-
Patent Agency Ranking
公开(公告)号：CN112926502A
公开(公告)日：2021-06-08
申请号：CN202110307024.1
申请日：2021-03-23
Applicant: 南京邮电大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于核化双群稀疏学习的微表情识别方法及系统，该方法主要包括：(1)从微表情数据集样本中分别提取两组不同类型的特征向量，构建相应的特征矩阵；(2)对每个特征向量赋予一个权重，构建核化双群稀疏学习模型，用于学习每个特征向量的权重；(3)求解核化双群稀疏学习模型，得到每个特征向量的权重；(4)对于输入的测试视频，提取两组不同类型的特征，并将权重高于阈值的特征向量拼接在一起作为微表情特征向量；(5)使用分类器对微表情特征向量进行分类，得到微表情类别。本发明利用微表情数据集中的训练样本学习每个特征向量的权重，从两组不同特征中自动筛选出最优特征向量用于微表情识别，能够有效提升识别准确率。
-
公开(公告)号：CN112926502B
公开(公告)日：2022-07-29
申请号：CN202110307024.1
申请日：2021-03-23
Applicant: 南京邮电大学
IPC: G06V40/16 , G06V10/764
Abstract: 本发明公开了一种基于核化双群稀疏学习的微表情识别方法及系统，该方法主要包括：(1)从微表情数据集样本中分别提取两组不同类型的特征向量，构建相应的特征矩阵；(2)对每个特征向量赋予一个权重，构建核化双群稀疏学习模型，用于学习每个特征向量的权重；(3)求解核化双群稀疏学习模型，得到每个特征向量的权重；(4)对于输入的测试视频，提取两组不同类型的特征，并将权重高于阈值的特征向量拼接在一起作为微表情特征向量；(5)使用分类器对微表情特征向量进行分类，得到微表情类别。本发明利用微表情数据集中的训练样本学习每个特征向量的权重，从两组不同特征中自动筛选出最优特征向量用于微表情识别，能够有效提升识别准确率。
-
公开(公告)号：CN109903236B
公开(公告)日：2020-12-18
申请号：CN201910055717.9
申请日：2019-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于VAE‑GAN与相似块搜索的人脸图像修复方法及装置，该方法主要包括：(1)利用人脸图像库样本训练构建的VAE‑GAN网络模型，优化模型中生成器G和鉴别器D的参数；(2)把待修复图像输入到训练好的生成器G中，生成一个待修复区域存在语义信息但模糊的图像M；(3)根据图像M中待修复区域及周围区域的图像块从人脸图像库的图像中搜索相似块Z；(4)用相似块Z中对应于待修复区域的图像块替换M中的待修复区域Ω的图像块，并对修复边界进行融合。本发明方法结合了深度学习方法和传统的相似块搜索方法，同时解决深度学习方法修复结果模糊的问题和传统方法无法修复语义信息的问题。
-
公开(公告)号：CN109903236A
公开(公告)日：2019-06-18
申请号：CN201910055717.9
申请日：2019-01-21
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于VAE-GAN与相似块搜索的人脸图像修复方法及装置，该方法主要包括：(1)利用人脸图像库样本训练构建的VAE-GAN网络模型，优化模型中生成器G和鉴别器D的参数；(2)把待修复图像输入到训练好的生成器G中，生成一个待修复区域存在语义信息但模糊的图像M；(3)根据图像M中待修复区域及周围区域的图像块从人脸图像库的图像中搜索相似块Z；(4)用相似块Z中对应于待修复区域的图像块替换M中的待修复区域Ω的图像块，并对修复边界进行融合。本发明方法结合了深度学习方法和传统的相似块搜索方法，同时解决深度学习方法修复结果模糊的问题和传统方法无法修复语义信息的问题。
-
公开(公告)号：CN120014710A
公开(公告)日：2025-05-16
申请号：CN202510182218.1
申请日：2025-02-18
Applicant: 南京邮电大学
IPC: G06V40/20 , G06V10/774 , G06V20/40 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/42 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于双支路多尺度特征融合的新生儿肢体动作识别方法，通过采集不同肢体动作状态下的新生儿视频，构建新生儿肢体动作视频样本集；构建基于双支路多尺度特征融合的新生儿肢体动作识别模型包括第一支路特征提取网络、第二支路特征提取网络、特征融合模块和分类器；得到新生儿肢体动作识别模型；利用得到的新生儿肢体动作识别模型对新输入的测试视频进行动作识别；该方法使用双支路从不同帧率的视频中提取动作特征，提升对细微动作变化的捕捉能力，并采用多尺度卷积注意力机制聚焦肢体动作的关键特征，有效提高新生儿肢体动作识别的准确率。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
