-
公开(公告)号：CN108537136B
公开(公告)日：2020-11-20
申请号：CN201810224187.1
申请日：2018-03-19
Applicant: 复旦大学
Abstract: 本发明属于计算机图像识别技术领域，具体为基于姿态归一化图像生成的行人重识别方法。本发明的具体步骤包括：行人平均姿态和属性特征的预测；姿态归一化图像生成模型的构建、训练和测试，生成8张不同姿态的行人图像；行人重识别特征提取网络的构建、训练和测试，得到行人重识别特征；最后行人重识别特征融合，获得待检测行人目标以及所有候选行人目标的特征。本发明方法具有速度快、精确度高、鲁棒性好、泛化能力佳、可扩展性强等优点，非常适用于视频行人监控、视频行人信息检索等实际应用。
-
公开(公告)号：CN109147048A
公开(公告)日：2019-01-04
申请号：CN201810809452.2
申请日：2018-07-23
Applicant: 复旦大学
IPC: G06T17/20
Abstract: 本发明属于三维视觉技术领域，具体为一种利用单张彩色图重建物体三维网格模型的方法。本发明方法包括，对于图像，设计一个多层的全卷积特征网络，用于提取图片不同层次的特征；对于三维网格，设置一个初始椭球，用图神经网络表示，利用图片特征不断对椭球进行形变，以逼近真实形状；同时，设计投影层连接图像端和三维网格端，在此框架下训练一个端到端的神经网络，即给定一张彩色图，输出对应的三维网格模型。该方法具有三维建模结果光滑、完整并且细节丰富的优点，重建精度也得到了有效的提升，非常适合于在虚拟现实、动画游戏、生产制造等产业中的实际应用。
-
公开(公告)号：CN108776807A
公开(公告)日：2018-11-09
申请号：CN201810479296.8
申请日：2018-05-18
Applicant: 复旦大学
Abstract: 本发明属于计算机图像处理技术领域，具体为基于可跳层双支神经网络的图像粗细粒度分类方法。本发明方法包括：收集数据集，包括图像数据和对应的粗类别和细类别标签；构造可跳层双支神经网络，在密集连接的卷积神经网络中加入层级门控模块；对训练样本进行数据增强，训练可跳层双支神经网络；训练一端到端的神经网络，输出分类结果。本发明构建的可跳层双支神经网络可同时解决图像粗粒度和细粒度分类任务。该模型在密集连接的卷积层中加入门控模块，可根据输入动态地选择卷积层的执行；根据样本的难易程度和分类任务的粒度，网络的推断深度是可变的。此种灵活的卷积神经网络有利于提升模型容量和计算效率。
-
公开(公告)号：CN107563279A
公开(公告)日：2018-01-09
申请号：CN201710603212.2
申请日：2017-07-22
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉图像处理技术领域，具体为针对人体属性分类的自适应权重调整的多任务模型训练方法。本发明提出一种新颖的多任务模型，通过引入了一个基于验证误差大小及变化趋势从而更新相应任务权重的算法，在训练过程中自适应动态地调整每个任务的相应权重值。具体步骤包括：（1）人脸以及行人图片的收集和属性类别的标注；（2）构建深度神经网络；（3）训练深度神经网络；（4）利用深度网络模型，进行人体属性预测；本发明方法具有速度快、精确度高、鲁棒性好等优点，非常适用于人体相关的检测、识别、分类等实际应用。
-
公开(公告)号：CN114445584B
公开(公告)日：2025-05-13
申请号：CN202011218797.4
申请日：2020-11-04
Applicant: 复旦大学
IPC: G06T17/20 , G06T3/04 , G06T15/04 , G06N3/042 , G06N3/0455 , G06N3/0464
Abstract: 本发明提供了一种基于彩色点云生成带纹理三维网格模型的方法，其特征在于，包括如下步骤：步骤S1，利用预处理算法对彩色三维点云数据处理；步骤S2，输入三维几何先验深度网络优化；步骤S3，利用三维网格模型展开算法处理得到UV映射关系；步骤S4，基于UV映射关系投影得到稀疏点云坐标二维图像以及稀疏点云色彩二维图像；步骤S5，输入二维几何先验深度网络优化；步骤S6，输入二维纹理先验深度网络得到初代三维网格模型的纹理；步骤S7，将步骤S5的输出输入三维几何先验深度网络中优化；步骤S8，判断是否达到三维网格迭代次数，判断为否时重复步骤S3至步骤S8，判断为是时进入步骤S9；步骤S9，结合当前三维网格模型与纹理得到带纹理三维网格模型。
-
Patent Agency Ranking
公开(公告)号：CN114399515B
公开(公告)日：2024-11-26
申请号：CN202111598303.4
申请日：2021-12-24
Applicant: 复旦大学
