-
公开(公告)号：CN106055576A
公开(公告)日：2016-10-26
申请号：CN201610340978.1
申请日：2016-05-20
Applicant: 大连理工大学
CPC classification number: G06F17/30256 , G06N3/08
Abstract: 本发明提供了一种大规模数据背景下的快速有效的图像检索方法，属于计算机视觉、统计学习、模式识别技术领域。首先采用在特定任务数据集下做过迁移学习的深层卷积神经网络提取图像的局部特征，然后进一步利用空间均值池化和协方差描述子对提取的图像局部特征进行建模。为了能够鲁棒的估计高维协方差描述子，本发明提出了改进的最大似然估计法。通过对空间均值池化模型和协方差描述子进行加权融合得到最终的图像表达。为了比较两幅图像的图像表达，提出了基于最大间隔子空间的低秩测度学习方法。一方面降低了图像表达的维度以提高图像匹配效率，另一方面可以依据特定任务数据集的先验信息提高图像匹配准确率。
-
公开(公告)号：CN106250918B
公开(公告)日：2019-08-13
申请号：CN201610589709.9
申请日：2016-07-26
Applicant: 大连理工大学
Abstract: 本发明提出了一种适用于图像分类和图像检索的算法系统。该算法主要包括图像建模和图像匹配两个模块。在图像建模中，为了提高特征的描述能力，该算法首次利用深层卷积神经网络提取图像的深度特征，并在此基础上利用混合高斯模型建模表示图像。在图像匹配中，针对推土距离算法的效率以及对噪声敏感两个问题，提出了一种准确高效的改进的推土距离算法，在算法设计过程中加入了高斯噪声并引入了稀疏约束。同时，在设计改进的推土距离算法中，针对现有测地距离度量算法设计的缺陷，本发明在考虑了高斯分布的黎曼几何结构后设计了三种测地距离，用以更准确地度量高斯分布之间的距离。
-
公开(公告)号：CN106250918A
公开(公告)日：2016-12-21
申请号：CN201610589709.9
申请日：2016-07-26
Applicant: 大连理工大学
CPC classification number: G06K9/6269 , G06K9/64
Abstract: 本发明提出了一种适用于图像分类和图像检索的算法系统。该算法主要包括图像建模和图像匹配两个模块。在图像建模中，为了提高特征的描述能力，该算法首次利用深层卷积神经网络提取图像的深度特征，并在此基础上利用混合高斯模型建模表示图像。在图像匹配中，针对推土距离算法的效率以及对噪声敏感两个问题，提出了一种准确高效的改进的推土距离算法，在算法设计过程中加入了高斯噪声并引入了稀疏约束。同时，在设计改进的推土距离算法中，针对现有测地距离度量算法设计的缺陷，本发明在考虑了高斯分布的黎曼几何结构后设计了三种测地距离，用以更准确地度量高斯分布之间的距离。
-
Patent Agency Ranking
公开(公告)号：CN114387666B
公开(公告)日：2024-11-12
申请号：CN202111620249.9
申请日：2021-12-28
Applicant: 大连理工大学
IPC: G06V40/20 , G06V20/52 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于人体关键点的图卷积网络跌倒检测方法，属于计算机视觉技术领域。本发明设计了双流图卷积网络，以图的形式建模人体姿态，充分挖掘和利用了人体的姿态信息，提高了姿态特征的鲁棒性，有利于后续的姿态分类；同时利用了时序信息，结合前序帧和当前帧的检测结果做跌倒的联合判决，增强跌倒检测算法的泛化能力；本发明所述的跌倒检测方法具有计算复杂度低、识别准确率高、易部署和迁移的特点。
-
公开(公告)号：CN111027464B
公开(公告)日：2023-07-18
申请号：CN201911247185.5
申请日：2019-12-09
Applicant: 大连理工大学
IPC: G06V40/18 , G06N3/0464 , G06N3/08
Abstract: 一种对卷积神经网络和序特征编码联合优化的虹膜识别方法，属于生物特征识别、计算机视觉技术领域。本发明在卷积神经网络中嵌入序特征比较模块进行编码，并对该系统进行端到端训练，通过特征学习和特征建模的联合优化以获得更具表达力的模型。方法的基本流程如下：首先对虹膜图像进行预处理；第二步基于卷积神经网络进行图像特征提取；第三步基于序特征比较模块进行图像特征编码；第四步特征提取网络与序特征比较模块进行联合训练；第五步虹膜匹配并返回识别结果，以此判断访问人员身份。本发明在卷积神经网络中对特征学习与序特征比较编码模块进行联合优化，充分发掘了神经网络强大的学习能力，有助于提升虹膜识别的鲁棒性和准确率。
-
公开(公告)号：CN114387666A
公开(公告)日：2022-04-22
申请号：CN202111620249.9
申请日：2021-12-28
Applicant: 大连理工大学
Abstract: 本发明提供了一种基于人体关键点的图卷积网络跌倒检测方法，属于计算机视觉技术领域。本发明设计了双流图卷积网络，以图的形式建模人体姿态，充分挖掘和利用了人体的姿态信息，提高了姿态特征的鲁棒性，有利于后续的姿态分类；同时利用了时序信息，结合前序帧和当前帧的检测结果做跌倒的联合判决，增强跌倒检测算法的泛化能力；本发明所述的跌倒检测方法具有计算复杂度低、识别准确率高、易部署和迁移的特点。
-
公开(公告)号：CN111027464A
公开(公告)日：2020-04-17
申请号：CN201911247185.5
申请日：2019-12-09
Applicant: 大连理工大学
Abstract: 一种对卷积神经网络和序特征编码联合优化的虹膜识别方法，属于生物特征识别、计算机视觉技术领域。本发明在卷积神经网络中嵌入序特征比较模块进行编码，并对该系统进行端到端训练，通过特征学习和特征建模的联合优化以获得更具表达力的模型。方法的基本流程如下：首先对虹膜图像进行预处理；第二步基于卷积神经网络进行图像特征提取；第三步基于序特征比较模块进行图像特征编码；第四步特征提取网络与序特征比较模块进行联合训练；第五步虹膜匹配并返回识别结果，以此判断访问人员身份。本发明在卷积神经网络中对特征学习与序特征比较编码模块进行联合优化，充分发掘了神经网络强大的学习能力，有助于提升虹膜识别的鲁棒性和准确率。
-
公开(公告)号：CN106055576B
公开(公告)日：2018-04-10
申请号：CN201610340978.1
申请日：2016-05-20
Applicant: 大连理工大学
Abstract: 本发明提供了一种大规模数据背景下的快速有效的图像检索方法，属于计算机视觉、统计学习、模式识别技术领域。首先采用在特定任务数据集下做过迁移学习的深层卷积神经网络提取图像的局部特征，然后进一步利用空间均值池化和协方差描述子对提取的图像局部特征进行建模。为了能够鲁棒的估计高维协方差描述子，本发明提出了改进的最大似然估计法。通过对空间均值池化模型和协方差描述子进行加权融合得到最终的图像表达。为了比较两幅图像的图像表达，提出了基于最大间隔子空间的低秩测度学习方法。一方面降低了图像表达的维度以提高图像匹配效率，另一方面可以依据特定任务数据集的先验信息提高图像匹配准确率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
