-
公开(公告)号：CN114399790B
公开(公告)日：2022-11-18
申请号：CN202111676773.8
申请日：2021-12-31
Applicant: 中国科学院大学
Abstract: 本发明公开了一种基于非配准多模态数据的微小人物检测方法、一种计算机可读存储介质和一种计算机设备，所述方法包括训练检测模型用以进行微小人物检测的步骤，检测模型按照包括以下步骤的方法获得：步骤1，建立非配准多模态数据集；步骤2，对数据集中的图像进行配对采样；步骤3，获得图像的多模态特征；步骤4，对多模态特征进行融合；步骤5，对融合特征进行微调。本发明公开的基于非配准多模态数据的微小人物检测方法，消除了基于复杂传感器和大量人力的多模态图像配准的要求，可以直接使用非配准的多模态数据进行人物检测，且检测性能优越。
-
公开(公告)号：CN114118207B
公开(公告)日：2022-10-21
申请号：CN202111221230.7
申请日：2021-10-20
IPC: G06V10/764 , G06V10/84 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于网络扩张与记忆召回机制的增量学习的图像识别方法。其采用网络扩张模块提高卷积神经网络的特征表达能力，再通过召回机制实现旧类与新类分布之间的抗混叠系统地缓解对旧类的灾难性遗忘和对新类的过度适应，能够实现最小化模型过度拟合和类混淆，以实现以少量样本完成可驱动的持续训练，从而得到增量分类神经网络，实现图片的分类。
-
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：CN109784203B
公开(公告)日：2020-05-15
申请号：CN201811584403.X
申请日：2018-12-24
Applicant: 中国科学院大学
Abstract: 本发明公开了一种基于分层传播和激活的弱监督X光图像违禁品检查方法，其实现过程为：首先获取X光图像数据，及其对应的图像类别，并形成训练样本集和测试样本集；然后在训练样本集上通过卷积神经网络(CNN)自上而下的分层结构得到特征图；分层传播激活的方法通过自上而下的层间和层内置信度的传播推动各层特征图的激活，最终得到违禁品的准确位置。本方法利用弱监督标注信息学习图像识别模型，在对图像进行标注时只需要简单的指定图像中有无违禁品以及违禁品的类别信息，不需要对图像中违禁品的具体位置进行精确标注，从而大幅的减少了人工标注的成本，本发明对于实现违禁品目标的智能检测、减少安检过程中不必要的重复工作具有极为重要的意义。
-
公开(公告)号：CN110717534A
公开(公告)日：2020-01-21
申请号：CN201910941413.2
申请日：2019-09-30
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于网络监督的目标分类和定位方法，包括以下步骤：根据待测目标的类别自动从搜索引擎获取大量网络图像数据；过滤去除噪声图像，形成训练样本集；初步构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行特征提取，将特征分类，并得到目标物体的位置信息，实施对分类和定位网络的训练。本发明中该端到端的基于网络监督的精细分类与定位方法，利用海量易获取的网络图像作为训练集，完全去除人工标注，仅使用图像级别标签，设计一个高效的卷积网络，融入全局平均池化和类激活映射图等算法，使得本发明在精细分类任务及定位任务上性能超越弱监督学习方法。
-
Patent Agency Ranking
公开(公告)号：CN110689081A
公开(公告)日：2020-01-14
申请号：CN201910942565.4
申请日：2019-09-30
Applicant: 中国科学院大学
Abstract: 本发明提供了一种基于分歧学习的弱监督目标分类和定位方法，实现过程为：构建训练样本集；基于层次分歧激活模块或者层次分歧激活模块-差异性分歧激活模块构建分类和定位网络；将训练样本集中的样本输入到初步构建的分类和定位网络中进行多尺度的目标特征提取；设计损失函数，根据损失函数计算梯度，对整个卷积层网络进行梯度反传，并更新卷积层网络参数，实现网络的优化。本发明方法提出了两种分歧学习形式：差异分歧学习和层次分歧学习，两种分歧学习从不同的角度挖掘目标的定位信息，最终激活出完整的目标区域，该方法能够发现目标的互补和具有辨别力的视觉模式，能够在精确目标定位的同时保持图像分类的高性能，具有非常好的实用性和扩展性。
