-
公开(公告)号：CN112950674B
公开(公告)日：2024-03-05
申请号：CN202110257986.0
申请日：2021-03-09
Applicant: 厦门市公安局 , 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提出了一种基于多种识别技术协同的跨摄像头轨迹跟踪方法、装置及存储介质，该方法包括：获取待跟踪目标obj的信息，和空间位置Pos0；设定待解析的监控视频范围region0，所述region0是以空间位置Pos0为圆心，半径为R的范围；使用多种识别技术基于所述待跟踪目标obj的信息和获取的监控视频范围region0内视频数据对待跟踪目标进行协同定位得到定位结果Pos1；通过重复设定步骤和多种识别技术协同定位步骤得到多个定位结果Posn‑1……Posn，将Pos0，Pos1...Posn作为待跟踪目标obj的实时轨迹。本发明通过多种识别技术协同工作，定位准确，跟踪轨迹完整，以视频接力的方式，用少量的硬件设备资源，降低了硬件成本，并提出了具体
-
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：CN112633394B
公开(公告)日：2022-12-16
申请号：CN202011590641.9
申请日：2020-12-29
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明涉及一种智能用户标签确定方法、终端设备及存储介质，该方法包括以下步骤：根据确定用户标签所需的数据来源将用户标签分成简单标签和复杂标签，其中，简单标签只需要结构化数据，复杂标签信息同时存在多模态数据中；简单标签采用单一模态标签确定方法来确定，以及复杂标签采用深度学习算法确定方法来确定。本发明利用多模态数据之间的互补性，并剔除多模态数据间的冗余性，从而能够更准确、更全面确定用户标签和提高用户标签确定方法的泛化性能，更好地推广和应用。
-
公开(公告)号：CN112073731B
公开(公告)日：2022-11-25
申请号：CN202010975416.0
申请日：2020-09-16
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本申请实施例公开了图像解码方法、装置、计算机可读存储介质和电子设备。该方法的一具体实施方式包括：从编码图像数据中获取图像基本信息；基于图像基本信息，创建解码器；对于多个区域图像数据包括的每个区域图像数据，对该区域图像数据执行如下处理步骤：利用解码器对该区域图像数据进行解码，得到解码数据；按照预设处理方式对得到的解码数据进行处理，得到该区域图像数据对应的处理后图像数据；对所得到的各处理后图像数据进行汇总，得到完整图像数据。该实施方式将解码和预处理这两个分离的步骤合并在一起，整个过程只需与内存进行一次交互，从而极大地降低了CPU的计算量。
-
公开(公告)号：CN112215831B
公开(公告)日：2022-08-26
申请号：CN202011133726.4
申请日：2020-10-21
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06T7/00 , G06T7/13 , G06V40/16 , G06V10/774 , G06V10/764 , G06N20/00
Abstract: 本发明给出了一种用于人脸图像质量的评价方法和系统，包括获取模糊图像与待分析人脸图像的相邻像素灰度值的变化值；获取待分析人脸图像中的人脸边界，根据人脸边界获取人脸中心点在待分析人脸图像中的坐标信息以及人脸图像的长和宽，利用坐标信息分别计算获得人脸中心点与待分析人脸图像的中心以及鼻尖与人脸边界的中心点的偏移度、眼睛、嘴角的倾斜度、脸部左右对称度；将上述数据归一化后作为训练数据输入机器学习模型；通过监督学习算法对训练数据进行非线性拟合，利用网格搜索法对机器学习模型进行选择以及参数调优，获取最终人脸图像质量的分析模型。本发明对人眼评价结果有良好的拟合性，能适用于各种硬件平台且耗时少能确保系统实时性。
-
Patent Agency Ranking
公开(公告)号：CN114332558A
公开(公告)日：2022-04-12
申请号：CN202111533167.0
申请日：2021-12-15
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/08 , G06V40/16 , G06K9/62
Abstract: 本发明公开一种多任务神经网络的训练方法、装置、计算设备及存储介质，该方法包括：获取训练数据集，并且对于每个任务随机采集训练数据集中一定数量的图片进行标注；对训练数据集中的图片进行预处理，若图片具有所有任务的标签，采用第一方式得到第一图片，反之采用第一方式和第二方式得到第一图片和第二图片；对于每一任务，如果图片具有该任务的标签，则采用交叉熵方法计算该任务的损失函数，反之则计算对应的第一图片和第二图片在该任务上的KL散度值作为损失函数；根据所有损失函数计算梯度值，并根据梯度值调整预设的多任务神经网络模型。根据本发明实施例可以大大减少训练阶段人力成本和时间成本的投入，提升模型对于多任务的预测泛化能力。
-
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。
-
公开(公告)号：CN110826497B
公开(公告)日：2022-12-02
申请号：CN201911083394.0
申请日：2019-11-07
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V20/40
Abstract: 本发明公开了一种基于最小距离法的车辆排重方法和装置，通过获取视频中的帧图像，通过目标检测算法对每张帧图像进行车辆检测得到包含有完整车辆的矩形框的车辆图像；通过目标跟踪算法生成车辆图像中的车辆ID，并获得车辆ID对应的车辆在帧图像中的车辆图像集合；分别计算车辆图像集合中的每张车辆图像的矩形框的距离指数，并将计算得到的最小距离指数所对应的车辆图像标记为车辆排重图像。本申请的实施例提出的车辆排重方法和装置能够有效减少重复的车辆数据，减少车辆信息提取后端负载，大大提升系统性能。
-
公开(公告)号：CN110288085B
公开(公告)日：2022-06-03
申请号：CN201910538093.6
申请日：2019-06-20
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06N3/04
Abstract: 本发明提供了一种数据处理方法、装置、系统及存储介质，方法包括：获取待处理数据；对待处理数据进行特征提取，得到待处理数据的数据特征；将数据特征输入训练好的数据处理模型，得到数据处理结果；其中，数据处理模型的训练包括：在训练数据中选取数量类别的训练样本；将数量类别的类别权重输入神经网络的对应类别的层；采用训练样本训练神经网络，得到数量类别的新类别权重；重复上述步骤,且当神经网络模型满足训练条件时停止训练，得到训练好的数据处理模型。根据本发明的方法、装置、系统及存储介质，通过乱序选取固定类别数目的训练样本训练神经网络得到的神经网络模型容易收敛，且准确度高，适于数据处理的应用且优化了数据处理的过程。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.033 seconds)
