-
公开(公告)号：CN116563937A
公开(公告)日：2023-08-08
申请号：CN202310106799.1
申请日：2023-02-13
Applicant: 北京工业大学
Abstract: 本发明公开了基于关键帧的多粒度特征学习步态识别方法，该方法对步态序列内的步态轮廓图进行关键帧提取，选择出对识别结果影响大的步态轮廓图，将其组成为关键帧序列。关键帧序列与原步态序列分别进行步态特征的提取，最终融合成识别特征，使得提取的识别特征更具有判别性；在特征提取时关注时序信息，并且将全局特征与局部特征融合。该发明使用交叉熵损失与三元组损失优化识别特征以提高识别的准确率。本发明解决了过去基于序列的步态识别技术在识别时无差别化特征提取、局部特征提取不充分以及时序特征提取不充分的问题。本发明适用于行人的步态识别任务，识别准确率高，算法鲁棒性好。本发明在步态识别领域有着广泛的应用。
-
公开(公告)号：CN114418849A
公开(公告)日：2022-04-29
申请号：CN202210052778.1
申请日：2022-01-18
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于实例空间特征调制和反馈机制的图像超分辨率重构方法，用于解决将低分辨率图像重构成高分辨率图像的问题。首先通过实例空间特征调制器提取低分辨率图像的实例空间特征，并基于提取的特征对低分辨率图像的超分辨率重构特征进行实例空间特征特征，然后将调制后的超分辨率重构特征输入包含投影模块的反馈重构子网进行循环重构，经多次的重构迭代优化后，得到最终的超分辨率重构结果。在超分辨率重构特征中引入实例空间特征并使用循环神经网络进行多次重构迭代优化，不仅会更好地重构低分辨率图像，而且在图像实例的纹理信息方面效果显著，大大地提升了图像重构的效果。
-
公开(公告)号：CN114418849B
公开(公告)日：2025-01-14
申请号：CN202210052778.1
申请日：2022-01-18
Applicant: 北京工业大学
IPC: G06T3/4053 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于实例空间特征调制和反馈机制的图像超分辨率重构方法，用于解决将低分辨率图像重构成高分辨率图像的问题。首先通过实例空间特征调制器提取低分辨率图像的实例空间特征，并基于提取的特征对低分辨率图像的超分辨率重构特征进行实例空间特征特征，然后将调制后的超分辨率重构特征输入包含投影模块的反馈重构子网进行循环重构，经多次的重构迭代优化后，得到最终的超分辨率重构结果。在超分辨率重构特征中引入实例空间特征并使用循环神经网络进行多次重构迭代优化，不仅会更好地重构低分辨率图像，而且在图像实例的纹理信息方面效果显著，大大地提升了图像重构的效果。
-
公开(公告)号：CN117894079A
公开(公告)日：2024-04-16
申请号：CN202410117613.7
申请日：2024-01-26
Applicant: 北京工业大学
IPC: G06V40/20 , G06V20/40 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于长短时序特征增强和关键帧特征提取的小样本动作识别方法，首先通过额外引入图像的近红外模态来缓解可见光图像的局限性得到融合特征；提取视频帧序列不同时间尺度的局部短期时序信息，从而增强模型对于局部短期时序信息的捕获能力；提取视频的全局长期时序信息，减少被遮挡帧对识别的影响；通过比较每帧的特征向量与全局特征向量之间的余弦相关性，将视频帧序列中判别性更强、与动作相关性更大的帧作为关键帧，并提取关键帧特征；将融合特征、长短时序增强特征和关键帧特征在特征维度连接得到动作特征；通过小样本分类器对动作特征进行识别，完成小样本动作识别任务。该方法使用交叉熵损失优化模型以提高识别的准确率。
-
-
-
Search Results
4
records
(took 0.019 seconds)