-
公开(公告)号：CN109784203A
公开(公告)日：2019-05-21
申请号：CN201811584403.X
申请日：2018-12-24
Applicant: 中国科学院大学
Abstract: 本发明公开了一种基于分层传播和激活的弱监督X光图像违禁品检查方法，其实现过程为：首先获取X光图像数据，及其对应的图像类别，并形成训练样本集和测试样本集；然后在训练样本集上通过卷积神经网络(CNN)自上而下的分层结构得到特征图；分层传播激活的方法通过自上而下的层间和层内置信度的传播推动各层特征图的激活，最终得到违禁品的准确位置。本方法利用弱监督标注信息学习图像识别模型，在对图像进行标注时只需要简单的指定图像中有无违禁品以及违禁品的类别信息，不需要对图像中违禁品的具体位置进行精确标注，从而大幅的减少了人工标注的成本，本发明对于实现违禁品目标的智能检测、减少安检过程中不必要的重复工作具有极为重要的意义。
-
公开(公告)号：CN109740588A
公开(公告)日：2019-05-10
申请号：CN201811582841.2
申请日：2018-12-24
Applicant: 中国科学院大学
Abstract: 本发明提供了基于深度卷积神经网络的弱监督X光图片违禁品定位方法，该方法设计了一个可与传统深度卷积神经网络联合学习的深度响应重分配模块，在深度特征空间无监督地计算目标概率，重新分配深度响应，过滤反例样本，引导网络集中学习正例样本。在训练好的定位模型中增加全连接层，将增加的全连接层转换为卷积层作为新的目标定位分支；全连接层转换后的卷积层输出类别响应图，原始全连接层输出目标类别的预测得分，一次前向传播可同时获得图片目标类别预测得分和类别响应图，完成目标定位。本发明方法通过无监督的深度响应重分配模块实现基于弱监督的深度学习框架，在海量X光图片违禁品定位的实际应用中灵活性大，效率高，实用性强。
-
公开(公告)号：CN104717468B
公开(公告)日：2018-09-14
申请号：CN201510100197.0
申请日：2015-03-06
Applicant: 中国科学院大学
Abstract: 本发明公开了一种基于集群轨迹分类的集群场景智能监控方法及系统，所述方法包括：首先，采用关键点跟踪算法获取监控视频中运动目标的运动轨迹；然后采用全局一致马尔科夫随机场模型的生成树算法，对具有时空一致性的片段轨迹进行连接，得到完整的轨迹树；接下来，采用基于置信的关联主题模型学习轨迹树的中层特征并对其进行重描述；再接着，基于中层特征的描述的轨迹树，采用多类支持向量机分类器对轨迹树进行分类；最后，利用基于置信的关联主题模型和多类支持向量机分类器训练的模型，采用最小信息熵算法对每一条片段轨迹进行分类。本发明设计了一套完整的集群场景中的智能监控系统，代替人工对集群场景监控视频的分析，节约人力资源，系统鲁棒性好。
-
公开(公告)号：CN107563303A
公开(公告)日：2018-01-09
申请号：CN201710677418.X
申请日：2017-08-09
Applicant: 中国科学院大学
Abstract: 本发明公开了一种基于深度学习的鲁棒性舰船目标检测方法，包括以下步骤：1：对训练样本进行处理并训练，得到训练分类器；2、获得需处理的遥感图像，并对其进行预处理；3、对预处理后的遥感图像进行海陆分割，得到海陆分割区域，并对不存在舰船的岸上区域进行遮挡；4、获得特征提取网络，并利用其提取步骤3得到的海陆分割区域的旋转不变深度特征，即得到特征图；5、利用分类激活特征图的方法得到舰船这一类别的响应图；6、对步骤5得到的响应图求连通域，得到初步检测框；7、对舰船的参数进行估计，得到带有检测框的结果图。本发明所述方法可以进行水域区分，排除岸上虚警，提高多角度目标的检测精度，大量减少由并排摆放引发的舰船漏检。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.054 seconds)
