公开(公告)号：CN119863823A

公开(公告)日：2025-04-22

申请号：CN202510061803.6

申请日：2025-01-15

Applicant: 大连理工大学

Inventor： 葛宏伟 ,  朱嘉程 ,  刘雨轩 ,  孙亮

IPC: G06V40/10 ,  G06V10/143 ,  G06V10/74 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06N3/042 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于超图驱动软语义动态学习的可见光‑红外行人重识别方法，步骤如下：将行人图像划分为训练集和测试集，并进行数据增强；利用自注意力机制提取行人层次化软语义特征；利用门控机制进行通道和空间方向的跨阶段特征融合；计算模态对齐损失，缩小可见光与红外特征的差异；利用超图神经网络动态地探索所提取的软语义之间的关系；使用联合损失训练网络直至收敛；测试集行人重识别。通过使用本发明不仅有效地捕捉并动态地融合层次化的软语义特征，提取模态不变的特征，弥合可见光与红外模态之间的差距，还能自适应地探索语义之间的高阶关系，有效地学习模态不变语义，减少模态间的差异，显著提高可见光‑红外行人重识别的效果。

公开(公告)号：CN116524596A

公开(公告)日：2023-08-01

申请号：CN202310507915.0

申请日：2023-05-08

Applicant: 大连理工大学

Inventor： 葛宏伟 ,  陈雅童 ,  李伟东 ,  刘雨轩 ,  唐国智 ,  侯亚庆

IPC: G06V40/20 ,  G06V20/40 ,  G06V10/40 ,  G06V10/62 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于计算机视觉与视频动作识别领域，公开了一种基于动作粒度分组结构的体育视频动作识别方法，提出了一种基于动作粒度的层次化分组结构，设计了一种轻量级的多尺度时空建模与信息融合机制。步骤如下：视频抽帧，分段随机帧采样，视频帧预处理，选取骨干网络，在骨干网络中插入动作粒度分组模块实现多尺度时空特征聚合，使用全连接层和softmax层进行类别预测，使用交叉熵损失对动作类别进行训练，训练及验证。通过使用本发明可有效的提取多粒度动作信息，适用于包含多层次类别的体育视频动作识别，并显著提高体育视频动作识别的精度。本发明作为一种基于动作粒度分组结构的体育视频动作识别方法，可广泛应用于体育视频动作识别领域。

公开(公告)号：CN114187655A

公开(公告)日：2022-03-15

申请号：CN202111430274.0

申请日：2021-11-29

Applicant: 大连理工大学

Inventor： 刘雨轩 ,  葛宏伟 ,  孙亮 ,  候亚庆

IPC: G06V40/20 ,  G06V40/10 ,  G06V10/774 ,  G06V10/762 ,  G06V10/74 ,  G06T7/66 ,  G06N3/08 ,  G06V10/82 ,  G06K9/62

Abstract: 本发明属于人工智能与行人重识别领域，公开了一种基于联合训练策略的无监督行人重识别方法。针对摄像机间域间隙较大的问题，提出了一种摄像机间不变性特征学习方法，旨在让模型学习到可以区分不同摄像机下的不变性特征的能力。包括以下步骤：行人图像特征提取；聚类并分配伪标签；计算行人质心和摄像机质心；挖掘边缘特征和摄像机间不变性特征；行人实例特征和摄像机质心的更新；利用对比损失更新模型的参数。通过使用本发明可以有效的减少标签噪声，降低了摄像机间域间隙，并显著提高行人重识别的精度。本发明作为一种基于联合训练策略的无监督行人重识别方法，可广泛应用于行人重识别领域。

公开(公告)号：CN114187655B

公开(公告)日：2024-08-13

申请号：CN202111430274.0

申请日：2021-11-29

Applicant: 大连理工大学

Inventor： 刘雨轩 ,  葛宏伟 ,  孙亮 ,  候亚庆

IPC: G06V40/20 ,  G06V40/10 ,  G06V10/774 ,  G06V10/762 ,  G06V10/74 ,  G06T7/66 ,  G06N3/088 ,  G06V10/82

Abstract: 本发明属于人工智能与行人重识别领域，公开了一种基于联合训练策略的无监督行人重识别方法。针对摄像机间域间隙较大的问题，提出了一种摄像机间不变性特征学习方法，旨在让模型学习到可以区分不同摄像机下的不变性特征的能力。包括以下步骤：行人图像特征提取；聚类并分配伪标签；计算行人质心和摄像机质心；挖掘边缘特征和摄像机间不变性特征；行人实例特征和摄像机质心的更新；利用对比损失更新模型的参数。通过使用本发明可以有效的减少标签噪声，降低了摄像机间域间隙，并显著提高行人重识别的精度。本发明作为一种基于联合训练策略的无监督行人重识别方法，可广泛应用于行人重识别领域。

公开(公告)号：CN116797966A

公开(公告)日：2023-09-22

申请号：CN202310516184.6

申请日：2023-05-09

Applicant: 大连理工大学

Inventor： 葛宏伟 ,  齐彧 ,  刘雨轩 ,  候亚庆

IPC: G06V20/40 ,  G06V40/10 ,  G06V10/40 ,  G06V10/82 ,  G06V10/80 ,  G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/048 ,  G06N3/047

Abstract: 本发明属于人工智能与视频行人重识别领域，公开一种基于注意力时空图网络的视频行人重识别方法，提出一种多粒度注意力时空图网络方法，旨在不破坏行人身体结构的同时关注前景信息，减少背景干扰，融合多粒度时态信息，同时抑制异常帧的特征表达。步骤如下：提取行人原始帧级特征；提取各帧级行人关键区域信息；提取全局分支特征；多粒度空间注意力图网络更新帧级特征；多粒度时间注意力图网络获取行人视频序列级特征；损失函数训练网络。通过使用本发明可减少破坏身体结构，降低背景噪声的干扰，并抑制异常帧信息表达，显著提升视频行人重识别的性能。本发明作为一种基于注意力时空图网络的视频行人重识别方法，可广泛应用于视频行人重识别领域。