-
公开(公告)号：CN108764026A
公开(公告)日：2018-11-06
申请号：CN201810326870.6
申请日：2018-04-12
Applicant: 杭州电子科技大学
CPC classification number: G06K9/00335 , G06K9/00718 , G06K9/6256
Abstract: 本发明公开一种基于时序检测单元预筛选的视频行为检测方法。该方法是从长视频中构建时序检测单元，对其中关键帧进行目标识别后生成候选片段，解决了长视频分析中检测费时的问题，同时设计了边界回归模块以提高检测精度。本发明由于将性能提升着眼于数据预处理环节，方法简单易于实现，对使用传统方法的工程无需重新构造，详细兼容，能够节省大量人力。并且可以与其它提高检测速度与精度的方法相结合，进一步提高时序行为检测性能。
-
公开(公告)号：CN109118445B
公开(公告)日：2021-10-08
申请号：CN201810843614.4
申请日：2018-07-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于多分支生成对抗网络的水下图像增强方法。本发明将水下退化原始图像、同一场景下的融合处理后的水下清晰图像、同一场景下的水下清晰生成图像作为训练样本集合，输入到属性分支网络和判别分支网络得到属性图和判别图。通过属性图和判别图各自的代价函数梯度下降更新GAN网络权值。直到本次网络训练结束，得到对退化水下图像增强的模型。本发明的关键在于使用生成对抗网络数据驱动的特点和较强的模仿能力，模仿对于不同因素导致退化的水下图像的增强策略。可以用一个模型解决多种由不同原因造成的水下图像退化问题，模型更具通用性。利用属性分支和判别分支这种多分支的结构增强学习的综合性和鲁棒性。
-
公开(公告)号：CN108596343B
公开(公告)日：2020-09-29
申请号：CN201810270851.6
申请日：2018-03-29
Applicant: 杭州电子科技大学
IPC: G06N20/00
Abstract: 本发明公开一种基于反馈调节提高生成对抗网络稳定性的方法。该方法是自适应的调整D网络和G网络在每一次迭代中的更新次数。与在迭代中，D网络和G网络更新次数固定的传统方法相比更具有稳定性。本发明由于将稳定性着眼于更新次数，方法简单易于实现，对使用传统方法的工程无需重新构造，向下兼容，能够节省大量人力。并且可以与其它提高稳定性的方法相结合，进一步提高GAN网络稳定性。
-
公开(公告)号：CN109118445A
公开(公告)日：2019-01-01
申请号：CN201810843614.4
申请日：2018-07-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于多分支生成对抗网络的水下图像增强方法。本发明将水下退化原始图像、同一场景下的融合处理后的水下清晰图像、同一场景下的水下清晰生成图像作为训练样本集合，输入到属性分支网络和判别分支网络得到属性图和判别图。通过属性图和判别图各自的代价函数梯度下降更新GAN网络权值。直到本次网络训练结束，得到对退化水下图像增强的模型。本发明的关键在于使用生成对抗网络数据驱动的特点和较强的模仿能力，模仿对于不同因素导致退化的水下图像的增强策略。可以用一个模型解决多种由不同原因造成的水下图像退化问题，模型更具通用性。利用属性分支和判别分支这种多分支的结构增强学习的综合性和鲁棒性。
-
公开(公告)号：CN110363060B
公开(公告)日：2021-07-20
申请号：CN201910271102.X
申请日：2019-04-04
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征子空间生成对抗网络的小样本目标识别方法；本发明先获取用于训练生成对抗网络的特征，接着使用重组后的特征数据训练生成对抗网络，再使用训练后的生成对抗网络生成新的特征对小样本数据进行扩充，最后使用扩充后的数据训练目标识别网络。本发明的关键在于使用生成对抗网络数据驱动的特点和较强的模仿能力，模仿对于不同因素导致退化的水下图像的增强策略。利用属性分支和判别分支这种多分支的结构增强学习的综合性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN110363060A
公开(公告)日：2019-10-22
申请号：CN201910271102.X
