-
公开(公告)号：CN113283283A
公开(公告)日：2021-08-20
申请号：CN202110293552.6
申请日：2021-03-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于掩码指导的特征净化视频目标分割方法，属于特征学习和图像目标分割技术领域。该方法首先构造训练数据集。使用编码器得到嵌入特征，将嵌入特征输入前向预测解码器生成前向预测掩码。随后使用前向预测编码与嵌入特征对输入进行掩码平均池化操作，得到全局目标特征。将其通过注意力传播操作得到经过前景增强后的嵌入特征并与嵌入特征进行拼接后，输入反馈解码器生成反馈重估计预测掩码。通过融合得到目标分割结果。本发明保证有意义信息能够输入到解码器中而无用信息被过滤，克服了中层特征忽视语意内容这一缺陷，使神经网络提取的特征在视频目标分割任务上取得了更加优秀的效果。
-
公开(公告)号：CN113283438B
公开(公告)日：2024-03-29
申请号：CN202110322786.9
申请日：2021-03-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多源显著性和时空榜样适配的弱监督视频目标分割方法，属于特征学习和视频目标分割技术领域。该方法首先提取当前视频帧的空间显著性掩码和时间显著性掩码。训练多源显著融合网络对两者进行融合，得到时空显著掩码。随后计算时空契合度并将其进行排序；选择前N个时空契合度结果对应的视频帧作为时空榜样信息。将时空显著掩码作为分割目标伪标签，时空榜样结果作为适配目标，协同优化分割损失和时空榜样适配损失训练目标分割网络。本发明以学习的方法有效融合时空显著性先验知识，通过榜样适配机制提供可靠指导信息，使神经网络学习到相同类别视频中的一致性目标特征，在弱监督视频目标分割任务上取得了更加优秀的效果。
-
公开(公告)号：CN111598155A
公开(公告)日：2020-08-28
申请号：CN202010405216.1
申请日：2020-05-13
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于深度学习的细粒度图像弱监督目标定位方法，用于解决仅使用易于收集的弱监督的语言描述信息来识别和定位细粒度图像的问题。本发明直接在图像的像素级别上和语言描述的word进行模态间的细粒度语义对齐。把图像输入到卷积神经网络中提取特征向量,同时对语言描述进行编码，提取出语言描述的特征向量。将卷积特征图和语言描述特征向量进行特征匹配，并对特征匹配图进行处理，得到目标的显著图，根据特征匹配图得到最终定位的结果。本发明在不需要强监督的标注边界框的情况下，解决了细粒度图像的弱监督目标定位。
-
公开(公告)号：CN107122809B
公开(公告)日：2020-04-28
申请号：CN201710271606.2
申请日：2017-04-24
Applicant: 北京工业大学
IPC: G06K9/66 , G06K9/46 , G06N3/08 , G06F16/583
Abstract: 本发明公开了基于图像自编码的神经网络特征学习方法，属于特征学习和图像检索技术领域。首先通过多标签图像数据集的分割标签构造训练图像集对应的分割训练图像集，然后初始化卷积神经网络和自编码神经网络的权重，使用随机梯度下降法训练自编码神经网络，提取每张训练样本对应的分割图像的隐含变量并进行归一化。随后，使用该隐含变量作为训练集原始图像对应的训练目标，训练卷积神经网络，并提取测试集合图像库中的每幅图像对应的特征向量，通过计算查询图像和图像库中每幅图像的特征向量间的欧式距离，并将距离按从小到大的顺序排列，得到相似图像检索结果。本发明使训练出的神经网络提取的特征在多标签检索任务上取得了更加优秀的检索效果。
-
Patent Agency Ranking
公开(公告)号：CN113283283B
公开(公告)日：2024-08-20
申请号：CN202110293552.6
申请日：2021-03-18
Applicant: 北京工业大学
