号：CN108898620A
公开(公告)日：2018-11-27
申请号：CN201810619827.9
申请日：2018-06-14
Applicant: 厦门大学
Abstract: 基于多重孪生神经网络与区域神经网络的目标跟踪方法，涉及计算机视觉技术。通过使用预训练的多重孪生神经网络，将目标跟踪问题转化为可更新的实例检索问题。同时采用预训练的区域神经网络，以解决目标丢失后的重检测问题。首先在大型视觉识别数据库上训练多重孪生神经网络对目标进行实例检索，然后在目标跟踪过程中运用预训练的区域神经网络对丢失目标进行重新检测，进一步辅助获取最终目标的位置，实现实时的目标跟踪。首先在大型视觉识别数据库上训练多重孪生神经网络对目标进行实例检索，然后在目标跟踪过程中运用预训练的区域神经网络对丢失目标进行重新检测，进一步辅助获取最终目标的位置，实现实时的目标跟踪的。
-
公开(公告)号：CN104573731B
公开(公告)日：2018-03-23
申请号：CN201510061852.6
申请日：2015-02-06
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 基于卷积神经网络的快速目标检测方法，涉及计算机视觉技术。首先利用训练集训练出卷积神经网络参数，然后利用扩展图的方式解决最大池化丢失特征的问题并生成判别完备特征图；把卷积神经网络的全连接权重看成线性分类器，采用可能近似学习框架来估计线性分类器在判别完备特征上的泛华误差；根据泛华误差和所期望泛化误差阈值来估算所需线性分类器个数，最后在判别完备特征图上用线性分类器基于平滑窗的方式完成目标检测。显著提高检测效率和目标检测精度。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.023 seconds)
