-
公开(公告)号：CN111950362B
公开(公告)日：2024-04-16
申请号：CN202010645419.8
申请日：2020-07-07
Applicant: 西北大学
IPC: G06V40/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种一种金丝猴面部图像识别方法，将采集得到的金丝猴图像，通过对金丝猴图像面部区域截取及预处理，获得金丝猴面部图像数据集；将金丝猴面部图像数据集输入至Tri‑Attention神经网络模型，提取金丝猴特征，完成对金丝猴面部图像识别。本发明提出了基于Tri‑Attention的金丝猴面部识别算法。该算法能够自动的关注金丝猴的面部区域，不需要对数据进行手工标注。该算法采用了空间注意力机制，分别对金丝猴面部图像的全局特征、局部特征以及显著性特征进行关注。通过联合不同维度、不同粒度的特征，进行融合，以提高分类的准确度，提升了网络的泛化性能。
-
公开(公告)号：CN113569913A
公开(公告)日：2021-10-29
申请号：CN202110727273.6
申请日：2021-06-29
Applicant: 西北大学
Abstract: 本发明属于计算机视觉技术领域，公开了一种基于分层选择性Adaboost‑DNNs的图像分类模型建立、分类方法及系统。方法包括：步骤1：获取图像数据集，标注图像数据集中的每张图像的类别，将图像分为训练集和验证集并设定训练集中每张图像的初始权重；步骤2：建立HS Adaboost‑DNNs模型，所述的HS Adaboost‑DNNs模型包括M个子网络，M为正整数，将图像数据集的所有类别作为真实标签，采用训练集、验证集和真实标签对HSAdaboost‑DNNs模型进行训练，至模型收敛后训练结束，将训练好的HSAdaboost‑DNNs模型作为图像识别预测模型。本发明可以用更少的网络层对容易识别的图像快速识别，对难以识别的图像需要通过更复杂的子模块，提高了图像分类的精度与速度。
-
公开(公告)号：CN114741507B
公开(公告)日：2024-02-13
申请号：CN202210306043.7
申请日：2022-03-25
Applicant: 西北大学
IPC: G06F16/35 , G06F18/241 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于Transformer的图卷积网络的引文网络分类模型建立方法，首先获取引文网络数据，引文网络数据包括确定节点的主体身份(论文、作者)，收集结点的语料特征，确定节点的标签，确定节点间的关系，然后建立基于Transformer的图卷积网络模型，包括一个K层的简化图卷积网络模块，一个经过改造的Transformer编码器；然后利用简化图卷积网络对所有节点进行特征的卷积传播，利用Transformer编码器对训练集的所有节点的每层特征学习一个全局特征用以分类，最后利用训练好的Transformer编码器对测试结点进行分类。
-
Patent Agency Ranking
公开(公告)号：CN111950362A
公开(公告)日：2020-11-17
申请号：CN202010645419.8
申请日：2020-07-07
Applicant: 西北大学
Abstract: 本发明公开一种一种金丝猴面部图像识别方法，将采集得到的金丝猴图像，通过对金丝猴图像面部区域截取及预处理，获得金丝猴面部图像数据集；将金丝猴面部图像数据集输入至Tri-Attention神经网络模型，提取金丝猴特征，完成对金丝猴面部图像识别。本发明提出了基于Tri-Attention的金丝猴面部识别算法。该算法能够自动的关注金丝猴的面部区域，不需要对数据进行手工标注。该算法采用了空间注意力机制，分别对金丝猴面部图像的全局特征、局部特征以及显著性特征进行关注。通过联合不同维度、不同粒度的特征，进行融合，以提高分类的准确度，提升了网络的泛化性能。
-
公开(公告)号：CN113569913B
公开(公告)日：2023-04-25
申请号：CN202110727273.6
申请日：2021-06-29
Applicant: 西北大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明属于计算机视觉技术领域，公开了一种基于分层选择性Adaboost‑DNNs的图像分类模型建立、分类方法及系统。方法包括：步骤1：获取图像数据集，标注图像数据集中的每张图像的类别，将图像分为训练集和验证集并设定训练集中每张图像的初始权重；步骤2：建立HS Adaboost‑DNNs模型，所述的HS Adaboost‑DNNs模型包括M个子网络，M为正整数，将图像数据集的所有类别作为真实标签，采用训练集、验证集和真实标签对HSAdaboost‑DNNs模型进行训练，至模型收敛后训练结束，将训练好的HSAdaboost‑DNNs模型作为图像识别预测模型。本发明可以用更少的网络层对容易识别的图像快速识别，对难以识别的图像需要通过更复杂的子模块，提高了图像分类的精度与速度。
-
公开(公告)号：CN114741507A
公开(公告)日：2022-07-12
申请号：CN202210306043.7
申请日：2022-03-25
Applicant: 西北大学
Abstract: 本发明公开了一种基于Transformer的图卷积网络的引文网络分类模型建立方法，首先获取引文网络数据，引文网络数据包括确定节点的主体身份(论文、作者)，收集结点的语料特征，确定节点的标签，确定节点间的关系，然后建立基于Transformer的图卷积网络模型，包括一个K层的简化图卷积网络模块，一个经过改造的Transformer编码器；然后利用简化图卷积网络对所有节点进行特征的卷积传播，利用Transformer编码器对训练集的所有节点的每层特征学习一个全局特征用以分类，最后利用训练好的Transformer编码器对测试结点进行分类。
-
公开(公告)号：CN115331134B
公开(公告)日：2025-05-16
申请号：CN202210786124.1
申请日：2022-07-04
Applicant: 西北大学
IPC: G06V20/40 , G06V10/762 , G06V10/764 , G06V10/774 , G06V40/16
Abstract: 本发明涉及一种金丝猴新个体识别方法，采用基于孪生网络和深度特征聚类算法，对无身份信息金丝猴图像数据按个体分类。通过三个模块分别是金丝猴面部图像预训练编码器模块，金丝猴的类别数量估计模块，以及无标签数据进行聚类模块。来解决实际中一些身份信息缺失的图像数据，无身份信息野生灵长类动物数据，最终导致无法进行身份识别的问题。进一步将识别准确率高的灵长类动物新个体补充到原有数据集中，进行数据增强，提高模型对新个体的识别能力。从实验结果可以看出，估计的类别个数与实际类别个数误差在3个以内，SS‑NIR在金丝猴新个体识别上具有很好的性能。
-
公开(公告)号：CN115331134A
公开(公告)日：2022-11-11
申请号：CN202210786124.1
申请日：2022-07-04
Applicant: 西北大学
IPC: G06V20/40 , G06V10/762 , G06V10/764 , G06V10/774 , G06V40/16
Abstract: 本发明涉及一种金丝猴新个体识别方法，采用基于孪生网络和深度特征聚类算法，对无身份信息金丝猴图像数据按个体分类。通过三个模块分别是金丝猴面部图像预训练编码器模块，金丝猴的类别数量估计模块，以及无标签数据进行聚类模块。来解决实际中一些身份信息缺失的图像数据，无身份信息野生灵长类动物数据，最终导致无法进行身份识别的问题。进一步将识别准确率高的灵长类动物新个体补充到原有数据集中，进行数据增强，提高模型对新个体的识别能力。从实验结果可以看出，估计的类别个数与实际类别个数误差在3个以内，SS‑NIR在金丝猴新个体识别上具有很好的性能。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
