-
公开(公告)号：CN111695508B
公开(公告)日：2022-07-19
申请号：CN202010532767.4
申请日：2020-06-12
Applicant: 桂林电子科技大学
IPC: G06V40/10 , G06V40/20 , G06V10/75 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/583 , G06F16/55
Abstract: 本发明公开了一种基于多尺度的Retinex和改进VGGNet网络的手势图像检索方法，该方法通过多尺度的Retinex方法对手势数据图像进行增强后，对采用深度学习方法对模型进行训练。当手势图像检索模型训练好之后，将最后一个FC层提取到的特征作为图像的特征表示参与手势图像检索任务，并改进的VGGNet的多分支网络结构中引入哈希层，模型的输入为手势图像和类别标签，类别标签作为监督信息学习图像特征，每个分支学习不同的标签信息，经过全连接层将之前两个分支学习到的特征进行融合，得到非线性组合特征，然后经过哈希层将得到低维度的哈希特征，再经过哈希层得到二进制哈希吗，最后将二进制哈希码作为特征向量来进行手势检索。在保证准确率的前提下，提高手势检索的效率。
-
公开(公告)号：CN111782969B
公开(公告)日：2023-05-23
申请号：CN202010639752.8
申请日：2020-07-06
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06F16/9537 , G06Q50/00
Abstract: 本发明公开了一种基于地理区域的社交网络中最大影响力节点的选取方法，所述方法将大型社交网络结构与地理信息相结合，采用四叉树索引与最大影响力树结构相结合的算法，选取查询区域内影响力最大的节点集，本发明可以高效选取出地理区域中影响力最大的种子节点集合。其中，使用四叉树索引结构来存储网络节点的位置信息，并使用深度优先搜索方法来识别给定查询区域中的候选对象；使用最大影响树状结构(MIA)计算每个候选节点的影响集并运行动态规划算法计算所有候选节点的影响力；再根据排序迭代弹出最大堆中具有最大影响值的候选节点作为最大影响力种子节点。
-
公开(公告)号：CN113420173A
公开(公告)日：2021-09-21
申请号：CN202110690350.5
申请日：2021-06-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于四元组深度学习的少数民族服饰检索的方法，该方法通过图像增强可以使少数民族服饰图像达到视觉上好的效果，同时通过构建基于四元组损失函数的基本网络模型，来扩大类内差异，减少类间差异。本发明方法是在三元组损失函数的基础上提出的，在三元组损失函数的基础上加上高度相似的样本形成四元组，即锚点、正样本、负样本、高度相似样本。四元组损失函数在少数民族服饰图像检索提出，能够更好的缩小类内之间的方差，来扩大异类之间的方差，从而提高图像检索的准确率。
-
公开(公告)号：CN111695507A
公开(公告)日：2020-09-22
申请号：CN202010532751.3
申请日：2020-06-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于改进VGGNet网络的静态手势识别方法，该方法将VGGNet网络进行改进，使用不同的分支来学习标签信息，同时在网络中引入哈希层将手势图像的特征投影到汉明空间，通过计算汉明距离来提高处理手势的效率。将改进后的VGGNet网络和传统的主成分分析方法相结合来进行手势识别，首先将原始数据集和增强后的数据集作为输入数据对VGGNet网络进行训练，得到手势图像的高维特征，然后通过主成分分析法PCA将高维图像特征进行降维，减小特征向量长度，缩短图像之间的相似性度量的计算时间，从而提高提高手势识别的精度和效率。
-
公开(公告)号：CN111782969A
公开(公告)日：2020-10-16
申请号：CN202010639752.8
申请日：2020-07-06
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06F16/9537 , G06Q50/00
Abstract: 本发明公开了一种基于地理区域的社交网络中最大影响力节点的选取方法，所述方法将大型社交网络结构与地理信息相结合，采用四叉树索引与最大影响力树结构相结合的算法，选取查询区域内影响力最大的节点集，本发明可以高效选取出地理区域中影响力最大的种子节点集合。其中，使用四叉树索引结构来存储网络节点的位置信息，并使用深度优先搜索方法来识别给定查询区域中的候选对象；使用最大影响树状结构(MIA)计算每个候选节点的影响集并运行动态规划算法计算所有候选节点的影响力；再根据排序迭代弹出最大堆中具有最大影响值的候选节点作为最大影响力种子节点。
-
Patent Agency Ranking
公开(公告)号：CN111694977A
公开(公告)日：2020-09-22
申请号：CN202010532683.0
