-
公开(公告)号：CN112381161A
公开(公告)日：2021-02-19
申请号：CN202011296897.9
申请日：2020-11-18
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明涉及一种神经网络训练方法，包括以下步骤：S1、初步训练，对类别数据不均衡的训练样本数据进行深度学习神经网络训练，得到一个初步最佳训练模型；S2、根据该初步最佳训练模型对训练样本数据进行处理；S3、二次训练，用经过S2处理后的数据在该初步最佳训练模型基础上继续迭代训练至神经网络训练模型收敛。该方法利用DBSCAN聚类结果及已有标签，指导神经网络训练过程中每个batch的数据采样，通过类别间数据的均衡性，单类别内部数据特征多样性，提高了算法模型的收敛速度，提高了算法模型泛化性能。
-
公开(公告)号：CN115758148A
公开(公告)日：2023-03-07
申请号：CN202211456763.8
申请日：2022-11-21
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06F18/214 , G06F18/2431 , G06F18/2415 , G06N3/0985
Abstract: 本申请提出了一种利用单标签数据训练多标签模型的方法及装置，该方法包括以下步骤：S1、获取多标签数据集，多标签数据集包括初始正样本、初始负样本以及未标注样本；S2、基于混合模型判断未标注样本是否属于负样本，若属于则将未标注样本视为第一负样本，由第一负样本和初始负样本组成待训练负样本集；S3、基于二值交叉熵损失函数对初始正样本进行增强处理，获得待训练正样本集；以及S4、基于待训练负样本集和待训练正样本集训练神经网络模型，最终获得多标签模型。可以利用单标签数据集来完成多标签分类任务的训练，有效地节约了人工标记成本，在实际项目中可以实现多标签分类任务快速启动，也有利于下一步的模型优化。
-
公开(公告)号：CN110209857B
公开(公告)日：2022-04-22
申请号：CN201910436423.0
申请日：2019-05-23
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种基于神经网络结构搜索的车辆多属性识别方法、装置及存储介质，该方法先基于难以识别的车辆属性选择基准神经网络模型，然后在该基准神经网络模型的基础上，选择前半个网络(包含N/2个单元)作为整个车辆多属性识别网络模型的低层特征提取器，然后，其末端作为分支点，为其他的属性构建识别分支，且采用类似二分法的方法确定网络的结构，通过上述结合神经网络结构搜索技术构建的多分支的车辆多属性识别网络，可以一次识别车辆的多个属性，如型号、颜色等等，提高了识别效率。本发明提出了的两种网络更正机制可以使得生成的多分支的车辆多属性识别网络性能更佳，且在网络构建时效率更高。
-
公开(公告)号：CN114266997A
公开(公告)日：2022-04-01
申请号：CN202111591869.4
申请日：2021-12-23
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明公开一种视频动作识别模型的训练方法、装置、计算设备及存储介质，该方法包括：按预设的采样策略对样本视频进行采样，得到至少两个图片序列，每个所述图片序列包括从所述样本视频采集的按时序排列的多帧图片；通过R(2+1)D网络对所述图片序列进行特征提取，得到所述样本视频的视频序列特征；将所述视频序列特征输入多标签分类模块进行处理得到视频动作分类结果，并基于所述视频动作分类结果计算损失函数；根据所述损失函数的计算结果调整所述R(2+1)D网络和多标签分类模块，得到目标视频动作识别模型。根据本发明实施例可以有效解决动作识别任务同一输入视频多个类别同时出现导致难以归类的问题，而且对较长的视频输入也可以有效识别。
-
公开(公告)号：CN111767808A
公开(公告)日：2020-10-13
申请号：CN202010550038.1
申请日：2020-06-16
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种目标重识别的方法、装置、系统及计算机存储介质，所述方法包括：获取目标图像和待识别图像序列；将所述待识别图像序列和所述目标图像输入训练好的输入目标重识别模型，得到目标重识别结果；其中，所述目标重识别结果包括所述待识别图像序列中与所述目标图像属于同一目标的待识别图像，所述目标重识别模型包括多个阶段网络，至少一个所述阶段网络包括第一残差模块，所述第一残差模块包括实例正则化层、批规范化层和域自适应层。根据本发明的方法、装置、系统及计算机存储介质，通过对目标重识别网络中规范化层的改进，有效提升了目标重识别的识别性能及其域自适应学习能力。
-
Patent Agency Ranking
公开(公告)号：CN116152923A
公开(公告)日：2023-05-23
申请号：CN202310065402.9
申请日：2023-01-13
