-
公开(公告)号：CN116310653A
公开(公告)日：2023-06-23
申请号：CN202310342324.2
申请日：2023-04-03
IPC: G06V10/774 , G06V10/80 , G06T13/40 , G06N3/048 , G06N3/084
Abstract: 基于过去完成度和未来趋势的自监督三维动作预测方法，属于计算机视觉领域。首先提出动作完成度感知任务和运动预测任务，以监督模型学习包含动作状态信息和趋势信息的特征表示。并且设计一个多任务自监督学习框架，引入对比学习辅助任务提取关于动作的高阶语义特征，在不需要人工标签的前提下，融合多项自监督任务损失引导网络学习具有判别性的动作特征。最后在此基础上提出一个完整动作序列生成模块，充分利用自监督训练的动作完成度感知器和运动预测器，从不完整序列生成对应的完整序列，补全序列中缺失的信息，融合部分预测和全局预测得到最终预测，有效提高动作预测的精度。
-
Patent Agency Ranking
公开(公告)号：CN109977893B
公开(公告)日：2020-12-25
申请号：CN201910257114.7
申请日：2019-04-01
Applicant: 厦门大学
Abstract: 基于层次显著性通道学习的深度多任务行人再识别方法，涉及计算机视觉技术。准备行人再识别方向数据集；设计层次显著性通道特征学习的深度多任务行人再识别网络模型，通过该网络模型提取行人更具判别力的特征；在大规模图像数据上，利用反向传播算法对主干网络ResNet50网络进行预训练，得到预训练模型；在预训练模型的基础上，使用行人图像训练数据集，计算模型两个分支的分类损失和，利用反向传播算法对整个构建好的模型进行端到端训练，得到最终训练好的模型；利用训练好的模型进行行人重识别，将最终网络模型的输出特征作为行人图像的特征表示以进行接下来的相似性度量和排序。
-
公开(公告)号：CN109977893A
公开(公告)日：2019-07-05
申请号：CN201910257114.7
申请日：2019-04-01
Applicant: 厦门大学
Abstract: 基于层次显著性通道学习的深度多任务行人再识别方法，涉及计算机视觉技术。准备行人再识别方向数据集；设计层次显著性通道特征学习的深度多任务行人再识别网络模型，通过该网络模型提取行人更具判别力的特征；在大规模图像数据上，利用反向传播算法对主干网络ResNet50网络进行预训练，得到预训练模型；在预训练模型的基础上，使用行人图像训练数据集，计算模型两个分支的分类损失和，利用反向传播算法对整个构建好的模型进行端到端训练，得到最终训练好的模型；利用训练好的模型进行行人重识别，将最终网络模型的输出特征作为行人图像的特征表示以进行接下来的相似性度量和排序。
-
公开(公告)号：CN105809119A
公开(公告)日：2016-07-27
申请号：CN201610120767.7
申请日：2016-03-03
Applicant: 厦门大学
CPC classification number: G06K9/00335 , G06K9/6249
Abstract: 一种基于稀疏低秩结构多任务学习的行为识别方法，涉及视频图像处理。1)构建基于稀疏低秩结构的多任务行为识别优化问题；2)用交替方向法处理步骤1)构建的稀疏低秩不光滑凸优化问题；3)用线性交替方向法减少辅助变量的引用并简化步骤2)产生的子问题的运算；4)利用自适应惩罚进一步加快算法的收敛。采用稀疏低秩结构多任务学习的行为识别算法得到非光滑凸优化问题。利用计算机视觉的方法对视频序列中的图像进行自动分析,实现对摄像机拍摄的动态场景中人体行为的检测和识别，分析和判断目标的行为是属于哪一种人体常规行为。不仅获取学习任务之间的相关性，也能选取具有较强判别力的特征子空间，且对噪声样本有鲁棒性。
-
公开(公告)号：CN119832131A
公开(公告)日：2025-04-15
申请号：CN202411989313.4
申请日：2024-12-31
Applicant: 厦门大学
IPC: G06T13/40 , G06T17/00 , G06N3/0895 , G06N3/084 , G06N3/048
Abstract: 本发明公开了基于双曲流形同伦嵌入的聚类表征自监督学习方法，属于自监督学习领域，该学习方法具体步骤如下：S1、基于预测网络和目标网络构建自监督学习框架，并将ST‑GCN作为预测网络和目标网络的编码器；S2、获取原始人体动作骨架序列，并通过行为观察模块对获取的各组序列进行样本增强，再对增强后的样本数据进行特征表征；本发明能够有效地解决解空间坍塌的问题，即不会学习到聚集在原点附近的平凡解，使得特征在解空间中能被有效区分，有效地解决了不同动作存在的早期动作重叠性的问题，在自监督学习的特征表达上具有较好的创新性。
-
公开(公告)号：CN119227081A
公开(公告)日：2024-12-31
申请号：CN202411290884.9
申请日：2024-09-14
Applicant: 厦门大学
IPC: G06F21/57 , G06N3/042 , G06N3/0464 , G06F18/2411 , G06F18/213 , G06F18/214
Abstract: 基于黎曼图卷积的端到端智能合约漏洞检测方法，涉及智能合约技术领域。由于现有的方法难以充分学习智能合约图的无尺度和深层次结构性，限制了其在漏洞检测上的表现。为此，提出基于黎曼图卷积的端到端学习网络的智能合约漏洞检测系统。首先将智能合约构建成富含结构和语法语义信息的合约图。接着，使用词嵌入网络进行节点语义特征提取，同时黎曼流形图卷积网络在负曲率空间中对合约图执行结构特征提取和邻域聚合，并且退火混淆图对比学习模块提供一个学习信号以降低噪声标签对模型的干扰，最终形成一个端到端学习网络。各模块相互促进，能够更深入细致地对漏洞特征进行挖掘。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
