-
公开(公告)号：CN110728214B
公开(公告)日：2020-08-18
申请号：CN201910918836.2
申请日：2019-09-26
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于尺度匹配的弱小人物目标检测方法，该方法包括将网络预训练数据集上人物的尺度分布迁移为目标训练集上弱小人物尺度分布的步骤；训练目标检测模型时，首先在尺度迁移后的预训练数据集上预先训练得到初步的目标检测模型，然后再在目标训练集上训练得到最终的目标检测模型。本发明方法通过尺度匹配，使得模型能够更好地研究和利用微小尺度上的信息，使卷积神经网络或其他模型在弱小目标表示上更加精确，有效提高了现有技术检测器的检测性能。
-
公开(公告)号：CN111506773A
公开(公告)日：2020-08-07
申请号：CN202010214485.X
申请日：2020-03-24
Applicant: 中国科学院大学
IPC: G06F16/75 , G06F16/783 , G06K9/62 , G06N3/04 , G06N3/08 , H04N21/234 , H04N21/44
Abstract: 本发明公开了一种基于无监督深度孪生网络的视频去重方法，其实现过程为：采用孪生卷积神经网络模型，通过图片的相似性学习图片的表示。孪生网络模型以一对内容相似的图片作为正样本，一对内容不同的图片作为负样本，并利用对照比损失约束，驱动模型学习对内容相似性具有判别力的特征。然后，利用训练学习的网络模型对视频图像帧进行特征描述，用于视频图像去重。采用启发式的Dijkstra相似度进行相似图片聚类并去除重复的视频图像帧，达到高速提取视频关键帧的目的。本方法基于无监督局部度量学习，不需要人工标注样本，具有一定实用性和扩展性，去重算法不依赖于聚类中心个数，只需处理关键视频图像帧，可以应用于复杂视频任务的预处理过程。
-
公开(公告)号：CN111950610A
公开(公告)日：2020-11-17
申请号：CN202010746942.X
申请日：2020-07-29
Applicant: 中国科学院大学
Abstract: 本发明公开了一种基于精确尺度匹配的弱小人体目标检测方法，所述方法在实例级对预训练数据集和目标数据集的尺度分布进行对齐，从而产生更有效和更合适的匹配数据集；为了减轻实例级对齐分布所造成的图像结构上的损失，采用基于概率结构的背景处理方法，通过抑制图像模糊和保持孔洞周围的上下文一致性来动态地对图像进行修复。本发明所公开的方法，有效地促进了预训练数据集与目标数据集之间的相似性，能够有效平衡图像结构与语义之间的信息损失，明显地提高了在TinyPerson上的性能，在平均精度(AP)和遗失率(MR)方面有了显著的性能提高。
-
公开(公告)号：CN111489330B
公开(公告)日：2021-06-22
申请号：CN202010215165.6
申请日：2020-03-24
Applicant: 中国科学院大学
Abstract: 本发明提供了一种弱小目标检测方法，该方法通过与以下步骤实现：对用于目标检测的图像进行预处理，增强图像的对比度；对图像进行图像显著性分析，得到突出显示前景目标所在区域的显著性图；基于图像的显著性图，对图像中显著性目标实施分割处理，定位得到图像中的目标位置。当目标检测同时采用多源信道所采集到的时间和空间上对齐的多个图像时，该检测方法还包括将经上述步骤处理后的图像进行融合的步骤。本发明中(基于多源信息融合的)弱小目标检测，对于远距离目标监控与分析具有非常重要的意义，其使用显著性分析、图像分割、图像融合等方法，有效实现了对图像中显著性目标的提取。
-
公开(公告)号：CN111950612B
公开(公告)日：2021-06-01
申请号：CN202010752490.6
申请日：2020-07-30
Applicant: 中国科学院大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于FPN的融合因子的弱小目标检测方法、计算机可读存储介质和计算机设备。所述方法包括在图像特征提取聚合相邻特征层时，对来自不同图层的特征比例进行调整的步骤。本发明公开的基于FPN的融合因子的弱小目标检测方法，通过在FPN中设置适当的融合因子，可以在小目标检测的基线上获得显著的性能提升；采用基于统计的方法获得融合因子，提升了学习效率和检测性能；融合因子能够随数据集进行变化，扩大了应用范围。
-
Patent Agency Ranking
公开(公告)号：CN111950612A
