-
公开(公告)号：CN105868789B
公开(公告)日：2019-04-26
申请号：CN201610212736.4
申请日：2016-04-07
Applicant: 厦门大学
Abstract: 一种基于图像区域内聚测度的目标发现方法，涉及计算机视觉技术。提供可快速给出少量的目标建议窗口，使得目标建议窗口内尽可能包含目标的一种基于图像区域内聚测度的目标发现方法。同时解决目标检测和显著性检测问题。提出的图像区域内聚测度的方法还被应用于显著性检测，显著性检测也被作为计算机视觉任务的一项基本任务并广泛被应用于其他计算机视觉任务。
-
公开(公告)号：CN108257148A
公开(公告)日：2018-07-06
申请号：CN201810046395.7
申请日：2018-01-17
Applicant: 厦门大学
Abstract: 特定对象的目标建议窗口生成方法及其在目标跟踪的应用，涉及计算机视觉技术。给定一帧训练视频，将该图像分成三个区域：完全的目标区域，完全的背景区域以及目标和背景的混合区域。对完全的目标区域和完全的背景区域分别计算目标像素和背景像素的概率分布图，更新目标像素和背景像素的概率分布图模型。给定一帧测试视频，利用训练好的概率分布图来预测图像中每个像素属于目标的概率，得到概率响应图。对原图和概率响应图分别提取目标建议窗口，把这些目标建议窗口都作为候选的目标建议窗口。对得到的目标建议窗口基于与对象的相似度进行排序，生成特定对象的目标建议窗口。把特定对象的目标建议窗口作为MDNET的训练样本实现目标跟踪。
-
公开(公告)号：CN105868789A
公开(公告)日：2016-08-17
申请号：CN201610212736.4
申请日：2016-04-07
Applicant: 厦门大学
CPC classification number: G06K9/6218
Abstract: 一种基于图像区域内聚测度的目标发现方法，涉及计算机视觉技术。提供可快速给出少量的目标建议窗口，使得目标建议窗口内尽可能包含目标的一种基于图像区域内聚测度的目标发现方法。同时解决目标检测和显著性检测问题。提出的图像区域内聚测度的方法还被应用于显著性检测，显著性检测也被作为计算机视觉任务的一项基本任务并广泛被应用于其他计算机视觉任务。
-
Patent Agency Ranking
公开(公告)号：CN108257148B
公开(公告)日：2020-09-25
申请号：CN201810046395.7
申请日：2018-01-17
Applicant: 厦门大学
Abstract: 特定对象的目标建议窗口生成方法及其在目标跟踪的应用，涉及计算机视觉技术。给定一帧训练视频，将该图像分成三个区域：完全的目标区域，完全的背景区域以及目标和背景的混合区域。对完全的目标区域和完全的背景区域分别计算目标像素和背景像素的概率分布图，更新目标像素和背景像素的概率分布图模型。给定一帧测试视频，利用训练好的概率分布图来预测图像中每个像素属于目标的概率，得到概率响应图。对原图和概率响应图分别提取目标建议窗口，把这些目标建议窗口都作为候选的目标建议窗口。对得到的目标建议窗口基于与对象的相似度进行排序，生成特定对象的目标建议窗口。把特定对象的目标建议窗口作为MDNET的训练样本实现目标跟踪。
-
公开(公告)号：CN104573731A
公开(公告)日：2015-04-29
申请号：CN201510061852.6
申请日：2015-02-06
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 基于卷积神经网络的快速目标检测方法，涉及计算机视觉技术。首先利用训练集训练出卷积神经网络参数，然后利用扩展图的方式解决最大池化丢失特征的问题并生成判别完备特征图；把卷积神经网络的全连接权重看成线性分类器，采用可能近似学习框架来估计线性分类器在判别完备特征上的泛华误差；根据泛华误差和所期望泛化误差阈值来估算所需线性分类器个数，最后在判别完备特征图上用线性分类器基于平滑窗的方式完成目标检测。显著提高检测效率和目标检测精度。
-
公开(公告)号：CN107392244B
公开(公告)日：2020-08-28
申请号：CN201710587701.3
申请日：2017-07-18
Applicant: 厦门大学
Abstract: 本发明实施例提供一种基于深度神经网络与级联回归的图像美感增强方法，包括以下步骤:S1，提供尺寸为C0的原始图像，通过级联回归算法进行求解获得最小化目标；S2，通过AVA数据集与CHUKPQ数据集训练深度卷积神经网络的提取图像特征功能；S3，通过深度卷积神经网络提取深度特征xt，并通过深度卷积神经网络的空间金字塔池化层将尺寸为C0原始图像变转化为(2*2+3*3+4*4)*32的特征向量；S4，将提取的深度特征xt应用于随机蕨回归器中，并采用梯度下降方法学习获得基元回归器，通过级联回归器来输出候选结果Cj(1≤j≤4)；不断迭代直到误差不再减小，获得基元回归器的最小化目标函数；S5，将步骤S4中获得的基元回归器与深度特征xt按照迭代的方式进行T次循环，通过多级循环剪切获得最终裁剪图像。
-
公开(公告)号：CN104573731B
公开(公告)日：2018-03-23
申请号：CN201510061852.6
申请日：2015-02-06
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 基于卷积神经网络的快速目标检测方法，涉及计算机视觉技术。首先利用训练集训练出卷积神经网络参数，然后利用扩展图的方式解决最大池化丢失特征的问题并生成判别完备特征图；把卷积神经网络的全连接权重看成线性分类器，采用可能近似学习框架来估计线性分类器在判别完备特征上的泛华误差；根据泛华误差和所期望泛化误差阈值来估算所需线性分类器个数，最后在判别完备特征图上用线性分类器基于平滑窗的方式完成目标检测。显著提高检测效率和目标检测精度。
-
公开(公告)号：CN107392244A
公开(公告)日：2017-11-24
申请号：CN201710587701.3
申请日：2017-07-18
Applicant: 厦门大学
Abstract: 本发明实施例提供一种基于深度神经网络与级联回归的图像美感增强方法，包括以下步骤:S1，提供尺寸为C0的原始图像，通过级联回归算法进行求解获得最小化目标；S2，通过AVA数据集与CHUKPQ数据集训练深度卷积神经网络的提取图像特征功能；S3，通过深度卷积神经网络提取深度特征xt，并通过深度卷积神经网络的空间金字塔池化层将尺寸为C0原始图像变转化为(2*2+3*3+4*4)*32的特征向量；S4，将提取的深度特征xt应用于随机蕨回归器中，并采用梯度下降方法学习获得基元回归器，通过级联回归器 来输出候选结果Cj(1≤j≤4)；不断迭代直到误差不再减小，获得基元回归器的最小化目标函数；S5，将步骤S4中获得的基元回归器与深度特征xt按照迭代的方式进行T次循环，通过多级循环剪切获得最终裁剪图像。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
