-
公开(公告)号：CN111967294B
公开(公告)日：2022-05-20
申请号：CN202010583041.3
申请日：2020-06-23
Applicant: 南昌大学
IPC: G06V40/20 , G06V10/762 , G06V10/82 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种无监督跨域自适应的行人重识别方法，该方法包括以下步骤；S1:在源域预训练初始模型；S2利用初始模型提取目标域多粒度特征，生成多粒度特征分组集合,对每个分组集合计算距离矩阵；S3对距离矩阵进行聚类分析，生成簇内点和噪声点,估计簇中样本的硬伪标签；S4根据聚类结果，估计每个样本的软伪标签用以处理噪声点,更新数据集；S5在更新的数据集上重新训练模型，直至模型收敛；S6根据预设的迭代次数，循环步骤2‑5；S7将测试集数据输入模型提取多粒度特征，根据特征相似度得到最终重识别结果；本发明利用源域和目标域，挖掘目标域数据天然相似性，在无标签的目标域上提升模型准确率，降低模型对标签的依赖性。
-
公开(公告)号：CN111967295B
公开(公告)日：2024-02-13
申请号：CN202010584527.9
申请日：2020-06-23
Applicant: 南昌大学
IPC: G06V40/16
Abstract: 一种语义标签挖掘的微表情捕捉方法，该方法包括：首先，对源域S张微表情视频帧图片一一通过脸部配准方法确认脸部器官关键点坐标，再根据其中4个关键点坐标确定一个脸部核心器官的方法进行器官图片划分，表示为R1,R2,R3,…Rn共n个类型的脸部器官。接着，分别提取R1,R2,R3,…Rn器官图片的图像纹理特征，获取对应器官类别的特征集合δ1,δ2,δ3,…,δn。然后，将特征集合分别输入聚类算法并进行形态语义的数据聚类(即形态语义挖掘)，基于聚类质量评估方法获取质量最高的语义库模型，记为f(δ1),f(δ2),f(δ3),…,f(δn)。最后，将目标域视频依据f(δ1),f(δ2),f(δ3),…,f(δn)模型匹配获取对应器官形态变化的核序列特征，将核序列特征输入分类器进行微表情模型M_Model的构建。
-
公开(公告)号：CN111967295A
公开(公告)日：2020-11-20
申请号：CN202010584527.9
申请日：2020-06-23
Applicant: 南昌大学
IPC: G06K9/00
Abstract: 一种语义标签挖掘的微表情捕捉方法，该方法包括：首先，对源域S张微表情视频帧图片一一通过脸部配准方法确认脸部器官关键点坐标，再根据其中4个关键点坐标确定一个脸部核心器官的方法进行器官图片划分，表示为R1,R2,R3,…Rn共n个类型的脸部器官。接着，分别提取R1,R2,R3,…Rn器官图片的图像纹理特征，获取对应器官类别的特征集合δ1,δ2,δ3,…,δn。然后，将特征集合分别输入聚类算法并进行形态语义的数据聚类(即形态语义挖掘)，基于聚类质量评估方法获取质量最高的语义库模型，记为f(δ1),f(δ2),f(δ3),…,f(δn)。最后，将目标域视频依据f(δ1),f(δ2),f(δ3),…,f(δn)模型匹配获取对应器官形态变化的核序列特征，将核序列特征输入分类器进行微表情模型M_Model的构建。
-
公开(公告)号：CN111967294A
公开(公告)日：2020-11-20
申请号：CN202010583041.3
申请日：2020-06-23
Applicant: 南昌大学
Abstract: 本发明公开了一种无监督跨域自适应的行人重识别方法，该方法包括以下步骤；S1:在源域预训练初始模型；S2利用初始模型提取目标域多粒度特征，生成多粒度特征分组集合,对每个分组集合计算距离矩阵；S3对距离矩阵进行聚类分析，生成簇内点和噪声点,估计簇中样本的硬伪标签；S4根据聚类结果，估计每个样本的软伪标签用以处理噪声点,更新数据集；S5在更新的数据集上重新训练模型，直至模型收敛；S6根据预设的迭代次数，循环步骤2-5；S7将测试集数据输入模型提取多粒度特征，根据特征相似度得到最终重识别结果；本发明利用源域和目标域，挖掘目标域数据天然相似性，在无标签的目标域上提升模型准确率，降低模型对标签的依赖性。
-
-
-
Search Results
4
records
(took 0.013 seconds)
