-
公开(公告)号：CN111145174B
公开(公告)日：2022-08-09
申请号：CN202010000186.6
申请日：2020-01-02
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于图像语义特征进行点云筛选的3D目标检测方法。包括以下步骤：首先2D语义分割方法对图像数据进行分割得到语义预测。将生成的语义预测通过已知的投影矩阵投影到LIDAR点云空间中，从而使点云中的每一个点都能获得对应图像位置的语义类别属性。我们将车辆、行人、骑车人相关的点从原始点云中提取出来并形成视锥。其次我们将视锥作为深度3D目标检测器的输入，并设计符合视锥特性的损失函数来进行网络训练。本发明设计了基于图像语义特征进行点云筛选的3D目标检测算法，大大减少了3D检测的时间和计算需求。最后我们的方法在3D目标检测的基准数据集KITTI上的表现表明，我们的方法具有很好的实时目标检测性能。
-
公开(公告)号：CN108564121B
公开(公告)日：2022-05-03
申请号：CN201810314788.1
申请日：2018-04-09
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/77 , G06K9/62
Abstract: 本发明揭示了一种基于自编码器的未知类别图像标签预测方法，该方法包括以下步骤：S1步骤：利用图像数据库，该数据库中包括一个源域和一个目标域，通过源域的自编码器，学出一个源域投影矩阵；S2步骤：在源域和样本标签未知的目标域同时使用自编码器，将源域知识迁移学习到目标域，将S1步骤训练出的源域投影矩阵作为迭代算法中目标域投影矩阵的初值，通过迭代算法训练得到目标域中未知类别样本的属性；S3步骤：利用余弦相似性将训练出样本属性进行对比，从而预测得到未知类样本的标签。本发明应用了自编码原理在源域和目标域上同时学习从特征空间到属性空间的投影矩阵，通过迭代可以直接得到目标域样本图像的属性，有效缓解域迁移问题的影响。
-
公开(公告)号：CN111145174A
公开(公告)日：2020-05-12
申请号：CN202010000186.6
申请日：2020-01-02
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于图像语义特征进行点云筛选的3D目标检测方法。包括以下步骤：首先2D语义分割方法对图像数据进行分割得到语义预测。将生成的语义预测通过已知的投影矩阵投影到LIDAR点云空间中，从而使点云中的每一个点都能获得对应图像位置的语义类别属性。我们将车辆、行人、骑车人相关的点从原始点云中提取出来并形成视锥。其次我们将视锥作为深度3D目标检测器的输入，并设计符合视锥特性的损失函数来进行网络训练。本发明设计了基于图像语义特征进行点云筛选的3D目标检测算法，大大减少了3D检测的时间和计算需求。最后我们的方法在3D目标检测的基准数据集KITTI上的表现表明，我们的方法具有很好的实时目标检测性能。
-
公开(公告)号：CN105808723B
公开(公告)日：2019-06-28
申请号：CN201610128827.X
申请日：2016-03-07
Applicant: 南京邮电大学
IPC: G06F16/583 , G06F16/53
Abstract: 本发明公开了基于图片语义和视觉散列的图片检索方法，该方法能同时表征图片语义相似性和视觉相似性的新颖的散列函数。本发明方法包括以下步骤：首先利用图片特性和视觉特性训练语义散列函数；然后，利用最大熵原则，获得紧凑的二进制码；最后，利用函数衰减原理，消除视觉特征的噪声。本发明能满足两方面的一致性：一是能满足散列二进制码和图片语义表示间的一致性，二是能满足散列二进制码和图片视觉表征的一致性。本发明可以方便人们在公共图片库中检索感兴趣的图片，在公共视频库中具有良好的检测性能。
-
公开(公告)号：CN109766863A
公开(公告)日：2019-05-17
申请号：CN201910051451.0
申请日：2019-01-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于局部和稀疏非局部正则的人脸图像超分辨率方法，包括以下步骤：步骤一：获取测试图像和训练样本图像各个像素位置的图像块；步骤二：使用局部PCA字典学习方法，对训练样本图像块使用K均值聚类算法将图像块划分聚类，每个聚类学习一个局部PCA字典；步骤三：对低质量图像块，运用基于局部约束和稀疏非局部双核范数正则算法求解最佳表示系数向量；步骤四：使用最佳表示系数向量在高分辨率字典上合成高分辨率图像块，更新非局部编码系数，将更新后的系数和高分辨率图像块放入步骤三中进行下一次迭代；经过多次迭代更新得到高分辨率图像块；步骤五：输出高分辨率图像。本发明具有提高图像质量的优点。
