-
公开(公告)号：CN117556349B
公开(公告)日：2024-08-13
申请号：CN202311469150.2
申请日：2023-11-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F18/2431 , G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种不完备多视图不完备多标签分类方法和装置，包括：步骤S1、获取多视图多标签数据训练集及其对应的视图与标签缺失位置信息；步骤S2、将多视图数据训练集及其对应的视图与标签缺失位置信息作为不完备多视图多标签分类深度神经网络模型的输入，根据深度神经网络模型训练损失函数，得到输入数据在深度神经网络模型的总损失；步骤S3、将待处理的多视图数据及其对应的缺失视图位置信息输入到具有所述总损失函数的深度神经网络模型中进行不完备多视图数据的多标签分类。采用本发明的技术方案，以双分支深度神经网络模型作为框架，通过对比学习的方法提升嵌入特征的鉴别能力，进而提升模型在不完备多视图多标签分类任务上的分类性能。
-
公开(公告)号：CN117556349A
公开(公告)日：2024-02-13
申请号：CN202311469150.2
申请日：2023-11-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F18/2431 , G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种不完备多视图不完备多标签分类方法和装置，包括：步骤S1、获取多视图多标签数据训练集及其对应的视图与标签缺失位置信息；步骤S2、将多视图数据训练集及其对应的视图与标签缺失位置信息作为不完备多视图多标签分类深度神经网络模型的输入，根据深度神经网络模型训练损失函数，得到输入数据在深度神经网络模型的总损失；步骤S3、将待处理的多视图数据及其对应的缺失视图位置信息输入到具有所述总损失函数的深度神经网络模型中进行不完备多视图数据的多标签分类。采用本发明的技术方案，以双分支深度神经网络模型作为框架，通过对比学习的方法提升嵌入特征的鉴别能力，进而提升模型在不完备多视图多标签分类任务上的分类性能。
-
公开(公告)号：CN114155379A
公开(公告)日：2022-03-08
申请号：CN202111422856.4
申请日：2021-11-26
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种图像处理方法和装置、计算机设备、计算机可读存储介质。通过对欠采样目标图像和全采样辅助图像进行特征提取处理，以得到欠采样目标特征图和全采样辅助特征图，对欠采样目标特征图进行降维处理得到欠采样目标对比度通道特征，并对全采样辅助特征图进行降维处理得到全采样辅助对比度通道特征，根据欠采样目标对比度通道特征和所述全采样辅助对比度通道特征进行对比度通道特征相似处理，以得到相似对比度通道特征集合；根据相似对比度通道特征集合和所述欠采样目标对比度通道特征进行特征融合，得到融合图像。本发明的融合图像是根据相似对比度通道特征集合和欠采样目标对比度通道特征进行图像重建，保证了图像重建的质量。
-
公开(公告)号：CN114155379B
公开(公告)日：2024-10-22
申请号：CN202111422856.4
申请日：2021-11-26
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种图像处理方法和装置、计算机设备、计算机可读存储介质。通过对欠采样目标图像和全采样辅助图像进行特征提取处理，以得到欠采样目标特征图和全采样辅助特征图，对欠采样目标特征图进行降维处理得到欠采样目标对比度通道特征，并对全采样辅助特征图进行降维处理得到全采样辅助对比度通道特征，根据欠采样目标对比度通道特征和所述全采样辅助对比度通道特征进行对比度通道特征相似处理，以得到相似对比度通道特征集合；根据相似对比度通道特征集合和所述欠采样目标对比度通道特征进行特征融合，得到融合图像。本发明的融合图像是根据相似对比度通道特征集合和欠采样目标对比度通道特征进行图像重建，保证了图像重建的质量。
-
公开(公告)号：CN116108363A
公开(公告)日：2023-05-12
申请号：CN202211622171.9
申请日：2022-12-16
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F18/24 , G06F18/25 , G06F18/214
Abstract: 本发明公开了一种基于标签引导的不完备多视图多标签分类方法、系统及存储介质。方法包括：构建、训练基于标签引导的不完备多视图多标签分类网络模型；将测试数据输入训练好的不完备多视图多标签分类网络模型进行推理，输出预测标签；其中，不完备多视图多标签分类网络模型包括掩码视图感知编码器、自适应加权多视图融合模块、标签引导的样本级图约束模块和子类别感知多标签分类模块。本发明可以充分利用多视图的互补信息，同时提取样本的深层次特征；可自适应地学习每个视图的权重因子；利用标签流形假设指导样本编码，最终在子类嵌入空间中学习相关性以帮助预测标签。此外，本发明适用于视图和标签都不完整的多视图多标签数据。
