-
公开(公告)号：CN112861705A
公开(公告)日：2021-05-28
申请号：CN202110158298.9
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于混合学习的跨域行人重识别方法。包括如下步骤：1：设计基于生成对抗网络的风格迁移模型，利用标记的源域数据对风格迁移模型进行训练；2：设计基于特征提取网络的行人重识别模型，特征提取网络之后连接了两个分别用于监督学习和无监督学习的模块；3：设计动态权重函数动态的调整两种学习方式的权重，从而动态的对特征提取网络进行训练，最终完成跨域行人重识别任务。本发明设计了监督学习和无监督学习两种模块、结合了源域和目标域的数据对行人重识别模型进行训练。本发明还设计了动态权重函数动态地结合两种学习方式。
-
公开(公告)号：CN113743314A
公开(公告)日：2021-12-03
申请号：CN202111041143.3
申请日：2021-09-07
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于双聚类协作学习的跨域行人重识别方法。包括如下步骤：1：利用风格迁移模型实现源域和目标域之间的迁移，之后两个特征提取模型Net 1和Net 2分别在源域和源域生成图像集上进行监督学习；2：利用Net 1和Net 2对目标域和目标域生成图像集进行特征提取，之后利用DBSCAN方法对特征进行聚类；3：核对聚类结果，选取高置信度的结果分别优化Net 1和Net 2。本发明设计的双聚类方法通过核对两个域上的聚类结果，为模型优化选取了具有高置信度的样本对，最终提升了模型在目标域上的识别性能。
-
公开(公告)号：CN111950619A
公开(公告)日：2020-11-17
申请号：CN202010779759.X
申请日：2020-08-05
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于双重生成对抗网络的主动学习方法。包括如下步骤：1：利用标记池图像和未标记池图像对模型进行训练，模型训练包括表征学习和生成对抗两个部分；2：利用收敛后的模型，对待选池中的图像进行采样，之后对采样后的图像进行人工注释和图像生成；3：把采样得到的图像从待选池转移到标记池，并把生成的图像加入到待选池，根据更新后的待选池和标记池对采样模型进行训练。本发明在基于池的方法中引入生成对抗机制，赋予模型生成能力，在模型中形成两组生成对抗网络。本发明还引入了“同步更新”的概念，使采样模型随采样进程同步更新，从而使每次采样都能选择当前阶段含信息量最丰富的样本。
-
公开(公告)号：CN111950619B
公开(公告)日：2022-09-09
申请号：CN202010779759.X
申请日：2020-08-05
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于双重生成对抗网络的主动学习方法。包括如下步骤：1：利用标记池图像和未标记池图像对模型进行训练，模型训练包括表征学习和生成对抗两个部分；2：利用收敛后的模型，对待选池中的图像进行采样，之后对采样后的图像进行人工注释和图像生成；3：把采样得到的图像从待选池转移到标记池，并把生成的图像加入到待选池，根据更新后的待选池和标记池对采样模型进行训练。本发明在基于池的方法中引入生成对抗机制，赋予模型生成能力，在模型中形成两组生成对抗网络。本发明还引入了同步更新”的概念，使采样模型随采样进程同步
-
公开(公告)号：CN113012171A
公开(公告)日：2021-06-22
申请号：CN202110356839.9
申请日：2021-04-01
Applicant: 东北林业大学
Abstract: 本发明公开了一种基于协同优化网络的肺结节分割方法。包括如下步骤：1：把原始样本数据x输入到表示分割网络S中，训练分割网络的分割能力以生成带标签的数据y1；2：将带标签的样本数据y输入到生成器G中，将生成器生成数据x1和原始的样本数据x输入到判别器D中，在每次迭代结束后，对对抗网络进行更新训练；3：将带标签的真实样本数据y输入到生成器G中，将生成器生成数据x1和原始的样本数据x分别输入到判别器D和分割模型S中，在每次迭代结束后，对任务分割模型和对抗网络进行更新训练。本发明在分割模型中增加了整个架构的深度，而没有显著增加计算成本，使生成特征表示的生成器与状态鉴别器进行对抗训练。
-
Patent Agency Ranking
公开(公告)号：CN111881716A
公开(公告)日：2020-11-03
申请号：CN202010501858.1