Abstract: 本发明涉及一种基于语言描述的类级别目标物6D位姿获取方法及存储介质，其中6D位姿获取方法包括：构建基于语言特征及图像特征的物体二维定位模型；将图片及语言描述输入至二维定位模型，从而根据语言描述生成图片中目标物体的二维定位；将二维定位对深度图像利用相机内参进行反投影以获取目标区域对应的点云数据；构建用于去除背景点云的点云分割模型，将目标区域点云输入点云分割模型以获取目标物体的点云数据；构建用于估计物体在三维空间中位姿的类级别六自由度位姿估计模型，将目标物体点云数据输入至类级别物体位姿估计模型获取目标物体的位姿。与现有技术相比，本发明具有准确性高、实用性强等优点。
-
公开(公告)号：CN114066798B
公开(公告)日：2024-05-14
申请号：CN202010743235.5
申请日：2020-07-29
Applicant: 复旦大学
IPC: G06T7/00 , G16H30/40 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/084
Abstract: 本发明提供一种基于深度学习的脑肿瘤核磁共振影像数据合成方法，其特征在于，包括如下步骤：步骤S1，对收集到的样本图像进行预处理从而消除由于数据来源不同而导致的差异；步骤S2，在与每一个病人相对应的样本图像中标注出脑部的四个区域从而获得标签图，并将获得的标签图作为训练集；步骤S3，构建生成器的神经网络模型；步骤S4，构建鉴别器的神经网络模型以及用于缓存合成图像的图像池；步骤S5，构建损失函数；步骤S6，利用所述训练集对与特定模态相对应的生成器和鉴别器进行模型训练，通过向训练完成后的生成器和鉴别器输入三维的脑部标签图，可以合成对应的脑部核磁共振影像。
-
公开(公告)号：CN113706670B
公开(公告)日：2023-12-08
申请号：CN202110941707.2
申请日：2021-08-17
Applicant: 复旦大学
Abstract: 本发明提供一种生成动态三维人体网格模型序列的方法及装置，用于对三维点云序列进行处理，得到该序列中每一帧点云对应的带有衣服和头发的三维人体网格模型，其特征在于，包括以下步骤：骤S1，对预先获取的包括多个三维人体模型序列的数据集进行预处理得到训练样本；步骤S2，构建三维点云编码器；步骤S3，通过PCA得到预训练的线性层；步骤S4，构建姿态优化网络；步骤S5，构建深度解码网络；步骤S6，构建人体细节重建网络；步骤S7，构建损失函数；步骤S8，基于损失函数对三维模型生成模型进行训练，步骤S9，将单个三维点云序列输入训练完成的三维模型生成模型得到所有时刻对应的带有衣服和头发的人体网格模型序列并输出。
-
公开(公告)号：CN113158815B
公开(公告)日：2023-05-12
申请号：CN202110329192.0
申请日：2021-03-27
Applicant: 复旦大学
IPC: G06V40/10 , G06V20/52 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/088 , G06N3/084
Abstract: 本发明涉及一种无监督行人重识别方法、系统及计算机可读介质，其中无监督行人重识别方法包括：步骤1：基于多尺度卷积神经网络，使用全局特征提取模块和多尺度特征动态融合模块提取图像中的多尺度全局特征；步骤2：基于自注意深度神经网络，使用多注意机制的空间变换网络学习多尺度局部特征，并利用多尺度动态融合模块提取图像中的聚合局部特征；步骤3：构建无监督全局损失函数和局部损失函数；步骤4：训练深度神经网络模型；步骤5：使用训练好的深度神经网络模型，对于一个要识别的行人图像，将其输入到深度神经网络模型，得到预测的其他摄像头下的该行人图像。与现有技术相比，本发明具有识别精度高、算力需求低、计算速度快等优点。
-
公开(公告)号：CN111488760B
公开(公告)日：2023-05-02
申请号：CN201910073611.1
申请日：2019-01-25
Applicant: 复旦大学
IPC: G06V40/10 , G06V10/46 , G06V10/774 , G06V10/762 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种基于深度多示例学习的少样本行人重识别方法，包括三个阶段：网络预训练阶段、数据集扩充阶段、网络微调阶段。行人重识别特征提取子网络预训练之后，利用行人关键点特征区域交换算法进行数据扩充；利用扩充的数据集对行人重识别特征提取子网络和特征聚合子网络进行微调；迭代重复数据集扩充和网络微调，直到特征提取子网络和特征聚合子网络收敛。一旦训练完成，即实现了利用少样本将原始域上的行人重识别模型迁移扩展至目标域上。本发明在给定目标域少量学习样本的前提上，能有效地将行人重识别模型迁移扩展到目标域监控网络中，具有精确度高、鲁棒性好、扩展性佳、可迁移的优点。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.026 seconds)
