-
公开(公告)号：CN109145871B
公开(公告)日：2020-09-15
申请号：CN201811076485.7
申请日：2018-09-14
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明提供了一种心理行为识别方法、装置与存储介质，方法，包括：检测预先采集的目标人脸图像的人脸特征，获取目标人脸图像的至少五个人脸特征点；根据目标人脸图像的人脸特征点以及预设的图像分块规则，对目标人脸图像进行切块处理，得到若干个图块；根据若干个图块，通过预先建立的卷积神经网络模型，获得目标人脸图像对应的情绪特征组合；根据获得目标人脸图像对应的情绪特征组合，通过预先建立的心理行为识别模型，获得目标人脸图像对应的心理行为识别结果。上述方法通过卷积神经网络模型提取目标人脸图像中表征的情绪特征组合，并对该情绪特征组合进行情绪组合识别，从识别出目标人脸图像中表征的心理行为，能够提高心理行为识别的准确性。
-
公开(公告)号：CN109389045A
公开(公告)日：2019-02-26
申请号：CN201811053740.6
申请日：2018-09-10
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: G06K9/00
Abstract: 本发明提供了一种基于混合时空卷积模型的微表情识别方法与装置，该方法包括：根据预先获取的图像训练样本对预先建立的混合时空卷积网络进行训练，得到混合时空卷积模型；其中，所述混合时空卷积网络包括多个循环交替连接3D残差模块，每个3D残差模块包括1*3*3卷积层和3*1*1卷积层；将待识别图像输入到所述到混合时空卷积模型，得到微表情分类结果。采用混合的1*3*3卷积(2维)+3*1*1卷积(1维)进行卷积计算，一方面保证了本发明在微表情识别上具有3D CNN的精度要求；另一方面大大降低了计算复杂度，从降低对计算机硬件的要求，更有利于产品化。
-
公开(公告)号：CN109377577A
公开(公告)日：2019-02-22
申请号：CN201811080022.8
申请日：2018-09-17
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种基于人脸识别的考勤方法，包括：服务器端接收信息采集端采集的用户信息；服务器端根据接收到的用户信息生成考勤任务列表，并发送至预处理端；服务器端根据初始人脸信息，对预处理端返回的人脸特征信息进行人脸识别，确定人脸特征信息对应的身份信息；服务器端根据人脸特征信息、与人脸特征信息对应的身份信息以及接收到人脸特征信息的时间和预处理端对应的地点，生成当前用户的考勤记录。本发明公开的一种基于人脸识别的考勤方法能有效解决现有技术能有效解决现有技术用户账号登录步骤繁琐，考勤时间长、实时性差和准确度低的问题。本发明实施例还公开了一种基于人脸识别的考勤系统及存储介质。
-
公开(公告)号：CN109359538A
公开(公告)日：2019-02-19
申请号：CN201811079808.8
申请日：2018-09-14
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种卷积神经网络的训练方法，首先获取待训练手势图像；根据Mask R-CNN目标检测对手势图像进行分割提取，以获取所述手势图像中各个手势对应的关键点坐标；对每一关键点，根据关键点的可视性进行相应标识，以得到标识后的特征信息，其中，特征信息包括关键点坐标和相应的可视性标志；对每一手势图像，基于流形学习算法对所述标识后的特征信息进行降维，获取降维后特征点分布图像；对每一特征点分布图像，根据特征点分布图像中相应特征点的组合，获取手势语义标注后的手势指令标签；根据所述特征点分布图像与相应的手势指令标签，对初始卷积神经网络进行卷积神经网络训练，获取训练完成的卷积神经网络，简化了处理的复杂度，提高了处理效率。
-
公开(公告)号：CN109325226B
公开(公告)日：2023-04-14
申请号：CN201811052429.X
申请日：2018-09-10
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: G06F40/289 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明提供了一种基于深度学习网络的术语提取方法、装置与存储介质，该方法包括：对目标文本进行术语标注；对标注后的目标文本进行分词处理，得到分词文本并提取关键词；根据关键词对预先建立的RNN深度学习网络进行训练，得到术语预测模型，并获取术语预测模型输出的术语预测结果；根据目标文本对应的术语预测结果以及术语标注，对预先建立的CNN深度学习网络进行训练，得到术语提取模型，并获取术语提取模型输出的术语提取结果。本发明融合了RNN与CNN深度学习网络，组成了一个更深层的深度学习的网络，依据提取后的关键词以及目标文本的术语标注结果对目标文本进行术语的预测和提取，可以有效提升术语的提取速率，实现海量文本的中文术语的抽取。