-
Patent Agency Ranking
公开(公告)号：CN115311483A
公开(公告)日：2022-11-08
申请号：CN202210979979.6
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V10/762 , G06V10/77
Abstract: 本发明公开了一种基于局部结构与平衡感知的不完备多视图聚类方法及系统，包括针对不完备多视图数据的聚类任务，设计基于局部结构与平衡感知的具有概率特性的不完备多视图一致聚类表征学习模型；对给定视图缺失先验位置索引矩阵的不完备多视图数据进行预处理；根据预处理后的数据、基于不完备多视图一致聚类表征学习模型中含有的变量设计基于交替迭代优化的方法求解变量，达到模型优化的目的，利用优化后得到的最优共享一致表征矩阵得到所有样本的聚类结果。本发明方法所设计的模型是一个具有可解释性、高效率、聚类结果稳定的不完备多视图聚类模型。
-
公开(公告)号：CN115994317A
公开(公告)日：2023-04-21
申请号：CN202211593949.8
申请日：2022-12-13
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种基于深度对比学习的不完备多视图多标签分类方法、系统及存储介质。方法包括：构建、训练不完备多视图多标签分类网络模型；将测试数据输入训练好的不完备多视图多标签分类网络模型进行推理，输出预测标签；其中，不完备多视图多标签分类网络模型包括特定视图表示学习框架、不完备实例级对比学习模块和加权融合与不完备多标签分类模块。本发明利用深度神经网络来提取样本的高级语义表示，利用自编码器构建端到端的多视图特征提取框架用以学习样本的表征向量。同时，为进一步地提高模型的表示能力，依据一致性假设引入无监督对比学习指导编码器提取多视图的深层次表示信息，还提出加权融合方法以平衡不同视图的重要性。
-
公开(公告)号：CN114913452A
公开(公告)日：2022-08-16
申请号：CN202210415037.5
申请日：2022-04-20
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V20/40 , G06V40/16 , G06V10/764
Abstract: 本发明公开了一种基于办公场所的违规行为检测系统及方法，系统包括多路视频读取分发模块，用于读取输入的多路视频流并进行预处理，得到监控图像；违规行为检测与判识模块，用于对监控图像进行违规行为检测与判识；违规行为触发与终止判识模块，用于利用时序动态缓冲池存储一定时长单帧监控图像的行为判断结果，根据单帧监控图像的违规行为持续时间是否达到规定的阈值判断是触发违规行为或终止已触发的违规行为；身份识别模块，用于根据人脸与外观特征识别监控图像中的人员身份信息。本发明通过检测和分析接入办公场所的监控摄像头的实时视频画面，判断并记录是否发生违规行为及违规行为人的身份信息，有效监督员工的违规行为，提高工作效率。
-
公开(公告)号：CN116311064A
公开(公告)日：2023-06-23
申请号：CN202310277026.X
申请日：2023-03-10
Applicant: 哈尔滨工业大学(深圳)
IPC: G06V20/52 , G06V20/40 , G06V10/774 , G06V10/764 , G06V10/776
Abstract: 本申请提供了基于时域特征判别的视频异常检测模型的训练方法及装置，获取用于训练视频异常检测模型的样本视频集和样本分数，并依据样本视频集确定样本视频集对应的视频特征；其中，所述样本视频集包括正常视频和异常视频；依据正常视频对应的视频特征和异常视频对应的视频特征生成样本视频集的判别特征；建立判别特征和样本分数的对应关系；依据对应关系对视频异常检测模型进行训练，获得训练完成的视频异常检测模型。通过特征判别损失，利用训练集中正常视频的确定性分离异常视频的正负视频段学习更具有判别性的视频特征，即在特征空间使正常视频段向正常中心聚集，异常段远离正常中心，从而提升视频异常检测模型的分类精度。
-
公开(公告)号：CN115311722A
公开(公告)日：2022-11-08
申请号：CN202210979989.X
申请日：2022-08-16
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种具有光照鲁棒性的特征自分解人脸识别方法及系统，根据每张人脸图片的灰度值，得到对应的光照标签，制作数据集；设计网络结构包括主干特征提取网络和特征分解网络，主干网络用来提取人脸图像特征，特征分解网络用来将人脸图像特征分解为光照相关特征和光照无关特征，其中，光照无关特征即为更有区分性的人脸特征，用于后续的人脸识别。本发明通过利用特征分解网络将提取的人脸图像特征分解为光照相关特征向量和光照无关特征向量，用于解决光照下的人脸识别问题，减少光照信息对人脸特征向量的影响，提高人脸识别的精度。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.026 seconds)
