-
公开(公告)号：CN117115497A
公开(公告)日：2023-11-24
申请号：CN202310076588.8
申请日：2023-01-16
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/774 , G06N20/00
Abstract: 本公开提供了一种类别分类方法、装置、介质及设备，所述方法包括：定义在线类别挖掘数据结构；构构建分类模型，其中，所述分类模型包括：用于特征提取的编码器 和用于将提取到的特征投影到有判别力的表征空间的投影器 基于所述数据结构中用于训练的数据对所述分类模型进行训练；基于所述数据结构中用于测试的数据对训练后的分类模型进行分类测试。本公开的方法与现有技术相比，实现了不依赖辅助信息，面向开放数据，实例级即使预测的未见类别挖掘。在6个常用的分类数据集上验证了本公开所提方法的优越性。
-
公开(公告)号：CN110222217B
公开(公告)日：2021-03-09
申请号：CN201910311956.6
申请日：2019-04-18
IPC: G06F16/583 , G06K9/62
Abstract: 本发明提供了一种基于分段加权的鞋印图像检索方法，包括：步骤一、图像预处理步骤：基于训练后的U‑Net卷积神经网络模型将获取的鞋印现场照片转化成保留鞋印信息的现场二值图；步骤二、特征提取步骤：将现场二值图和鞋样本库中图像拆分成上下两个子图，输入到孪生网络中进行特征提取，得到两个相互独立的子特征；步骤三、特征权重矩阵计算步骤：分别计算两个相互独立的子特征中包含鞋印信息的像素数占比，由此得到该现场二值图的权重矩阵；步骤四、特征融合及相似度度量步骤。本发明解决了如何快速准确的检索鞋样本库中与鞋印现场照片对应的款式的技术问题，综合考虑了现场鞋印噪声影响大，部分信息缺失的特性，提高了鞋印检索准确率。
-
公开(公告)号：CN110807465B
公开(公告)日：2020-06-30
申请号：CN201911072231.2
申请日：2019-11-05
Applicant: 北京邮电大学
Abstract: 本发明一种基于通道损失函数的细粒度图像识别方法，包括下列步骤：特征提取、特征判别性损失函数计算、特征多样性损失函数计算、模型优化损失函数计算，本发明综合考虑了细粒度图像类内差异大，类间差异小，背景噪声影响大等因素的一项，约束属于每个类别的特征图都具有判别性，且具有对应类别的特征，减小了类内的差异性，降低了学习的难度，学习到了更好的判别性特征；约束属于每个类别的特征图均具有多样性，从而增大了类间的差异性，从而取得了良好的效果，易于实际部署，在多个细粒度图像分类任务上起到了明显的效果提升。
-
公开(公告)号：CN110222217A
公开(公告)日：2019-09-10
申请号：CN201910311956.6
申请日：2019-04-18
IPC: G06F16/583 , G06K9/62
Abstract: 本发明提供了一种基于分段加权的鞋印图像检索方法，包括：步骤一、图像预处理步骤：基于训练后的U-Net卷积神经网络模型将获取的鞋印现场照片转化成保留鞋印信息的现场二值图；步骤二、特征提取步骤：将现场二值图和鞋样本库中图像拆分成上下两个子图，输入到孪生网络中进行特征提取，得到两个相互独立的子特征；步骤三、特征权重矩阵计算步骤：分别计算两个相互独立的子特征中包含鞋印信息的像素数占比，由此得到该现场二值图的权重矩阵；步骤四、特征融合及相似度度量步骤。本发明解决了如何快速准确的检索鞋样本库中与鞋印现场照片对应的款式的技术问题，综合考虑了现场鞋印噪声影响大，部分信息缺失的特性，提高了鞋印检索准确率。
-
公开(公告)号：CN119229165A
公开(公告)日：2024-12-31
申请号：CN202411073244.2
申请日：2024-08-06
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 本公开提供一种基于自适应多分辨特征融合的视觉分类方法、装置、电子设备和存储介质，涉及计算机视觉技术领域。上述方法包括：通过分类模型获取图像的初始特征，采用分类模型中基于元学习的自适应池化层，处理初始特征，得到低分辨率图像特征；将初始特征和低分辨率图像特征，输入特征提取器，并执行不同的分类约束任务，分别得到高分辨率分类特征和低分辨率分类特征；在分类模型中，对低分辨率分类特征和高分辨率分类特征进行融合，得到融合特征；将融合特征传入分类模型中的融合分类器，得到图像的视觉分类结果。本公开利用元学习策略得到自适应池化层，可以实现选择与高分辨率特征最互补的低分辨率特征，得到了细粒度图像具有判别力的特征。
-
Patent Agency Ranking
公开(公告)号：CN112132004B
公开(公告)日：2024-06-25
申请号：CN202010992253.7
申请日：2020-09-21
Applicant: 南水北调中线信息科技有限公司 , 北京邮电大学