-
Patent Agency Ranking
公开(公告)号：CN109389045B
公开(公告)日：2021-03-02
申请号：CN201811053740.6
申请日：2018-09-10
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: G06K9/00
Abstract: 本发明提供了一种基于混合时空卷积模型的微表情识别方法与装置，该方法包括：根据预先获取的图像训练样本对预先建立的混合时空卷积网络进行训练，得到混合时空卷积模型；其中，所述混合时空卷积网络包括多个循环交替连接3D残差模块，每个3D残差模块包括1*3*3卷积层和3*1*1卷积层；将待识别图像输入到所述混合时空卷积模型，得到微表情分类结果。采用混合的1*3*3卷积(2维)+3*1*1卷积(1维)进行卷积计算，一方面保证了本发明在微表情识别上具有3D CNN的精度要求；另一方面大大降低了计算复杂度，从而降低对计算机硬件的要求，更有利于产品化。
-
公开(公告)号：CN109376596B
公开(公告)日：2020-11-13
申请号：CN201811079718.9
申请日：2018-09-14
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: G06K9/00
Abstract: 本发明公开了一种人脸匹配方法、装置、设备及计算机可读存储介质，通过候选区域网络模型获取目标人脸图像的目标人脸区域图像以及至少两个人脸器官区域图像，进而通过级联卷积神经网络模型，获取至少两个目标人脸特征点及对应特征向量，将所述目标人脸特征点进行组合以获取特征组合，根据所述特征组合中所述目标人脸特征点的特征向量以及预先建立的特征检索库，逐个组合进行迭代匹配，以获取匹配于所有特征组合的图像集合，将所述目标人脸特征点的特征向量与所述图像集合进行相似度计算，以获取人脸匹配结果，本发明能够减少检索范围，提升检索速度，提高用户的使用体验。
-
公开(公告)号：CN109325226A
公开(公告)日：2019-02-12
申请号：CN201811052429.X
申请日：2018-09-10
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明提供了一种基于深度学习网络的术语提取方法、装置与存储介质，该方法包括：对目标文本进行术语标注；对标注后的目标文本进行分词处理，得到分词文本并提取关键词；根据关键词对预先建立的RNN深度学习网络进行训练，得到术语预测模型，并获取术语预测模型输出的术语预测结果；根据目标文本对应的术语预测结果以及术语标注，对预先建立的CNN深度学习网络进行训练，得到术语提取模型，并获取术语提取模型输出的术语提取结果。本发明融合了RNN与CNN深度学习网络，组成了一个更深层的深度学习的网络，依据提取后的关键词以及目标文本的术语标注结果对目标文本进行术语的预测和提取，可以有效提升术语的提取速率，实现海量文本的中文术语的抽取。
-
公开(公告)号：CN109271917B
公开(公告)日：2021-03-02
申请号：CN201811049420.3
申请日：2018-09-10
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明涉及一种人脸识别方法、装置、计算机设备和可读存储介质，所述方法包括：获取当前人脸图像，分别提取所述当前人脸图像中的当前第一面部信息、当前第二面部信息和当前第三面部信息；查询预设人脸数据库中存储的与所述当前第一面部信息匹配的第一图像集合；查询所述第一图像集合中与所述当前第二面部信息匹配的第二图像集合；查询所述第二图像集合中与所述当前第三面部信息相似度最高的人脸图像，获取所查询到的图像的标识信息。本发明方案能够人脸识别的速度。
-
公开(公告)号：CN109359538B
公开(公告)日：2020-07-28
申请号：CN201811079808.8
申请日：2018-09-14
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种卷积神经网络的训练方法，首先获取待训练手势图像；根据Mask R‑CNN目标检测对手势图像进行分割提取，以获取所述手势图像中各个手势对应的关键点坐标；对每一关键点，根据关键点的可视性进行相应标识，以得到标识后的特征信息，其中，特征信息包括关键点坐标和相应的可视性标志；对每一手势图像，基于流形学习算法对所述标识后的特征信息进行降维，获取降维后特征点分布图像；对每一特征点分布图像，根据特征点分布图像中相应特征点的组合，获取手势语义标注后的手势指令标签；根据所述特征点分布图像与相应的手势指令标签，对初始卷积神经网络进行卷积神经网络训练，获取训练完成的卷积神经网络，简化了处理的复杂度，提高了处理效率。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.038 seconds)
