-
公开(公告)号：CN113254716B
公开(公告)日：2022-05-24
申请号：CN202110577336.4
申请日：2021-05-26
Applicant: 北京亮亮视野科技有限公司 , 中国科学院自动化研究所
Abstract: 本公开提供了一种视频片段检索方法、装置、电子设备和计算机可读存储介质，涉及视频检索技术领域。其中，视频片段检索方法包括：在候选视频的语义空间中查询查询语句的多个相似语句；基于多个相似语句分别构建图神经网络，得到多个图神经网络；基于检测距离对多个图神经网络进行排序，生成网络序列；将相邻的上一图神经网络的第一知识信息知识迁移至下一图神经网络中，得到对应的节点更新特征和边更新特征；基于节点更新特征得到下一图神经网络进行知识迁移后的第二知识信息，直至得到尾部更新网络；计算尾部更新网络中与相似语句节点相连的边更新特征的置信度；得到视频片段的检索结果。通过本公开的技术方案，有利于提高对视频片段的检索性能。
-
公开(公告)号：CN113254716A
公开(公告)日：2021-08-13
申请号：CN202110577336.4
申请日：2021-05-26
Applicant: 北京亮亮视野科技有限公司 , 中国科学院自动化研究所
Abstract: 本公开提供了一种视频片段检索方法、装置、电子设备和计算机可读存储介质，涉及视频检索技术领域。其中，视频片段检索方法包括：在候选视频的语义空间中查询查询语句的多个相似语句；基于多个相似语句分别构建图神经网络，得到多个图神经网络；基于检测距离对多个图神经网络进行排序，生成网络序列；将相邻的上一图神经网络的第一知识信息知识迁移至下一图神经网络中，得到对应的节点更新特征和边更新特征；基于节点更新特征得到下一图神经网络进行知识迁移后的第二知识信息，直至得到尾部更新网络；计算尾部更新网络中与相似语句节点相连的边更新特征的置信度；得到视频片段的检索结果。通过本公开的技术方案，有利于提高对视频片段的检索性能。
-
公开(公告)号：CN112784918B
公开(公告)日：2023-06-30
申请号：CN202110137847.4
申请日：2021-02-01
Applicant: 中国科学院自动化研究所
Inventor： 王威
IPC: G06V30/19 , G06N3/0464 , G06N3/088
Abstract: 本发明属于大数据分析、模式识别和神经网络技术领域，具体涉及一种基于无监督图表示学习的节点识别方法、系统、装置，旨在解决现有基于图神经网络的节点识别方法需要大量的标签样本，在标注样本较少时，造成图神经网络训练困难以及识别精度较低的问题。本系统方法包括获取待识别的数据，作为输入数据；构建输入数据的图结构，得到图结构数据，并通过训练好的多层图神经网络获取所述图结构数据中各节点的特征表示；基于特征表示，通过预训练的分类器得到图结构数据中各节点所属的类别。本发明减少了样本标注的需求，简化了网络训练的难度，并能在少量标记样本的监督下实现具有较高精度的节点识别。
-
公开(公告)号：CN112818887A
公开(公告)日：2021-05-18
申请号：CN202110180567.1
申请日：2021-02-08
Applicant: 中国科学院自动化研究所
Inventor： 王威
Abstract: 本发明属于计算机视觉、模式识别和神经网络技术领域，具体涉及一种基于无监督学习的人体骨架序列行为识别方法，旨在解决现有行为识别方法在标注数据较少时，训练困难以及识别精度较低的问题。本系统方法包括获取一组待识别的人体骨架序列；组合子序列正、负样本对；提取子序列正、负样本对中各子序列对应的骨架节点的位置坐标序列、速度坐标序列，并对应的正负样本对；提取各位置坐标序列的特征向量、各速度坐标序列的特征向量；串联各子序列的位置坐标序列特征向量、速度坐标序列特征向量；通过分类器得到待识别的人体骨架序列所属的行为类别。本发明简化了训练的难度，并能在少量标记样本的监督下实现较高精度的行为识别。
-
公开(公告)号：CN110210372A
公开(公告)日：2019-09-06
申请号：CN201910454937.9
申请日：2019-05-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算机视觉及模式识别领域，具体涉及了一种基于注意增强图卷积网络的骨架行为识别方法、系统，旨在解决如何有效学习人体骨架数据的时空特征并提升行为识别准确率的问题。本发明方法包括：获取人体骨架序列作为待识别骨架序列；通过训练好的骨架行为识别网络，获取预设行为的概率；选择概率最高的预设行为作为所述待识别骨架序列的预测行为。本发明不仅可以获取具有判别性的空间结构特征和时间动态特征，还可以获取时空之间的关系特征，利用注意机制自适应选择重要的信息，强化关键部位的信息，获取更加鲁棒的表示。
-
Patent Agency Ranking
公开(公告)号：CN105184312B
公开(公告)日：2018-09-25
申请号：CN201510522970.2
申请日：2015-08-24
Applicant: 中国科学院自动化研究所 , 富士通株式会社
