-
公开(公告)号：CN110503053A
公开(公告)日：2019-11-26
申请号：CN201910794952.8
申请日：2019-08-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于循环卷积神经网络的人体动作识别方法，属于图像分类、模式识别与机器学习领域，解决因动作类别内部以及类别之间的变化或视频是由连续帧组成会造成人体动作识别精度低等问题。本发明构建数据集，即从公开数据集中随机选择长度相同的序列对，各序列中的每帧包括RGB图像和光流图像；构建孪生网络，孪生网络中的各网络依次包括CNN层、RNN层和Temporal Pooling层；构建“识别-验证”联合损失函数；基于数据集训练构建好的深度卷积神经网络和“识别-验证”联合损失函数；基于待识别的人体动作序列对，依次经过训练好的深度卷积神经网络和训练好的“识别-验证”联合损失函数，得到序列对的动作类别识别结果。本发明用于图像中的人体动作识别。
-
公开(公告)号：CN110490136A
公开(公告)日：2019-11-22
申请号：CN201910769040.5
申请日：2019-08-20
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于知识蒸馏的人体行为预测方法。属于人体行为预测领域，具体涉及一种基于知识蒸馏的人体行为预测方法。解决了现有技术中人体行为预测难度的增大，从而引起人体行为预测准确率低的问题。本发明的技术方案：对已知人体行为数据集中的视频逐个分成一段完整视频和一段部分视频，并分别对其进行提取视频图像帧的操作，再对得到的视频图像帧进行数据处理，并按照部分观测率的不同将视频分成完整视频图像帧以及部分视频图像帧集合，接着引入教师网络和学生网络，最后通过引入知识蒸馏以来对教师网络和学生网络进行学习，从而能对部分视频的行为进行识别和预测。本发明可以有效提高人体行为预测的准确率。
-
公开(公告)号：CN110188733A
公开(公告)日：2019-08-30
申请号：CN201910495687.3
申请日：2019-06-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于3D区域卷积神经网络的时序行为检测方法及系统，该方法包括：采用3D ConvNet提取待检测视频的时空特征，得到时空特征图；采用时序片段提名子网络为时空特征图的每个时间点生成K个尺度的候选片段，并预测候选片段的置信度得分；采用Soft-NMS对候选片段的得分进行调整；对各候选片段提取相同大小的池化特征片段；将池化特征片段输入分类层，得到所述待检测视频中的背景片段、行为片段以及所述行为片段所属的行为类型；将行为片段输入回归层对行为片段进行边界回归修正。本发明具有对时序行为检测精度高的特点。
-
公开(公告)号：CN109087298A
公开(公告)日：2018-12-25
申请号：CN201810941074.3
申请日：2018-08-17
Applicant: 电子科技大学
CPC classification number: G06T7/0012 , G06K9/6267 , G06T2207/10088 , G06T2207/20081 , G06T2207/30016
Abstract: 本发明公开了一种阿尔兹海默病MRI图像的分类方法。发明使用度量学习的思想构造损失函数并用于训练一组卷积神经网络。一方面，对于每一个3D数据在Axial、Sagittal、coronal三个方向上得到多个2D形式切片，同时输入到一组卷积神经网络中，既在一定程度上保留了3D的数据信息，又避免了使用3D卷积神经网络难以找到合适的数据集进行预训练而过拟合严重的问题；另一方面，以度量学习的思想构造损失函数训练得到的深度学习模型提取出的特征更具有可分性。最终可以得到更好的分类结果。
-
公开(公告)号：CN105513093B
公开(公告)日：2018-02-16
申请号：CN201510916027.X
申请日：2015-12-10
Applicant: 电子科技大学
IPC: G06T7/246
Abstract: 本发明公开了一种基于低秩矩阵表示的目标跟踪方法，属于图像处理技术领域，解决了传统方法中在目标遮挡等条件下跟踪不稳定的问题。本发明不仅对全局特征进行低秩矩阵表示，也对跟踪目标的局部特征进行低秩矩阵表示，从而使得对目标的描述不仅包含了全局特征也包含了局部特征，使得对目标的跟踪具有更好的鲁棒性。不同于稀疏表示对粒子单独进行处理的方法，本发明利用了粒子间的相似性，将各粒子的系数向量组成系数矩阵，并对系数矩阵加了秩最小的限制，从而降低了算法的运算量。而为了抑制目标跟踪过程中的漂移现象，本发明还纳入了与目标距离较远的背景模板，通过寻找背景模板系数尽可能小的目标模板尽可能大的目标，达到更好的跟踪效果。
-
Patent Agency Ranking
公开(公告)号：CN107506797A
公开(公告)日：2017-12-22
申请号：CN201710739140.4
申请日：2017-08-25
