-
公开(公告)号：CN111582058A
公开(公告)日：2020-08-25
申请号：CN202010312001.5
申请日：2020-04-20
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提出了一种使用对抗式3D分层网络进行手部姿态估计的方法及系统，对抗式3D分层网络主要包括两个部分：3D分层预测网络（3DHNet）负责各个关节点的预测，3DHNet相比传统的2D卷积神经网络能够提取到深度图中的关键信息，姿态判别网络（PDNet）负责对输入的手部姿态的合理性进行判断。通过将3DHNet和PDNet进行对抗训练，在对抗训练的过程中，PDNet的目的是尽可能的将预测的手部姿态与真实的手部姿态区分开，而3DHNet的目的则是使预测的结果尽可能地接近真实的手部姿态，来迷惑PDNet，通过这种对抗训练的方式，PDNet以一种自适应的方式为3DHNet的预测结果添加了物理约束，来使得3DHNet的预测结果更加的合理和准确。
-
公开(公告)号：CN111489379A
公开(公告)日：2020-08-04
申请号：CN202010597038.7
申请日：2020-06-28
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提出了一种引入运动学约束的3D网络进行手部姿态估计的方法及系统，包括以下步骤：步骤1、将原始的深度图中定位出的手部区域转化成体素化的输入；步骤2、引入运动学约束的3D手部姿态估计网络；步骤3、评估预测的关节点位置的准确性、并评估预测出的关节点所形成的手部姿态的合理性。该网络以体素化的手部区域作为输入，经过3D卷积神经网络，预测表示关节点概率分布的3D heatmap。heatmap中最大值的位置也就是关节点的位置；利用3D heatmap获得关节点的位置然后根据关节点之间的对应关系计算出骨骼的长度。通过对3D heatmap进行处理，获得各个关节点的坐标以及对应的骨骼长度，从而可以利用修改损失函数的方式对预测的结果添加运动学约束。
-
公开(公告)号：CN111340011A
公开(公告)日：2020-06-26
申请号：CN202010419814.4
申请日：2020-05-18
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提出了一种自适应时序移位神经网络时序行为识别方法及系统，首先采集多个时间点的特征并建模；接着引入自适应时序移位神经网络学习每一层网络所需的感受野；最后训练可学习的移位变量，对骨骼点数据进行修正。本发明能够自适应的学习每一层网络所需的感受野，并且能够自适应的学习每种数据集所需的感受野。自适应时序移位神经网络能够针对不同的数据学习出不同的时间移位向量，从而自适应的适应不同的数据分布。通过本发明提出的时序行为识别方法，能够在提高行为检测精度的同时节省计算资源，这种自适应的学习比普通时间卷积的手工调参更加优越。
-
公开(公告)号：CN111489379B
公开(公告)日：2020-10-02
申请号：CN202010597038.7
申请日：2020-06-28
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提出了一种引入运动学约束的3D网络进行手部姿态估计的方法及系统，包括以下步骤：步骤1、将原始的深度图中定位出的手部区域转化成体素化的输入；步骤2、引入运动学约束的3D手部姿态估计网络；步骤3、评估预测的关节点位置的准确性、并评估预测出的关节点所形成的手部姿态的合理性。该网络以体素化的手部区域作为输入，经过3D卷积神经网络，预测表示关节点概率分布的3D heatmap。heatmap中最大值的位置也就是关节点的位置；利用3D heatmap获得关节点的位置然后根据关节点之间的对应关系计算出骨骼的长度。通过对3D heatmap进行处理，获得各个关节点的坐标以及对应的骨骼长度，从而可以利用修改损失函数的方式对预测的结果添加运动学约束。
-
公开(公告)号：CN111340011B
公开(公告)日：2020-09-11
申请号：CN202010419814.4
申请日：2020-05-18
Applicant: 中国科学院自动化研究所南京人工智能芯片创新研究院 , 中国科学院自动化研究所