申请日：2019-04-04
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征子空间生成对抗网络的小样本目标识别方法；本发明先获取用于训练生成对抗网络的特征，接着使用重组后的特征数据训练生成对抗网络，再使用训练后的生成对抗网络生成新的特征对小样本数据进行扩充，最后使用扩充后的数据训练目标识别网络。本发明的关键在于使用生成对抗网络数据驱动的特点和较强的模仿能力，模仿对于不同因素导致退化的水下图像的增强策略。利用属性分支和判别分支这种多分支的结构增强学习的综合性和鲁棒性。
-
公开(公告)号：CN109376578A
公开(公告)日：2019-02-22
申请号：CN201810980846.4
申请日：2018-08-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于深度迁移度量学习的小样本目标识别方法。该方法首先直接提取典型深度网络的前几个卷积层，构建特征子网络。输入为目标域图像对与源域图像对，输出为上述通用特征。提取源域与目标域图像的特征，采用典型特征提取方法以保证样本描述在特征空间上具有紧致性。适配源域与目标域之间的分布差异，确保源域的信息能够合理迁移到目标域。适配好的子网络作为分类器，输入一对待识别的目标图像，输出它们是否同类的分类信息，完成目标识别。本发明由于有机结合了迁移学习与度量学习这两种机器学习方法，突破现有小样本学习方法的局限，方法简单易于实现，对使用传统方法的工程无需重新构造，详细兼容，能够节省大量人力。
-
公开(公告)号：CN109086710A
公开(公告)日：2018-12-25
申请号：CN201810844730.8
申请日：2018-07-27
Applicant: 杭州电子科技大学
CPC classification number: G06K9/00885 , G06K9/6256 , G06N3/0454
Abstract: 本发明公开一种基于混合属性学习的小样本目标识别方法。本发明首先定义语义属性并获取辅助样本；将目标训练样本输入用于获得隐属性的特征子网络，输出目标训练样本的隐属性特征。将辅助样本输入用于获得语义属性的特征子网络，用于获得辅助样本的语义属性特征。将提取到的特征进行字典学习，获得对特征的编码。将编码后包含语义属性和隐属性的数据输入多分类器进行分类训练，得到分类网络，用于后续对目标进行分类。该方法克服了其它方法只存在较好的解释性而鉴别能力较差，或者只存在较好的鉴别能力而解释性较差的缺点，综合了语义属性与隐属性的优势，兼顾可解释性与鉴别能力。
-
公开(公告)号：CN108764026B
公开(公告)日：2021-07-30
申请号：CN201810326870.6
申请日：2018-04-12
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于时序检测单元预筛选的视频行为检测方法。该方法是从长视频中构建时序检测单元，对其中关键帧进行目标识别后生成候选片段，解决了长视频分析中检测费时的问题，同时设计了边界回归模块以提高检测精度。本发明由于将性能提升着眼于数据预处理环节，方法简单易于实现，对使用传统方法的工程无需重新构造，详细兼容，能够节省大量人力。并且可以与其它提高检测速度与精度的方法相结合，进一步提高时序行为检测性能。
-
公开(公告)号：CN109213896B
公开(公告)日：2021-06-01
申请号：CN201810884718.X
申请日：2018-08-06
Applicant: 杭州电子科技大学
IPC: G06F16/73 , H04L12/24 , H04N21/8549
Abstract: 本发明公开基于长短期记忆网络强化学习的水下视频摘要生成方法。本发明首先构建语义特征网络、长短期记忆网络、多层感知器网络；然后对摘要视频进行质量评估：多样性与代表性。最后根据质量评估的两个回报函数，采用强化学习中典型的策略梯度的方法训练整个视频摘要网络，更新对应的MLP网络参数，直至完成所有语义特征评估，得到优化的MLP模型，用于生成高质量的摘要视频。本发明的关键在于构建双层双向LSTM网络结构进行时空关联建模。本发明由于将性能改进着眼于视频摘要网络结构设计环节，方法简单易于实现，对使用传统方法的工程无需重新构造，详细兼容，能够节省大量人力。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