申请日：2020-06-05
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于多视角生成对抗网络的行人重识别方法。所述多视角生成对抗网络利用经挑选的行人数据集进行训练，能够基于给定行人图像生成该行人正面、侧面以及背面三个固定视角下的图像，不仅能够扩充现有数据集，在训练阶段提升行人重识别网络性能；而且能够在测试阶段完善查询图像不同视角下的语义特征，从而进一步提升行人重识别网络的性能。所述多视角生成对抗网络灵活性强，可以与现阶段流行的行人重识别方法进行结合，充分利用已有方法的性能基础，也可以与简单的分类网络进行结合，且都能够提高行人重识别网络的性能。
-
公开(公告)号：CN112861705B
公开(公告)日：2022-07-05
申请号：CN202110158298.9
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于混合学习的跨域行人重识别方法。包括如下步骤：1：设计基于生成对抗网络的风格迁移模型，利用标记的源域数据对风格迁移模型进行训练；2：设计基于特征提取网络的行人重识别模型，特征提取网络之后连接了两个分别用于监督学习和无监督学习的模块；3：设计动态权重函数动态的调整两种学习方式的权重，从而动态的对特征提取网络进行训练，最终完成跨域行人重识别任务。本发明设计了监督学习和无监督学习两种模块、结合了源域和目标域的数据对行人重识别模型进行训练。本发明还设计了动态权重函数动态地结合两种学习方式。
-
公开(公告)号：CN112966647A
公开(公告)日：2021-06-15
申请号：CN202110319273.2
申请日：2021-03-25
Applicant: 东北林业大学
Abstract: 本发明提出一种基于聚类的无监督模型，使用逐层聚类的方法提高模型在目标域生成的伪标签的质量，并利用生成对抗网络生成辅助样本增强模型对于环境的鲁棒性，以此来形成在开放世界中具有高辨别力的行人重识别模型。其包括以下步骤：1：使用一种逐层聚类的方法，逐渐对提取出的特征向量进行聚合，为置信度较高的簇设置伪标签，并将带伪标签的目标域样本进行监督学习；步骤2：利用生成对抗网络生成跨摄像机的目标域辅助样本，并将其加入到目标域数据中参与聚类迭代以及模型损失优化；步骤3：在辅助样本加入后，结合三元组损失以及交叉熵损失对模型进行分阶段调整，提高模型稳定性。
-
公开(公告)号：CN112488147A
公开(公告)日：2021-03-12
申请号：CN202011203052.0
申请日：2020-11-02
Applicant: 东北林业大学
Abstract: 本发明涉及一种基于对抗网络的冗余去除主动学习方法。包括如下步骤：1：把标记数据和未标记数据输入到表示生成器中，表示生成器为每个样本生成特征表示；2：鉴别器在损失预测模块的指导下预测未标记样本的状态值；3：把未标记样本依据预测值的降序排列为[x1,x2,x3,…]，然后把此序列输入到冗余去除模块进行样本选择，最终得到需要标记的样本组合，在每次迭代结束后，对任务模型和整个主动学习模型进行更新训练。本发明在主动学习模型中设置了对抗学习机制，使生成特征表示的生成器与状态鉴别器进行对抗训练。本发明还设计了冗余去除模块，其以判别器预测的状态值为基础，依据特征距离去除冗余样本，以减少人工标记成本。
-
公开(公告)号：CN111199248A
公开(公告)日：2020-05-26
申请号：CN201911363342.9
申请日：2019-12-26
Applicant: 东北林业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于深度学习目标检测算法的服装属性识别检测方法，通过对原始服装图像进行标注和分类，获取服装的属性，如：袖子、领子等，然后对服装图片进行翻转、平移等预处理，再予以基于深度学习的目标检测算法对服装属性进行识别检测。所述对服装图片进行预处理是指对图片服装属性的位置进行标注并对其进行分类，然后使用传统图像算法对图片进行翻转和平移等预处理达到数据增广的效果。所述基于深度学习的目标检测算法的服装属性识别检测方法是首先使用深度卷积神经网络对服装属性特征进行充分提取，然后使用目标检测算法特征金字塔对多层特征进行融合，最后使用全卷积神经网络对服装属性进行识别和检测。本发明能够达到90％的识别准确率和82％的检测精度，鲁棒性和泛化能力强，可适用于计算机视觉领域中的服装属性识别和检测。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.023 seconds)