Abstract: 本发明提出了一种自适应时序移位神经网络时序行为识别方法，首先采集多个时间点的特征并建模；接着引入自适应时序移位神经网络学习每一层网络所需的感受野；最后训练可学习的移位变量，对骨骼点数据进行修正。本发明能够自适应的学习每一层网络所需的感受野，并且能够自适应的学习每种数据集所需的感受野。自适应时序移位神经网络能够针对不同的数据学习出不同的时间移位向量，从而自适应的适应不同的数据分布。通过本发明提出的时序行为识别方法，能够在提高行为检测精度的同时节省计算资源，这种自适应的学习比普通时间卷积的手工调参更加优越。
-
Patent Agency Ranking
公开(公告)号：CN106127297A
公开(公告)日：2016-11-16
申请号：CN201610387878.4
申请日：2016-06-02
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于张量分解的深度卷积神经网络的加速与压缩方法。其中，所述方法至少包括：步骤1：获取原始深度卷积神经网络；步骤2：对所述原始深度卷积神经网络中各层的权值张量进行张量分解，得到多个低秩子张量；步骤3：用所述多个低秩子张量替换所述原始深度卷积神经网络中各层的权值张量，获得新的深度卷积神经网络。通过本发明实施例，实现了大型深度卷积神经网络的加速与压缩。
-
公开(公告)号：CN103336969B
公开(公告)日：2016-08-24
申请号：CN201310214812.1
申请日：2013-05-31
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于弱监督学习的图像语义解析方法，用以解决在给定大量用户标注图像基础上，将图像分割成一系列具有单一语义的完整区域，同时对各区域实现语义标注的问题。本发明包括：联合谱聚类与判别式聚类的双重聚类方法，对由过分割方法得到的图像子区域进行聚类；同时，利用图像级别标注与图像区域级别标注的对应约束关系，构建以误差最小化为目标的弱监督学习模型，为各图像子区域的聚类集合分配语义标签。此外，通过判别式聚类学习到的多类分类器，可以实现针对没有标签信息图像的语义解析。本发明不仅可以给图像添加语义标签，还可以将标签添加到图像中的对应区域，实现更细粒度的图像语义理解。
-
-
公开(公告)号：CN104081435A
公开(公告)日：2014-10-01
申请号：CN201480000156.8
申请日：2014-04-29
Applicant: 中国科学院自动化研究所
IPC: G06T7/00
CPC classification number: G06K9/4633 , G06F17/30256 , G06F17/30268 , G06F17/30271 , G06K9/4671 , G06K9/6215
Abstract: 本发明涉及一种基于级联二值编码的图像匹配方法，所述方法包括：步骤S1，利用基于多个哈希表的哈希查找方法对图像中的候选特征点进行粗筛选，得到候选特征点的候选子集；步骤S2，将所述候选特征点的候选子集映射到高维汉明空间；步骤S3，建立汉明距离-数据地址的哈希表；查询所述汉明距离-数据地址的哈希表，从而得到最佳匹配特征点。本发明图像匹配方法，处理速度快，效果好，可实现高效和准确的图像匹配。
-
公开(公告)号：CN103390279A
公开(公告)日：2013-11-13
申请号：CN201310316589.1
申请日：2013-07-25
Applicant: 中国科学院自动化研究所
IPC: G06T7/00
Abstract: 本发明公开了一种联合显著性检测与判别式学习的目标前景协同分割方法，包括：步骤1，将图像集中的每幅图像过分割成多个超像素块，并对每个超像素块提取特征；步骤2，将图像集中共有的显著性区域提取出来作为目标前景，而将非显著性区域和具有显著性但不是该图像集中共有的区域作为背景区域，其中采用低秩矩阵分解进行图像的显著性检测，采用逻辑回归来选择共有的显著性区域作为最终的目标。本发明通过低秩矩阵分解可以有效地检测显著性区域，去除背景一致性的影响，而判别式学习可以提取出共有显著性区域。低秩矩阵分解与判别式学习过程在统一的框架下联合优化，两者相互影响，共同提升。最终可以获得共有显著性区域作为目标前景区域。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.028 seconds)