IPC: G06V40/10 , G06V10/25 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 一种基于多视角特征融合的细粒度图像识别方法，涉及图像处理技术领域，解决现有细粒度图像识别方法忽略了图像的细节信息以及存在图像之间视觉差异的适应能力较差，且引入的损失函数复杂，增加了模型的参数量等问题，包括双线性特征提取步骤，抑制分支学习步骤，同类对比模块学习步骤，中心损失计算步骤以及模型优化损失函数计算步骤；本发明引入抑制分支，通过抑制图像中最显著的区域，迫使网络寻找易混淆类别间微妙的判别性特征。引入同类对比学习模块，将同类样本的特征向量进行融合，增加同一类别下不同图像的交互信息。还引入中心损失函数，最小化特征与对应类中心之间的距离，使学到的特征更具判别性。提升了细粒度图像识别的准确率。
-
公开(公告)号：CN117788878A
公开(公告)日：2024-03-29
申请号：CN202311606846.5
申请日：2023-11-28
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/86 , G06V10/80 , G06V30/19 , G06V10/74
Abstract: 本发明涉及一种多模态模型的训练及图像分类方法和装置，将各目标图像分别对应的可学习的提示词向量，经过多个适配器投影，得到丰富语义的多个文本支持特征向量，丰富了单一文本特征向量的语义表达，更具泛化性与鲁棒性。并基于多个文本特征向量，得到各类别的分类超平面，从而实现图像与文本之间的点对面映射，从而可以使基于各类别的分类超平面进一步确定的损失函数，训练得到最终的提示词向量和多个适配器，使基于训练好的提示词向量进行图像分类时，提高多模态模型的泛化能力，分类准确率更高。基于分类超平面之间的平面夹角确定损失函数，更充分使用特征空间，从而使不同的分类超平面之间的关系更加具有判别性，分类准确率更高。
-
公开(公告)号：CN116563607B
公开(公告)日：2024-09-17
申请号：CN202310382101.9
申请日：2023-04-11
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本申请涉及一种基于跨数据集信息挖掘的细粒度图像识别方法与装置。所述方法包括：获取目标细粒度图像；将目标细粒度图像输入训练好的细粒度图像识别神经网络，其中，细粒度图像识别神经网络包括特征提取模块、空间注意力模块、特征去相关模块、特征汇聚模块、识别模块，特征提取模块、空间注意力模块、特征去相关模块、特征汇聚模块、识别模块均为基于跨数据集信息预先训练的；训练好的细粒度图像识别神经网络输出与目标细粒度图像对应的识别结果。本申请通过基于跨数据集信息预先训练的细粒度图像识别神经网络对目标细粒度图像进行识别，因为训练过程学习到了不同数据集之间的正负迁移，也平衡了跨数据集的正负迁移，从而提升了识别精准度。
-
公开(公告)号：CN115713669B
公开(公告)日：2023-12-05
申请号：CN202211373788.1
申请日：2022-11-04
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于类间关系的图像分类方法、装置、存储介质及终端，方法包括：获取待识别目标图像；将待识别目标图像输入预先训练的图像分类模型中；预先训练的图像分类模型是根据已知图像类别样本和未知图像类别样本训练生成的，已知图像类别样本和未知图像类别样本是根据目标域图像特征对目标域图像数据进行类间关系分离处理生成的；输出待识别目标图像对应的多个类别概率值，根据多个类别概率值确定待识别目标图像的最终类别。由于本申请充分利用了类间关系，能够有效的将未知类别图像从目标域图像数据中分离出来，解决了负向迁移问题，使域自适应技术在开集条件下也能工作，使得未知类别样本特征更具判别力，能高效地识别未知类别的图片。
-
公开(公告)号：CN116563607A
公开(公告)日：2023-08-08
申请号：CN202310382101.9
申请日：2023-04-11
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本申请涉及一种基于跨数据集信息挖掘的细粒度图像识别方法与装置。所述方法包括：获取目标细粒度图像；将目标细粒度图像输入训练好的细粒度图像识别神经网络，其中，细粒度图像识别神经网络包括特征提取模块、空间注意力模块、特征去相关模块、特征汇聚模块、识别模块，特征提取模块、空间注意力模块、特征去相关模块、特征汇聚模块、识别模块均为基于跨数据集信息预先训练的；训练好的细粒度图像识别神经网络输出与目标细粒度图像对应的识别结果。本申请通过基于跨数据集信息预先训练的细粒度图像识别神经网络对目标细粒度图像进行识别，因为训练过程学习到了不同数据集之间的正负迁移，也平衡了跨数据集的正负迁移，从而提升了识别精准度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.025 seconds)