IPC: G06V20/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于掩码指导的特征净化视频目标分割方法，属于特征学习和图像目标分割技术领域。该方法首先构造训练数据集。使用编码器得到嵌入特征，将嵌入特征输入前向预测解码器生成前向预测掩码。随后使用前向预测编码与嵌入特征对输入进行掩码平均池化操作，得到全局目标特征。将其通过注意力传播操作得到经过前景增强后的嵌入特征并与嵌入特征进行拼接后，输入反馈解码器生成反馈重估计预测掩码。通过融合得到目标分割结果。本发明保证有意义信息能够输入到解码器中而无用信息被过滤，克服了中层特征忽视语意内容这一缺陷，使神经网络提取的特征在视频目标分割任务上取得了更加优秀的效果。
-
公开(公告)号：CN107122809A
公开(公告)日：2017-09-01
申请号：CN201710271606.2
申请日：2017-04-24
Applicant: 北京工业大学
Abstract: 本发明公开了基于图像自编码的神经网络特征学习方法，属于特征学习和图像检索技术领域。首先通过多标签图像数据集的分割标签构造训练图像集对应的分割训练图像集，然后初始化卷积神经网络和自编码神经网络的权重，使用随机梯度下降法训练自编码神经网络，提取每张训练样本对应的分割图像的隐含变量并进行归一化。随后，使用该隐含变量作为训练集原始图像对应的训练目标，训练卷积神经网络，并提取测试集合图像库中的每幅图像对应的特征向量，通过计算查询图像和图像库中每幅图像的特征向量间的欧式距离，并将距离按从小到大的顺序排列，得到相似图像检索结果。本发明使训练出的神经网络提取的特征在多标签检索任务上取得了更加优秀的检索效果。
-
公开(公告)号：CN113269021B
公开(公告)日：2024-03-01
申请号：CN202110293554.5
申请日：2021-03-18
Applicant: 北京工业大学
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06N3/02 , G06N3/084
Abstract: 本发明公开了一种基于局部全局记忆机制的非监督视频目标分割方法，属于特征学习和视频目标分割技术领域。该方法首先提取一对相同视频的嵌入特征。然后选择该视频中的全局记忆候选帧，提取全局记忆候选特征。每个全局记忆候选特征对应图卷积网络对应的每个节点，增强后的全局记忆特征表达。通过局部记忆模块提取一对帧之间的互注意力信息，交替看作注意力机制中的目标和查找角色来互注意增强。最后经过解码器得到预测的目标掩码，使用交叉熵损失计算损失并更新整个模型从而得到最终分割网络。本发明同时考虑局部和全局记忆机制，同时获得可靠的短时与长时的视频帧间相关性信息，从而实现非监督视频目标分割。
-
公开(公告)号：CN113283438A
公开(公告)日：2021-08-20
申请号：CN202110322786.9
申请日：2021-03-25
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多源显著性和时空榜样适配的弱监督视频目标分割方法，属于特征学习和视频目标分割技术领域。该方法首先提取当前视频帧的空间显著性掩码和时间显著性掩码。训练多源显著融合网络对两者进行融合，得到时空显著掩码。随后计算时空契合度并将其进行排序；选择前N个时空契合度结果对应的视频帧作为时空榜样信息。将时空显著掩码作为分割目标伪标签，时空榜样结果作为适配目标，协同优化分割损失和时空榜样适配损失训练目标分割网络。本发明以学习的方法有效融合时空显著性先验知识，通过榜样适配机制提供可靠指导信息，使神经网络学习到相同类别视频中的一致性目标特征，在弱监督视频目标分割任务上取得了更加优秀的效果。
-
公开(公告)号：CN113269021A
公开(公告)日：2021-08-17
申请号：CN202110293554.5
申请日：2021-03-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于局部全局记忆机制的非监督视频目标分割方法，属于特征学习和视频目标分割技术领域。该方法首先提取一对相同视频的嵌入特征。然后选择该视频中的全局记忆候选帧，提取全局记忆候选特征。每个全局记忆候选特征对应图卷积网络对应的每个节点，增强后的全局记忆特征表达。通过局部记忆模块提取一对帧之间的互注意力信息，交替看作注意力机制中的目标和查找角色来互注意增强。最后经过解码器得到预测的目标掩码，使用交叉熵损失计算损失并更新整个模型从而得到最终分割网络。本发明同时考虑局部和全局记忆机制，同时获得可靠的短时与长时的视频帧间相关性信息，从而实现非监督视频目标分割。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