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/20 , G06V10/62 , G06V20/52 , G06V10/774 , G06V10/82
Abstract: 本发明提出了一种适用于夜间的目标重识别的方法，该方法包括如下步骤：对标准化流模块进行训练；进一步通过标准化流模块进行预处理生成所述低光照训练集Xl；收集并获取训练集，所述训练集包括原始训练集X以及低光照训练集Xl；通过reid网络对所述训练集中的图片样本数据进行特征识别。本发明的技术方案针对夜间图片采集的不利干扰，在正常识别网络之外引入标准化流模块对原始采集图片进行低光照增强，通过该模块有效提高了重识别网络对于低光照图片的识别能力，为实现夜间条件下的目标重识别提供了一种行之有效的技术方案。
-
公开(公告)号：CN111783624B
公开(公告)日：2023-03-24
申请号：CN202010605632.6
申请日：2020-06-29
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种保留平移不变性的行人重识别方法、装置及存储介质，该方法包括：训练步骤，使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型，其中，所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成，或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成；行人重识别步骤，使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。本发明对卷积神经网络的下采样层的结构进行了修改，仅使用平均池化层进行下采样操作，不会破坏整个网络的平移不变性，提高了行人重识别的准确性，且针对修改后的网络结构提出了样本集及损失函数的具体修改方法。
-
公开(公告)号：CN113920540A
公开(公告)日：2022-01-11
申请号：CN202111300499.4
申请日：2021-11-04
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V40/10 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于知识蒸馏的行人重识别方法、装置、设备及存储介质，方法包括：基于训练好的行人重识别模型对待识别的图像数据进行行人重识别，得到行人重识别结果；以及还包括：基于数据训练集和所述数据训练集所对应的预设教师模型集，得到第一输出数据；基于所述数据训练集对神经网络进行训练，得到学生模型以及所述学生模型输出的第二输出数据；基于所述第一输出数据、所述第二输出数据和判别器网络计算所述学生模型的损失函数；调整所述学生模型的模型参数以使所述损失函数最小化，得到所述训练好的行人重识别模型。根据本发明，基于跨域数据集和知识蒸馏的学习方法训练行人重识别模型，从而提高行人重识别的精确度。
-
公开(公告)号：CN111783624A
公开(公告)日：2020-10-16
申请号：CN202010605632.6
申请日：2020-06-29
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提出了一种保留平移不变性的行人重识别方法、装置及存储介质，该方法包括：训练步骤，使用样本集对卷积神经网络模型进行训练获得训练后的卷积神经网络模型，其中，所述神经网络的模型的下采样层由步长为1的最大池化层、步长为2的平均池化层依次连接组成，或者由步长为1的卷积层、ReLU激活函数层和步长为2的平均池化层依次连接组成；行人重识别步骤，使用训练后的卷积神经网络模型对摄像头获取的图像进行行人重识别获得识别结果。本发明对卷积神经网络的下采样层的结构进行了修改，仅使用平均池化层进行下采样操作，不会破坏整个网络的平移不变性，提高了行人重识别的准确性，且针对修改后的网络结构提出了样本集及损失函数的具体修改方法。
-
公开(公告)号：CN110555390A
公开(公告)日：2019-12-10
申请号：CN201910735333.1
申请日：2019-08-09
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种基于半监督训练方式的行人重识别方法、装置及存储介质，该方法包括：基于半监督训练方式使用采集的目标域样本集和开源数据集构建训练样本集，使用所述训练样本集对深度残差网络进行训练得到训练后的深度残差网络模型，对采集的行人图像使用训练后的深度残差网络模型进行识别，得到行人图像的特征值，再根据特征值之间的余弦距离来确定是否为同一个人。本发明生成了虚拟样本，且在生成虚拟样本时构建了平滑函数，使得构建的虚拟样本更加逼真，同时使用DBSCAN聚类算法为虚拟样本添加伪标签，深度神经网络中使用了局部特征和全局特征，采用不同权重组合的联合损失函数，使得训练后的深度神经网络识别准确更加可靠。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.035 seconds)
