-
公开(公告)号：CN105095862B
公开(公告)日：2018-05-29
申请号：CN201510404260.X
申请日：2015-07-10
Applicant: 南开大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于深度卷积条件随机场的人体动作识别方法，所述人体动作识别方法包括以下步骤：根据空间卷积层、子采样层交替获取输入图像序列的空间特征表达；对输入图像序列的空间特征表达进行时间卷积操作得到进一步图像序列特征表达；构建基于时空卷积网络的深度条件随机场识别模型，并进行优化；对待预测视频序列进行优化后的深度条件随机场识别的前向计算，得到待预测视频序列中每一帧图像所属的动作类别标注信息。本发明实现了对图像序列数据的时空变换建模，达到了很好的人体动作识别效果。
-
公开(公告)号：CN106779090A
公开(公告)日：2017-05-31
申请号：CN201611159985.8
申请日：2016-12-15
Applicant: 南开大学
IPC: G06N99/00
CPC classification number: G06N99/005
Abstract: 一种基于自适应Dropout非负矩阵分解的特征学习模型。本发明基于对NMF中隐藏特征之间关系的分析，提出一种基于自适应Dropout非负矩阵分解的特征学习模型(Adaptive Dropout Non‑negative Matrix Factorization)，能够主动学习隐藏特征之间的相异度，并将其转化为隐藏特征的数据表示能力。然后在此基础上构造概率函数，并对隐藏特征进行Dropout，从而降低隐藏特征在优化过程中的相互影响，提高隐藏特征的语义独立性。本发明具有良好的可解释性和泛化性，能够在文本和图像数据上取得明显的性能提升，并能够应用到已有的基于NMF的算法中。此外，本发明还具有良好的可并行性，可以部署到并行平台上运行，用来处理大规模数据。
-
Patent Agency Ranking
公开(公告)号：CN103778407A
公开(公告)日：2014-05-07
申请号：CN201210404068.7
申请日：2012-10-23
Applicant: 南开大学
Abstract: 本发明公开了一种迁移学习框架下基于条件随机场的手势识别算法，涉及机器学习领域，序列数据的标注任务，手势识别问题。通过本发明，手势识别问题不但被更准确的识别，而且相对神经网络与条件随机场相结合的方法，具有更容易优化的特点，而且由于迁移学习框架的采用，通过无监督学习方法引入辅助任务与手势识别的主任务共享隐藏层特征的方式，解决了手势识别问题中有标注数据不足情况下的识别问题。
-
公开(公告)号：CN103778785A
公开(公告)日：2014-05-07
申请号：CN201210403965.6
申请日：2012-10-23
Applicant: 南开大学
IPC: G08G1/017
Abstract: 本发明公开了一种基于停车场环境视频监控的车辆跟踪与检测方法，涉及模式识别领域，运动目标的检测、跟踪，视频监控问题。通过本发明，停车场环境的监控问题不但被更准确的获得，而且相对传统人工监控手段，本发明具有实时不间断监控的特点，而且引入了模式识别的算法的使用，通过对车辆目标的检测以及时间段内的各帧图像之间的关联分析等方式，获得了车辆的目标状态，进而得到停车场的环境状况，解决了停车场环境的智能监控问题。
-
公开(公告)号：CN103778141A
公开(公告)日：2014-05-07
申请号：CN201210404052.6
申请日：2012-10-23
Applicant: 南开大学
IPC: G06F17/30
CPC classification number: G06F17/2282 , G06F17/2745
Abstract: 本发明公开了一种混合PDF图书目录自动抽取方法，涉及信息抽取领域，XML数据的抽取分析任务，目录抽取问题。通过本发明，PDF图书目录不但被更准确的识别，而且相对目前现有的基于目录页内容分析的目录抽取方法，具有处理无目录页图书的目录的能力，而且通过获得的目录项的分析，完成了目录项的定位导航功能，并对目录项进行分级的操作，方便用户更好的理解图书的层级结构，完成了PDF图书的目录抽取建立任务，提升了用户的浏览体验。
-
公开(公告)号：CN105095862A
公开(公告)日：2015-11-25
申请号：CN201510404260.X
申请日：2015-07-10
Applicant: 南开大学
IPC: G06K9/00
CPC classification number: G06K9/00342
Abstract: 本发明公开了一种基于深度卷积条件随机场的人体动作识别方法，所述人体动作识别方法包括以下步骤：根据空间卷积层、子采样层交替获取输入图像序列的空间特征表达；对输入图像序列的空间特征表达进行时间卷积操作得到进一步图像序列特征表达；构建基于时空卷积网络的深度条件随机场识别模型，并进行优化；对待预测视频序列进行优化后的深度条件随机场识别的前向计算，得到待预测视频序列中每一帧图像所属的动作类别标注信息。本发明实现了对图像序列数据的时空变换建模，达到了很好的人体动作识别效果。
-
公开(公告)号：CN106779090B
公开(公告)日：2019-03-08
申请号：CN201611159985.8
申请日：2016-12-15
Applicant: 南开大学
IPC: G06N20/00
Abstract: 一种基于自适应Dropout非负矩阵分解的特征学习模型。本发明基于对NMF中隐藏特征之间关系的分析，提出一种基于自适应Dropout非负矩阵分解的特征学习模型(Adaptive Dropout Non‑negative Matrix Factorization)，能够主动学习隐藏特征之间的相异度，并将其转化为隐藏特征的数据表示能力。然后在此基础上构造概率函数，并对隐藏特征进行Dropout，从而降低隐藏特征在优化过程中的相互影响，提高隐藏特征的语义独立性。本发明具有良好的可解释性和泛化性，能够在文本和图像数据上取得明显的性能提升，并能够应用到已有的基于NMF的算法中。此外，本发明还具有良好的可并行性，可以部署到并行平台上运行，用来处理大规模数据。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