-
Patent Agency Ranking
公开(公告)号：CN109710512A
公开(公告)日：2019-05-03
申请号：CN201811485235.9
申请日：2018-12-06
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于测地线流核的神经网络软件缺陷预测方法，包括如下步骤：S1、将数据集降维到对应的子空间中，并确定最优的子空间维度；S2、利用数据集降维得到的特征表示构建测地线流；S3、计算测地线流核，根据测地线流核计算得到源数据和目标数据的变换矩阵及特征空间；S4、根据得到的特征空间对神经网络分类器进行训练，最终得到预测结果。本发明将迁移学习中的测地线流核和神经网络分类器相结合，通过将源数据和目标数据投影到具有相同分布的子空间中的方式，解决了不同数据集上的数据分布不同以及数据量大时计算效率低下的问题，进而实现了跨项目的软件缺陷预测。
-
公开(公告)号：CN109117860A
公开(公告)日：2019-01-01
申请号：CN201810677726.7
申请日：2018-06-27
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于子空间投影和字典学习的图像分类方法，首先通过带标签的训练集样本对判别字典进行初始化，然后使用判别字典预测测试样本的类别标签。选出伪标签具有高可信度的测试集样本，并用其与带标签的训练集样本学习一个低维子空间，在这个低维空间上更新判别字典。利用更新得到的判别字典重新对测试集样本进行分类，比较本轮迭代得到的伪标签和上一轮伪标签，将两轮得到的伪标签属性相同的样本称为稳定样本，如果在一轮迭代结束后稳定样本的数量超过了测试集样本数量的百分之八十，则迭代结束，输出该轮得到的伪标签作为分类的结果。与已有的领域自适应图像分类方法相比，本发明的算法能取得更高的分类准确率。
-
公开(公告)号：CN105718885B
公开(公告)日：2018-11-09
申请号：CN201610038361.4
申请日：2016-01-20
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明涉及一种人脸特征点跟踪方法，首先，建立人脸训练样本库，从而消除不同国家的人脸结构差别造成的匹配精度的问题，然后，在测试树莓派平台上，基于人脸训练样本库，分别训练建立人脸形状模型和人脸表观模型，最后，在保证配准的精度的前提下，基于主动表观模型算法，采用快速反向合成算法，减小配准计算过程中的复杂度，加快程序运行的速度，克服了现有技术中的缺陷与不足，能够有效提高人脸的跟踪精度。
-
公开(公告)号：CN108596947A
公开(公告)日：2018-09-28
申请号：CN201810258190.5
申请日：2018-03-27
Applicant: 南京邮电大学
IPC: G06T7/223 , H04N7/18 , H04N13/204 , H04N13/257
Abstract: 本发明公开了一种适用于RGB-D相机的快速目标跟踪方法，属于视频分析及三维点云处理领域。该方法是在传统模板匹配的基础上，利用RGB-D得到的深度信息，将模板匹配得到的二维响应图投影到三维空间，得到三维响应图，通过Parzen窗口方法搜索三维响应图的局部极大值，从而确定物体在三维空间中的位置，而得到的三维位置又能为下一时刻的模板匹配提供精确的尺度信息，从而得到更为准确的跟踪结果。本发明能够用于视频监控、增强现实、机器人视觉导航等领域中，实现对目标实时、准确的追踪。
-
公开(公告)号：CN108564121A
公开(公告)日：2018-09-21
申请号：CN201810314788.1
申请日：2018-04-09
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明揭示了一种基于自编码器的未知类别图像标签预测方法，该方法包括以下步骤：S1步骤：利用图像数据库，该数据库中包括一个源域和一个目标域，通过源域的自编码器，学出一个源域投影矩阵；S2步骤：在源域和样本标签未知的目标域同时使用自编码器，将源域知识迁移学习到目标域，将S1步骤训练出的源域投影矩阵作为迭代算法中目标域投影矩阵的初值，通过迭代算法训练得到目标域中未知类别样本的属性；S3步骤：利用余弦相似性将训练出样本属性进行对比，从而预测得到未知类样本的标签。本发明应用了自编码原理在源域和目标域上同时学习从特征空间到属性空间的投影矩阵，通过迭代可以直接得到目标域样本图像的属性，有效缓解域迁移问题的影响。
-
-
-
-
-
-
-
-
-
Search Results
105
records
(took 0.029 seconds)
