公开(公告)号：CN108960212A

公开(公告)日：2018-12-07

申请号：CN201810915453.5

申请日：2018-08-13

Applicant: 电子科技大学

Inventor： 程建 ,  林莉 ,  王艳旗 ,  苏炎洲 ,  白海伟

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

CPC classification number: G06K9/00362 ,  G06N3/0454 ,  G06N3/08

Abstract: 本发明公开了基于端到端的人体关节点检测与分类方法，其实现方法具体包括：构造深度学习网络、对输入图片数据进行训练及测试。深度学习网络包含基础网络层结构、金字塔池化残差模块、堆栈式沙漏型模块。在训练阶段：对输入图像进行预处理操作以及网络参数的初始化，将处理后的图像输入到基于堆栈式沙漏型以及条件随机场理论的深度学习网络中进行训练，根据Softmax损失函数对网络权值参数进行更新；测试阶段：使用学习得到的深度学习网络模型参数对测试图片进行前向传播，得到测试关节点的概率分布情况，利用已知准则将各个关节点依次连接起来，得到结果图像。

公开(公告)号：CN109190518B

公开(公告)日：2022-03-18

申请号：CN201810925973.4

申请日：2018-08-14

Applicant: 电子科技大学

Inventor： 程建 ,  高银星 ,  汪雯 ,  刘三元 ,  王艳旗

IPC: G06V40/16 ,  G06V10/40

Abstract: 本发明公开了一种一种基于通用的集合度量学习的人脸验证方法，属于人脸验证领域，对已知人脸数据集α和未知人脸数据集β中的人脸图像，分别提取人脸的特征，利用集合度量得到数据集α与数据集β中的差异量；利用所述差异量得到距离度量函数和距离度量标准；利用所述距离度量函数和距离度量标准构建决策函数，并采用交叉梯度下降算法求解构建决策函数中经验风险函数的最小值，所述经验风险函数的最小值对应的已知人脸图像为该未知人脸图像的验证结果；本发明能够提高人脸验证的正确率。

公开(公告)号：CN109190518A

公开(公告)日：2019-01-11

申请号：CN201810925973.4

申请日：2018-08-14

Applicant: 电子科技大学

Inventor： 程建 ,  高银星 ,  汪雯 ,  刘三元 ,  王艳旗

IPC: G06K9/00

Abstract: 本发明公开了一种一种基于通用的集合度量学习的人脸验证方法，属于人脸验证领域，对已知人脸数据集α和未知人脸数据集β中的人脸图像，分别提取人脸的特征，利用集合度量得到数据集α与数据集β中的差异量；利用所述差异量得到距离度量函数和距离度量标准；利用所述距离度量函数和距离度量标准构建决策函数，并采用交叉梯度下降算法求解构建决策函数中经验风险函数的最小值，所述经验风险函数的最小值对应的已知人脸图像为该未知人脸图像的验证结果；本发明能够提高人脸验证的正确率。

公开(公告)号：CN109102025A

公开(公告)日：2018-12-28

申请号：CN201810932825.5

申请日：2018-08-15

Applicant: 电子科技大学

Inventor： 程建 ,  王艳旗 ,  苏炎洲 ,  林莉 ,  汪雯

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习联合优化的行人重识别方法，步骤为：步骤1、采集筛选数量均衡的正负行人样本对，构建数据集；步骤2、构建深度学习的Siamese神经网络结构模型，包括两路前端卷积神经网络和多层级特征融合模块，将正负行人样本输入模型，提取得到两路不同的行人的Hyper特征；步骤3、将两路不同行人的Hyper特征送入分类网络和验证网络，联合分类网络和验证网络，联合分类损失函数和验证损失函数，优化神经网络结构模型参数。该方法联合采用深度卷积神经网络和HyperNet网络，提取多尺度的特征增强对行人目标的检测能力，联合验证模型和分类模型优化网络结构，得到性能优越的行人重识别神经网络结构模型。