-
公开(公告)号：CN118097344A
公开(公告)日：2024-05-28
申请号：CN202410154936.3
申请日：2024-02-02
Applicant: 同济大学
IPC: G06V10/778 , G06V10/774 , G06V10/82 , G06V10/764 , G06N3/045 , G06N3/084 , G06N3/096 , G06F16/532
Abstract: 本案涉及一种基于自适应决策边界三维模型草图检索系统及方法，属于三维模型草图检索领域，用于解决现有低质量和难以辨识的草图损害检索准确度的问题。本方案设计了一个草图表征学习模块，在训练时采用梯度下降法，将草图样本按批次输入，通过对每一批次计算边界损失进行训练学习，基于每个草图样本的最终草图特征计算每个类别所属的类中心向量，通过调整每个草图样本的决策边界，实现自适应调整所述草图学习模块的梯度大小分布，使得在图表征学习模块训练过程中，自动降低非常潦草、不可辨识的无效数据的干扰，并利用高质量草图样本来实现训练过程中模型参数的优化，从而提高相似类别草图样本的可分性。
-
公开(公告)号：CN117351194A
公开(公告)日：2024-01-05
申请号：CN202311332109.0
申请日：2023-10-13
Applicant: 同济大学
IPC: G06V10/25 , G06V10/40 , G06V10/80 , G06V10/762 , G06V10/82 , G06V10/26 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本案涉及基于互补图推理网络的涂鸦式弱监督显著性目标检测方法，以解决现有弱监督显著性目标检测无法从稀疏的涂鸦注释中恢复完整的显著性对象结构。所述方法将待分割图像输入训练好的目标检测模型，输出目标分割结果；所述目标检测模型采用涂鸦标注进行弱监督训练，步骤包括：提取样本图像的多尺度特征，以获取基础边缘特征、基础显著性特征、粗粒度显著性特征；基于基础边缘特征和基础显著性特征，获得对应的图表征，在对表征交叉互补后，利用图卷积网络传播表征信息，获得增强边缘特征和增强显著性特征；将增强边缘特征进行修正，获得显著性边缘特征；将显著性边缘特征、增强显著性特征和粗粒度显著性特征进行融合，进而获得目标分割结果。
-
公开(公告)号：CN111199199B
公开(公告)日：2023-05-05
申请号：CN201911378334.1
申请日：2019-12-27
Applicant: 同济大学
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及一种基于自适应上下文区域选取的动作识别方法，用于识别图像中的人物动作，包括以下步骤：S1)利用ResNet模型的前四个卷积块，提取待识别图像整体的特征图和待识别图像中待识别动作人物的人物边界框n；S2)根据特征图和人物边界框n的相关信息，自适应选取待识别图像中每个人物的上下文区域边界框；S3)对人物边界框n和上下文区域边界框进行特征提取，并计算得到人物对应各动作类别的得分和上下文区域对应各动作类别的得分；S4)根据人物和上下文区域对应动作类别的得分，判断图像中人物的动作类别，完成人物动作的识别，与现有技术相比，本发明具有识别精度高且识别速度快等优点。
-
Patent Agency Ranking
公开(公告)号：CN111797704B
公开(公告)日：2023-05-02
申请号：CN202010531050.8
申请日：2020-06-11
Applicant: 同济大学
IPC: G06V40/20 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/74 , G06V10/80 , G06V10/764 , G06V10/774
Abstract: 本发明涉及一种基于相关物体感知的动作识别方法，用于融合动作相关物体特征识别人物动作，其特征在于，包括以下步骤：1)通过卷积神经网络提取待识别图像的特征图；2)获取待识别图像中的物体，并计算各物体与动作的相关性大小；3)根据相关性大小筛选最相关物体，提取得到最相关物体特征；4)获取待识别图像中的人物，提取人体特征；5)融合人体特征与最相关物体特征，计算各动作的发生概率，完成图像中人物动作的识别，与现有技术相比，本发明具有识别精度高等优点。
-
公开(公告)号：CN113554115B
公开(公告)日：2022-09-13
申请号：CN202110922982.X
申请日：2021-08-12
Applicant: 同济大学
IPC: G06K9/62 , G06V10/774 , G06V10/764 , G06V10/46 , G06V10/82 , G06N3/04 , G06N3/08 , G06T15/20 , G06T17/00
Abstract: 本发明涉及一种基于不确定性学习的三维模型草图检索方法，包括以下步骤：S1：获取三维模型训练数据和草图训练数据；S2：构建草图特征提取网络，三维模型特征提取网络以及一个共享分类器，训练得到草图和三维模型共享的类中心。S3：基于共享类中心和预训练的草图特征提取网络构建草图不确定性学习网络，将每张草图图片建模成一个高斯分布，学习得到草图的不确定性。S4：利用训练完成的三维模型特征提取网络和草图不确定性学习网络分别提取待检索三维模型特征和查询草图特征，检索得到用于相应应用的三维模型。与现有技术相比，本发明具有有效缓解草图噪声问题，即减小噪声样本对干净样本拟合的损害等优点。
-
公开(公告)号：CN113435293B
公开(公告)日：2022-04-05
申请号：CN202110694968.9
申请日：2021-06-23
Applicant: 同济大学
IPC: G06V40/10 , G06V10/774 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于关节关系的人体姿态估计方法，包括以下步骤：S1：构建关节关系模块，包含基于通道的特征关系模块和邻接关节空间关系模块两个子模块；S2：构建基于关节关系的人体姿态估计模型；S3：利用标注的人体姿态数据训练基于关节关系的人体姿态估计模型；S4：利用训练完成的添加关节关系模块的人体姿态估计模型进行基于单张图像的人体姿态估计任务，获取预测的人体姿态。与现有技术相比，本发明有效克服图像中自由度较高的四肢关节如腕关节、踝关节及被遮挡的不可见关节位置难以检测的问题，人体姿态估计准确性高。
-
公开(公告)号：CN111368123A
公开(公告)日：2020-07-03
申请号：CN202010097592.9
申请日：2020-02-17
Applicant: 同济大学
IPC: G06F16/583 , G06K9/62
Abstract: 本发明涉及一种基于跨模态向导网络的三维模型草图检索方法，包括以下步骤：S1：获取三维模型训练数据和草图训练数据；S2：训练三维模型网络，并利用训练完成的三维模型网络学习得到三维模型特征空间；S3：以三维模型特征空间为目标空间训练草图网络，得到训练完成的草图网络；S4：利用训练完成的三维模型网络和草图网络提取的待检索三维模型特征和查询草图特征，检索得到用于相应应用的三维模型，与现有技术相比，本发明具有有效克服跨模态差异性问题等优点。
-
公开(公告)号：CN111199199A
公开(公告)日：2020-05-26
申请号：CN201911378334.1
申请日：2019-12-27
Applicant: 同济大学
Abstract: 本发明涉及一种基于自适应上下文区域选取的动作识别方法，用于识别图像中的人物动作，包括以下步骤：S1)利用ResNet模型的前四个卷积块，提取待识别图像整体的特征图和待识别图像中待识别动作人物的人物边界框n；S2)根据特征图和人物边界框n的相关信息，自适应选取待识别图像中每个人物的上下文区域边界框；S3)对人物边界框n和上下文区域边界框进行特征提取，并计算得到人物对应各动作类别的得分和上下文区域对应各动作类别的得分；S4)根据人物和上下文区域对应动作类别的得分，判断图像中人物的动作类别，完成人物动作的识别，与现有技术相比，本发明具有识别精度高且识别速度快等优点。
-
-
-
-
-
-
-
Search Results
38
records
(took 0.023 seconds)