公开(公告)日：2020-11-17
申请号：CN202010752490.6
申请日：2020-07-30
Applicant: 中国科学院大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于FPN的融合因子的弱小目标检测方法、计算机可读存储介质和计算机设备。所述方法包括在图像特征提取聚合相邻特征层时，对来自不同图层的特征比例进行调整的步骤。本发明公开的基于FPN的融合因子的弱小目标检测方法，通过在FPN中设置适当的融合因子，可以在小目标检测的基线上获得显著的性能提升；采用基于统计的方法获得融合因子，提升了学习效率和检测性能；融合因子能够随数据集进行变化，扩大了应用范围。
-
公开(公告)号：CN111950610B
公开(公告)日：2021-05-11
申请号：CN202010746942.X
申请日：2020-07-29
Applicant: 中国科学院大学
Abstract: 本发明公开了一种基于精确尺度匹配的弱小人体目标检测方法，所述方法在实例级对预训练数据集和目标数据集的尺度分布进行对齐，从而产生更有效和更合适的匹配数据集；为了减轻实例级对齐分布所造成的图像结构上的损失，采用基于概率结构的背景处理方法，通过抑制图像模糊和保持孔洞周围的上下文一致性来动态地对图像进行修复。本发明所公开的方法，有效地促进了预训练数据集与目标数据集之间的相似性，能够有效平衡图像结构与语义之间的信息损失，明显地提高了在TinyPerson上的性能，在平均精度(AP)和遗失率(MR)方面有了显著的性能提高。
-
公开(公告)号：CN111506773B
公开(公告)日：2021-03-30
申请号：CN202010214485.X
申请日：2020-03-24
Applicant: 中国科学院大学
IPC: G06F16/75 , G06F16/783 , G06K9/62 , G06N3/04 , G06N3/08 , H04N21/234 , H04N21/44
Abstract: 本发明公开了一种基于无监督深度孪生网络的视频去重方法，其实现过程为：采用孪生卷积神经网络模型，通过图片的相似性学习图片的表示。孪生网络模型以一对内容相似的图片作为正样本，一对内容不同的图片作为负样本，并利用对照比损失约束，驱动模型学习对内容相似性具有判别力的特征。然后，利用训练学习的网络模型对视频图像帧进行特征描述，用于视频图像去重。采用启发式的Dijkstra相似度进行相似图片聚类并去除重复的视频图像帧，达到高速提取视频关键帧的目的。本方法基于无监督局部度量学习，不需要人工标注样本，具有一定实用性和扩展性，去重算法不依赖于聚类中心个数，只需处理关键视频图像帧，可以应用于复杂视频任务的预处理过程。
-
公开(公告)号：CN111489330A
公开(公告)日：2020-08-04
申请号：CN202010215165.6
申请日：2020-03-24
Applicant: 中国科学院大学
Abstract: 本发明提供了一种弱小目标检测方法，该方法通过与以下步骤实现：对用于目标检测的图像进行预处理，增强图像的对比度；对图像进行图像显著性分析，得到突出显示前景目标所在区域的显著性图；基于图像的显著性图，对图像中显著性目标实施分割处理，定位得到图像中的目标位置。当目标检测同时采用多源信道所采集到的时间和空间上对齐的多个图像时，该检测方法还包括将经上述步骤处理后的图像进行融合的步骤。本发明中(基于多源信息融合的)弱小目标检测，对于远距离目标监控与分析具有非常重要的意义，其使用显著性分析、图像分割、图像融合等方法，有效实现了对图像中显著性目标的提取。
-
公开(公告)号：CN110728214A
公开(公告)日：2020-01-24
申请号：CN201910918836.2
申请日：2019-09-26
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于尺度匹配的弱小人物目标检测方法，该方法包括将网络预训练数据集上人物的尺度分布迁移为目标训练集上弱小人物尺度分布的步骤；训练目标检测模型时，首先在尺度迁移后的预训练数据集上预先训练得到初步的目标检测模型，然后再在目标训练集上训练得到最终的目标检测模型。本发明方法通过尺度匹配，使得模型能够更好地研究和利用微小尺度上的信息，使卷积神经网络或其他模型在弱小目标表示上更加精确，有效提高了现有技术检测器的检测性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.027 seconds)
