基于人车部件联合学习的载人电动车再识别方法及系统

    公开(公告)号:CN114266973B

    公开(公告)日:2024-08-09

    申请号:CN202111588195.2

    申请日:2021-12-23

    Applicant: 华侨大学

    Abstract: 本发明提供了一种基于人车部件联合学习的载人电动车再识别方法及系统,所述方法包括:在训练阶段,构建双分支深度学习网络,获取载人电动车图像作为训练图像集对网络进行训练,得到基于人车部件联合学习的载人电动车再识别模型;在测试阶段,使用训练阶段得到的基于人车部件联合学习的载人电动车再识别模型,对查询图像和注册图像集的图像进行特征提取,计算查询图像特征和注册图像特征之间的距离,选取注册图像集中与查询图像距离近的图像,即为载人电动车再识别结果。本发明利用双分支深度学习网络对电动车进行再识别,可有效提高人车识别准确度,并提高整体识别效率,有利于协助交警快速追查电动车肇事者并规范电动车驾驶。

    一种基于级联匹配的快速再辨识方法与快速再辨识系统

    公开(公告)号:CN112668502A

    公开(公告)日:2021-04-16

    申请号:CN202011625617.4

    申请日:2020-12-31

    Applicant: 华侨大学

    Abstract: 本发明涉及一种基于级联匹配的快速再辨识方法与快速再辨识系统,训练阶段构造多级复杂程度递增的级联的深度学习网络,并对各级深度学习网络独立训练,然后各级深度学习网络进行自举微调;测试阶段使用级联深度学习网络逐级对查询图像和注册图像集的图像进行级联匹配,直到历经所有级联深度学习网络,最终得到匹配链表即为基于级联匹配的快速再辨识结果。本发明中,随着深度学习网络级数的增加,对应的深度学习网络所处理的样本组合数量递减。因此,本发明能够有效地实现大规模的行人或车辆再辨识任务的快速执行,有效提升匹配速度,可应用于大规模的行人或车辆再辨识任务的快速执行。

    一种多尺度逐步累加的卷积神经网络学习方法

    公开(公告)号:CN108875906B

    公开(公告)日:2019-06-04

    申请号:CN201810359791.5

    申请日:2018-04-20

    Applicant: 华侨大学

    Abstract: 本发明涉及一种多尺度逐步累加的卷积神经网络学习方法,可广泛应用于机器视觉和人工智能领域,例如目标检测、目标分类、目标识别等。首先,本发明采用均值池化操作对输入图像构建多尺度图像金字塔;然后,将各个不同尺度的图像逐步送入卷积神经网络,让卷积神经网络随着网络深度的逐步深入,能够在多种不同尺度的图像上进行学习并进行特征逐步累加,从提高了而卷积神经网络的特征学习能力。

    基于空间与通道注意力之注意力协同的车辆再辨识方法

    公开(公告)号:CN117333826A

    公开(公告)日:2024-01-02

    申请号:CN202310947820.0

    申请日:2023-07-31

    Applicant: 华侨大学

    Abstract: 由于具有鉴别性的局部组件信息在整车图像中占比很少,且监控场景复杂多变,缺乏明确组件位置信息,因此空间注意力机制易出现细节信息偏移、丢失等问题。为此,本发明提供一种基于空间与通道注意力之注意力协同的车辆再辨识方法,利用对特征映射空间位置不敏感的通道注意力协同空间注意力学习,获得更好的特征学习效果。首先,本发明利用空间注意力机制和通道注意力机制分别从特征映射中学习空间重要性掩码和通道重要性掩码。其次,本发明设计基于注意力子网的空间重要性掩码和通道重要性掩码协同方法,以生成空间‑通道复合重要性掩码,提升车辆再辨识准确性。本发明可广泛应用于智慧城市、智慧交通以及智慧安防中的智能视频监控系统。

    一种基于结构相似度的生成对抗网络的红外图像着色方法

    公开(公告)号:CN112365559B

    公开(公告)日:2022-08-26

    申请号:CN202011305117.2

    申请日:2020-11-19

    Applicant: 华侨大学

    Abstract: 本发明涉及一种基于结构相似度的生成对抗网络的红外图像着色方法,构造一个基于结构相似度的生成对抗网络,包括生成器和鉴别器;鉴别器能够区别图像是来自红外图像域或是来自彩色图像域,对生成器采用基于生成对抗网络的损失函数、基于一范或二范的循环一致损失函数和重构损失函数、基于结构相似度的损失函数,使生成器能够生成色彩逼真且边缘清晰的彩色图像;利用预先采集的红外图像和彩色图像将所提出的基于结构相似度的生成对抗网络训练到收敛条件,所获得的生成器即可实现对红外图像的着色。本发明不仅能保留红外成像在夜间拍摄的优势,也能利于人眼能够更好更快的捕捉到图像中的有用信息,充分发挥图像价值,从而促进夜视成像技术的发展。

    基于人车部件联合学习的载人电动车再识别方法及系统

    公开(公告)号:CN114266973A

    公开(公告)日:2022-04-01

    申请号:CN202111588195.2

    申请日:2021-12-23

    Applicant: 华侨大学

    Abstract: 本发明提供了一种基于人车部件联合学习的载人电动车再识别方法及系统,所述方法包括:在训练阶段,构建双分支深度学习网络,获取载人电动车图像作为训练图像集对网络进行训练,得到基于人车部件联合学习的载人电动车再识别模型;在测试阶段,使用训练阶段得到的基于人车部件联合学习的载人电动车再识别模型,对查询图像和注册图像集的图像进行特征提取,计算查询图像特征和注册图像特征之间的距离,选取注册图像集中与查询图像距离近的图像,即为载人电动车再识别结果。本发明利用双分支深度学习网络对电动车进行再识别,可有效提高人车识别准确度,并提高整体识别效率,有利于协助交警快速追查电动车肇事者并规范电动车驾驶。

    一种基于结构相似度的生成对抗网络的红外图像着色方法

    公开(公告)号:CN112365559A

    公开(公告)日:2021-02-12

    申请号:CN202011305117.2

    申请日:2020-11-19

    Applicant: 华侨大学

    Abstract: 本发明涉及一种基于结构相似度的生成对抗网络的红外图像着色方法,构造一个基于结构相似度的生成对抗网络,包括生成器和鉴别器;鉴别器能够区别图像是来自红外图像域或是来自彩色图像域,对生成器采用基于生成对抗网络的损失函数、基于一范或二范的循环一致损失函数和重构损失函数、基于结构相似度的损失函数,使生成器能够生成色彩逼真且边缘清晰的彩色图像;利用预先采集的红外图像和彩色图像将所提出的基于结构相似度的生成对抗网络训练到收敛条件,所获得的生成器即可实现对红外图像的着色。本发明不仅能保留红外成像在夜间拍摄的优势,也能利于人眼能够更好更快的捕捉到图像中的有用信息,充分发挥图像价值,从而促进夜视成像技术的发展。

Patent Agency Ranking