Abstract: 本发明公开了一种基于深度学习的文字检测方法及装置。所述方法包括：设计多层卷积神经网络结构，把每一个字符作为一个类别，这样就形成了一个多类别分类问题；采用反向传播算法训练卷积神经网络用以识别单一字符，有监督地最小化该网络的目标函数，得到字符识别模型；最后用前端的特征提取层进行权值初始化，把最后一个全连接层结点数目改为2，使得网络成为一个二分类模型，用文字和非文字样本训练网络。经过以上步骤，一个文字检测分类器就完成了。在测试的时候，把全连接层转化为卷积层，给定一张输入图像，需要先进行多尺度滑动窗口扫描获得文字的概率图，再进行非极大值抑制得到最终的文字区域。
-
公开(公告)号：CN103838836B
公开(公告)日：2016-09-28
申请号：CN201410064933.7
申请日：2014-02-25
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于判别式多模态深度置信网的多模态数据融合方法，该方法包括以下步骤：建立判别式多模态深度置信网；对于多个模态数据对应的深度置信网，利用限制波尔兹曼机，获得深度置信网优化后的网络权重；采用交替优化的策略来最小化判别式多模态玻尔兹曼机的目标函数，获得优化后的玻尔兹曼机权重，得到最终的判别式多模态深度置信网模型；向深度置信网模型输入待融合的多模态数据，得到融合结果。本发明还公开了一种基于判别式多模态深度置信网的多模态数据融合系统。本发明通过在传统多模态深度置信网络中引入有监督的标签信息，判别式的挖掘不同模态数据之间的关联性，从而在大规模多模态数据分类和检索任务中可以保证较高的准确率。
-
公开(公告)号：CN103838836A
公开(公告)日：2014-06-04
申请号：CN201410064933.7
申请日：2014-02-25
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
CPC classification number: G06F17/30533
Abstract: 本发明公开了一种基于判别式多模态深度置信网的多模态数据融合方法，该方法包括以下步骤：建立判别式多模态深度置信网；对于多个模态数据对应的深度置信网，利用限制波尔兹曼机，获得深度置信网优化后的网络权重；采用交替优化的策略来最小化判别式多模态玻尔兹曼机的目标函数，获得优化后的玻尔兹曼机权重，得到最终的判别式多模态深度置信网模型；向深度置信网模型输入待融合的多模态数据，得到融合结果。本发明还公开了一种基于判别式多模态深度置信网的多模态数据融合系统。本发明通过在传统多模态深度置信网络中引入有监督的标签信息，判别式的挖掘不同模态数据之间的关联性，从而在大规模多模态数据分类和检索任务中可以保证较高的准确率。
-
公开(公告)号：CN113705322B
公开(公告)日：2024-05-24
申请号：CN202110655846.9
申请日：2021-06-11
Applicant: 北京易达图灵科技有限公司 , 南京南瑞信息通信科技有限公司 , 中国科学院自动化研究所
IPC: G06V30/32 , G06V10/82 , G06N3/0442 , G06N3/042 , G06N3/08
Abstract: 本发明提供一种基于门限图神经网络的手写汉字识别方法和装置，其中方法包括：确定待识别汉字的汉字节点矩阵以及空间信息关系矩阵；所述汉字节点矩阵中的各汉字节点为所述待识别汉字的书写视频中每一时刻书写位置的坐标；将所述汉字节点矩阵和所述空间信息关系矩阵输入至汉字识别模型中，得到所述汉字识别模型输出的识别结果；其中，所述汉字识别模型用于基于门限图神经网络，提取所述汉字节点矩阵对应的包含图结构信息的汉字特征向量，提取所述汉字特征向量中的时序信息，得到时序特征向量，并基于所述时序特征向量经由瓶颈网络进行手写汉字识别。本发明综合了汉字的空间结构信息和时序信息，提高了手写汉字识别的准确性。
-
公开(公告)号：CN106056043B
公开(公告)日：2019-07-30
申请号：CN201610339756.8
申请日：2016-05-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明提出了一种基于迁移学习的目标动物行为识别方法和装置，即训练数据集中的训练样本包括人的行为样本、非目标动物的行为样本和目标动物的行为样本中的一种或几种的组合，测试数据集为目标动物的行为样本。该发明步骤包括：步骤101，针对训练数据集中的每一个训练样本和测试数据集中的每一测试样本，提取原始特征；步骤102，采用迁移学习中的领域适应学习法将所述原始特征映射到共同空间中，得到新的特征；步骤103，利用所述新的特征训练SVM分类器，得到行为识别模型，同时对所述目标动物行为识别模型进行测试；步骤104，利用所述动物行为识别模型对目标动物的待识别行为进行识别。本发明提出的基于迁移学习的行为识别方法能有效的识别动物的行为。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.077 seconds)