Applicant: 电子科技大学
CPC classification number: G06K9/6256 , G06K2209/05 , G06N3/084
Abstract: 本发明公开了一种基于深度神经网络和多模态影像阿尔兹海默病分类方法，以判别阿尔兹海默病的N种类别的影像的2D和3D形式作为输入层，以分类结果的概率作为输出层，构建深度神经网络；对N种已知类别的影像进行预处理，得到训练样本；利用训练样本对所述深度神经网络进行训练，优化网络连接权重，得到最终的深度神经网络；将预处理后待分类的影像输入所述最终的深度神经网络，输出分类结果；为了充分发掘AD患者脑部特征信息，本发明在传统使用单一模态的医学图像进行分类的基础上，引入多模态影像信息MRI图像、PET图像和DTI图像，同时融合了非影像特征CSF信息和基因信息。
-
公开(公告)号：CN106780380A
公开(公告)日：2017-05-31
申请号：CN201611129460.X
申请日：2016-12-09
Applicant: 电子科技大学
CPC classification number: G06T5/003 , G06T2207/10024 , G06T2207/20036
Abstract: 本发明公开了一种图像去雾方法及系统。该方法包括：获取包含天空区域的有雾图像；确定所述有雾图像中的天空区域；建立大气散射模型；根据所述天空区域占整个所述有雾图像的比例确定所述大气散射模型中的大气光值，所述大气光值为无穷远处的大气光强度；根据所述大气散射模型确定所述有雾图像的透射率；获取所述有雾图像的观测强度。本发明提供的方法及系统能够对有雾图像中的天空区域进行很好的去雾处理，而且，具有图像的还原精度高、去雾复杂率低、处理速度快的特点。
-
公开(公告)号：CN103414921B
公开(公告)日：2016-12-28
申请号：CN201310347317.8
申请日：2013-08-12
Applicant: 电子科技大学
IPC: H04N21/254 , H04N21/266 , H04N21/63 , H04N21/65 , H04N21/6587
Abstract: 本发明提供了一种分布式的IPTV多终端视频切换业务的建立方法，其属于工程应用领域，包括以下步骤：S1.用户鉴权，根据不同终端特点选择不同的应用服务；S2.利用分布式特点来应用不同的点播策略；S3.对视频服务器组进行负载均衡；S4.与对应服务器建立直接连接进行流媒体传输。本发明利用分布式式特点，按照功能需求将应用程序和数据信息进行合理的拆分，然后分别作为独立功能实体分别置于不同的服务器中，最后通过这些服务器之间的共同协作来完成业务功能；能有效地避免应用程序与数据信息、应用程序与应用程序之间的相互影响，整个资源模块都只会为接口功能服务，所以不会造成资源紧张和响应延迟，并能对出错部位进行精确的定位。
-
公开(公告)号：CN104182936A
公开(公告)日：2014-12-03
申请号：CN201410398996.6
申请日：2014-08-14
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于隐式低秩近似的背景减除算法，属于模式识别与计算机视觉领域，解决了传统方法低秩近似求解背景部分对噪声、遮挡等鲁棒性较差的问题。本发明结合视频帧中的背景部分变化较小的特点，将其分割问题转换成低秩矩阵的求解问题；其次，结合隐式数据构成的隐式矩阵作为字典，得到低秩约束条件下的最优化求解函数；然后考虑噪声因素，通过添加正则项的形式，并对新得到的最优化函数进行松弛运算，得到易于求解的凸优化函数；最后，利用InexactALM算法来迭代求解背景矩阵，达到背景减除的目的。本发明与LRR算法相比，字典的选择更加合理，具有更好的鲁棒性，也有更好的抗噪性能。
-
公开(公告)号：CN103414921A
公开(公告)日：2013-11-27
申请号：CN201310347317.8
申请日：2013-08-12
Applicant: 电子科技大学
IPC: H04N21/254 , H04N21/266 , H04N21/63 , H04N21/65 , H04N21/6587
Abstract: 本发明提供了一种分布式的IPTV多终端视频切换业务的建立方法，其属于工程应用领域，包括以下步骤：S1.用户鉴权，根据不同终端特点选择不同的应用服务；S2.利用分布式特点来应用不同的点播策略；S3.对视频服务器组进行负载均衡；S4.与对应服务器建立直接连接进行流媒体传输。本发明利用分布式式特点，按照功能需求将应用程序和数据信息进行合理的拆分，然后分别作为独立功能实体分别置于不同的服务器中，最后通过这些服务器之间的共同协作来完成业务功能；能有效地避免应用程序与数据信息、应用程序与应用程序之间的相互影响，整个资源模块都只会为接口功能服务，所以不会造成资源紧张和响应延迟，并能对出错部位进行精确的定位。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.031 seconds)
