-
公开(公告)号：CN111950515B
公开(公告)日：2022-10-18
申请号：CN202010870140.X
申请日：2020-08-26
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于语义特征金字塔网络的小人脸检测方法，属于人脸检测技术领域。其中，所述方法包括以下步骤：步骤1.以SFD人脸检测方法为基础模型，为了增强预测特征的语义信息，本发明设计了一个语义特征金字塔网络。步骤2.为了提高小人脸的召回率，减少固定分类阈值造成的错误分类样本数量，本发明提出了一个尺度自适应匹配算法，进行anchor匹配和样本分类。步骤3.为了缓解网络中正负样本不平衡问题，本发明采用focal loss计算网络的分类损失，通过迭代训练、更新参数得到最终的网络模型。在增加少量计算量的情况下，本发明有效的提取了小人脸检测所必需的语义信息，增强了网络的特征表达能力，提高了小人脸的召回率，缓解了检测器的样本不平衡问题。
-
公开(公告)号：CN111695522B
公开(公告)日：2022-10-18
申请号：CN202010539709.4
申请日：2020-06-15
Applicant: 重庆邮电大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像处理技术领域，涉及一种平面内的旋转不变人脸检测方法、装置及存储介质；所述方法包括以SSD快速目标检测方法的模型结构为基础，构建出包括基本网络和检测网络的卷积神经网络；利用基本网络提取出输入图像的卷积特征；对检测网络进行改造，采用多尺度特征层对基本网络的卷积特征进行多尺度融合；在多尺度特征层上连接有方向敏感特征集成网络，提取出旋转不变的卷积特征；采用属于不同样本的人脸图像数据集对卷积神经网络进行训练，直至训练损失；使用训练完成的卷积神经网络对待测的人脸图像进行处理，根据卷积神经网络参数获得其人脸分类概率、边界框回归向量和角度类别标签。本发明改进了SSD模型，获得了较好的检测效果。
-
公开(公告)号：CN112509008B
公开(公告)日：2022-05-03
申请号：CN202011476028.4
申请日：2020-12-15
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于交并比(Intersection‑over‑Union,IoU)引导孪生网络的目标跟踪方法，属于目标跟踪领域。其中所述方法包括以下步骤：将数据进行预处理并作为训练数据集；以SiamRPN目标跟踪方法为基础模型，为了增强跟踪模型的鲁棒性，本发明设计了一个预测IoU的孪生网络跟踪框架，从而提升了模型的分类分支与回归分支的相关性；为了提高跟踪的定位精度，本发明提出了一个IoU引导定位的跟踪算法；然后通过随机梯度下降优化算法迭代训练；最后使用训练好的IoU引导孪生网络进行目标跟踪。在增加少量的参数及计算量的情况下，本发明有效的预测了回归后的锚框(Anchor)与目标的交并比，从而增强了模型的定位精度，并提升了模型跟踪的鲁棒性。
-
公开(公告)号：CN112509008A
公开(公告)日：2021-03-16
申请号：CN202011476028.4
申请日：2020-12-15
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于交并比(Intersection‑over‑Union,IoU)引导孪生网络的目标跟踪方法，属于目标跟踪领域。其中所述方法包括以下步骤：将数据进行预处理并作为训练数据集；以SiamRPN目标跟踪方法为基础模型，为了增强跟踪模型的鲁棒性，本发明设计了一个预测IoU的孪生网络跟踪框架，从而提升了模型的分类分支与回归分支的相关性；为了提高跟踪的定位精度，本发明提出了一个IoU引导定位的跟踪算法；然后通过随机梯度下降优化算法迭代训练；最后使用训练好的IoU引导孪生网络进行目标跟踪。在增加少量的参数及计算量的情况下，本发明有效的预测了回归后的锚框(Anchor)与目标的交并比，从而增强了模型的定位精度，并提升了模型跟踪的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN111950515A
公开(公告)日：2020-11-17
申请号：CN202010870140.X
申请日：2020-08-26
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于语义特征金字塔网络的小人脸检测方法，属于人脸检测技术领域。其中，所述方法包括以下步骤：步骤1.以SFD人脸检测方法为基础模型，为了增强预测特征的语义信息，本发明设计了一个语义特征金字塔网络。步骤2.为了提高小人脸的召回率，减少固定分类阈值造成的错误分类样本数量，本发明提出了一个尺度自适应匹配算法，进行anchor匹配和样本分类。步骤3.为了缓解网络中正负样本不平衡问题，本发明采用focal loss计算网络的分类损失，通过迭代训练、更新参数得到最终的网络模型。在增加少量计算量的情况下，本发明有效的提取了小人脸检测所必需的语义信息，增强了网络的特征表达能力，提高了小人脸的召回率，缓解了检测器的样本不平衡问题。
-
公开(公告)号：CN113128369A
公开(公告)日：2021-07-16
申请号：CN202110357123.0
申请日：2021-04-01
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种融合均衡损失的轻量级网络人脸表情识别方法，属于模式识别技术领域。包括以下步骤：首先，提出了样本类别损失函数，利用class_weight设置权重，将样本类别损失融入网络训练之中；其次，提出了样本质量损失函数，利用表情区域关键点定位的方法，筛选出表情质量好坏的图像样本，并通过权重影响的方式融入损失函数之中；然后，利用网络注意力机制，设计了多维注意力损失函数，将两种网络注意力机制形成的特征作为鉴别标签与预测值的度量指标，从而提高网络模型分类准确度；最后，将上述所提三种损失在基于Keras框架的网络模型中进行级联融合形成EQ‑loss，并将其添加到轻量级网络框架中，实现端到端的人脸表情识别。
-
公开(公告)号：CN111695522A
公开(公告)日：2020-09-22
申请号：CN202010539709.4
申请日：2020-06-15
Applicant: 重庆邮电大学
Abstract: 本发明属于图像处理技术领域，涉及一种平面内的旋转不变人脸检测方法、装置及存储介质；所述方法包括以SSD快速目标检测方法的模型结构为基础，构建出包括基本网络和检测网络的卷积神经网络；利用基本网络提取出输入图像的卷积特征；对检测网络进行改造，采用多尺度特征层对基本网络的卷积特征进行多尺度融合；在多尺度特征层上连接有方向敏感特征集成网络，提取出旋转不变的卷积特征；采用属于不同样本的人脸图像数据集对卷积神经网络进行训练，直至训练损失；使用训练完成的卷积神经网络对待测的人脸图像进行处理，根据卷积神经网络参数获得其人脸分类概率、边界框回归向量和角度类别标签。本发明改进了SSD模型，获得了较好的检测效果。
-
公开(公告)号：CN113128369B
公开(公告)日：2022-07-01
申请号：CN202110357123.0
申请日：2021-04-01
Applicant: 重庆邮电大学
IPC: G06V10/774 , G06V40/16 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明请求保护一种融合均衡损失的轻量级网络人脸表情识别方法，属于模式识别技术领域。包括以下步骤：首先，提出了样本类别损失函数，利用class_weight设置权重，将样本类别损失融入网络训练之中；其次，提出了样本质量损失函数，利用表情区域关键点定位的方法，筛选出表情质量好坏的图像样本，并通过权重影响的方式融入损失函数之中；然后，利用网络注意力机制，设计了多维注意力损失函数，将两种网络注意力机制形成的特征作为鉴别标签与预测值的度量指标，从而提高网络模型分类准确度；最后，将上述所提三种损失在基于Keras框架的网络模型中进行级联融合形成EQ‑loss，并将其添加到轻量级网络框架中，实现端到端的人脸表情识别。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