申请日：2020-06-12
Applicant: 桂林电子科技大学
IPC: G06F16/55 , G06F16/583 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于数据增强的车辆图像检索方法，该方法是使用多尺度Retinex算法对现有的公开车辆图像数据进行数据增强，得到一个大规模车辆图像数据集；其次，使用卷积神经网络构建车辆图像检索模型并在增强后的数据集上进行训练，同时采用迁移学习的方法缩短模型的训练周期；最后，选择分类效果表现最好的模型作为特征提取引擎在检索测试集上进行模型评价。该方法解决了车辆图像缺乏和人为标注等带来的影响，在一定程度上可以增加模型的准确率和泛化能力。使用迁移学习的方法加快模型收敛的速度，减少训练的时间，提高车辆图像检索的准确率。
-
公开(公告)号：CN111694974A
公开(公告)日：2020-09-22
申请号：CN202010532689.8
申请日：2020-06-12
Applicant: 桂林电子科技大学
IPC: G06F16/51 , G06F16/583 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合注意力机制的深度哈希车辆图像检索方法，目的是为了提高车辆图像检索的准确率。由于数据量的增大和特征维数的增高所带来庞大计算量及获取特征向量中包含较多的干扰因素导致精确度低的问题。本发明针对该问题，引入注意力机制，提出了融合注意力机制的残差网络深度哈希模型，该模型借助注意力机制来识别车辆图像中多个目标对象的近似位置，以获得一个更为专注的特征表示。同时，本发明引入类别交叉熵损失函数来解决融入注意力机制的模型学习。
-
公开(公告)号：CN111695507B
公开(公告)日：2022-08-16
申请号：CN202010532751.3
申请日：2020-06-12
Applicant: 桂林电子科技大学
IPC: G06V40/20 , G06V40/10 , G06V10/77 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , G06F16/51 , G06F16/55 , G06F16/583
Abstract: 本发明公开了一种基于改进VGGNet网络的静态手势识别方法，该方法将VGGNet网络进行改进，使用不同的分支来学习标签信息，同时在网络中引入哈希层将手势图像的特征投影到汉明空间，通过计算汉明距离来提高处理手势的效率。将改进后的VGGNet网络和传统的主成分分析方法相结合来进行手势识别，首先将原始数据集和增强后的数据集作为输入数据对VGGNet网络进行训练，得到手势图像的高维特征，然后通过主成分分析法PCA将高维图像特征进行降维，减小特征向量长度，缩短图像之间的相似性度量的计算时间，从而提高提高手势识别的精度和效率。
-
公开(公告)号：CN113961739A
公开(公告)日：2022-01-21
申请号：CN202111212556.3
申请日：2021-10-18
Applicant: 桂林电子科技大学
IPC: G06F16/583 , G06F16/55 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本文发明了一种基于局部区域感知的卷积神经网络的车辆图像检索的方法，目的是解决在车辆图像检索中由于同一制造商及同一型号的车辆很难根据全局外观来区分它们的问题。提出结合局部区域如挡风玻璃、检测标签、装饰物等这些局部细节进行检索，从而形成即通过属性（颜色，id，类型）又包含局部区域的深度网络模型，此网络模型由几个个共享的卷积层和三个分支组成。其中三个分支主要包含卷积分支、属性分支、局部区域分支，每个分支分别对应一个单独的分类器Softmax损失函数。此模型的提出不仅应用到了标签属性还应用到了局部区域特征，从而能够提高车辆图像检索的准确度。
-
公开(公告)号：CN111695508A
公开(公告)日：2020-09-22
申请号：CN202010532767.4
申请日：2020-06-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于多尺度的Retinex和改进VGGNet网络的手势图像检索方法，该方法通过多尺度的Retinex方法对手势数据图像进行增强后，对采用深度学习方法对模型进行训练。当手势图像检索模型训练好之后，将最后一个FC层提取到的特征作为图像的特征表示参与手势图像检索任务，并改进的VGGNet的多分支网络结构中引入哈希层，模型的输入为手势图像和类别标签，类别标签作为监督信息学习图像特征，每个分支学习不同的标签信息，经过全连接层将之前两个分支学习到的特征进行融合，得到非线性组合特征，然后经过哈希层将得到低维度的哈希特征，再经过哈希层得到二进制哈希吗，最后将二进制哈希码作为特征向量来进行手势检索。在保证准确率的前提下，提高手势检索的效率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
