-
公开(公告)号：CN113989549B
公开(公告)日：2025-03-07
申请号：CN202111227379.6
申请日：2021-10-21
Applicant: 神思电子技术股份有限公司
IPC: G06V10/764 , G06V10/774
Abstract: 本发明公开了一种基于伪标签的半监督学习图像分类优化方法及系统，包括：获取待分类图像并进行预处理；利用训练好的图像分类模型对所述图像进行识别，得到图像分类结果；其中，首先基于有标签的图像样本数据集对图像分类模型进行训练，得到初始图像分类模型；利用所述初始图像分类模型得到无标签的图像样本数据集对应的预测集，基于所述预测集生成伪标签数据集；利用无标签的图像样本数据集和伪标签数据集对初始图像分类模型进行训练，得到训练好的图像分类模型。本发明基于伪标签的半监督学习方法进行图像分类，在标签图像样本数据有限的情况下，能够对无标签图像样本数据自动化标记伪标签。
-
公开(公告)号：CN117636471A
公开(公告)日：2024-03-01
申请号：CN202311648027.7
申请日：2023-12-04
Applicant: 神思电子技术股份有限公司
IPC: G06V40/20 , G06V20/52 , G06V10/25 , G06V10/26 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本申请提供了一种基于马克图注意力的目标行为检测方法、设备及介质，属于图像处理技术领域。该方法获取待定行为图像，并将待定行为图像输入预先训练的图像识别模型；对待定行为图像进行下采样操作，确定待定行为图像对应的多个采样特征图；其中，各采样特征图根据不同的下采样倍数得到；通过图像识别模型中多尺度特征融合网络，将预设数量的采样特征图进行特征组合，以得到相应的浅层特征图；将指定下采样倍数对应的采样特征图，作为深层特征图；基于浅层特征图及深层特征图，确定待定行为图像对应的行为类别标签；行为类别标签用于表征待定行为图像中特定行为发生区域存在的特定行为类别。
-
公开(公告)号：CN116129240A
公开(公告)日：2023-05-16
申请号：CN202211729611.0
申请日：2022-12-30
Applicant: 神思电子技术股份有限公司
Abstract: 本发明公开了一种基于特征提取的神经网络目标检测方法及系统，包括：获取待检测图像，将所述待检测图像输入至训练好的神经网络目标检测模型，输出图像目标检测结果；其中，所述神经网络目标检测模型的输出层输出设定维数的特征向量；将所述特征向量与预先设定的感兴趣目标的图像样本的特征向量进行比较，选取出与待检测图像的特征向量最接近的图像样本，得到待检测图像的目标检测结果。本发明所提出的神经网络目标检测模型的输出为固定维数的特征向量，神经网络目标检测模型的结构与目标类型种类无关，简化了模型的计算量，提高了目标检测的效率和准确率，同时使得模型更具有通用性。
-
公开(公告)号：CN114067261A
公开(公告)日：2022-02-18
申请号：CN202111240824.2
申请日：2021-10-25
Applicant: 神思电子技术股份有限公司
Abstract: 本发明公开一种基于空间化结构关系的行人属性识别方法及系统，包括：对行人目标图像采用构建的行人属性识别模型进行属性识别，得到行人属性识别结果；所述属性识别过程包括：对行人目标图像提取空间特征图；对空间特征图进行窗口划分，对每个窗口进行属性注意力机制特征提取后，得到所有空间属性的特征，并分别筛选出人体上层空间属性、中层空间属性和下层空间属性的空间属性特征；对多层空间属性特征进行特征融合后，得到行人属性识别结果。利用属性空间位置关系，将行人图像分为上中下三层空间结构，对不同空间属性分别提取属性特征，确保属性空间位置的准确性。
-
公开(公告)号：CN114067228B
公开(公告)日：2024-11-29
申请号：CN202111249179.0
申请日：2021-10-26
Applicant: 神思电子技术股份有限公司
Abstract: 本发明属于深度学习、目标检测等领域，提供了一种增强前景与背景区分度的目标检测方法及系统。该方法包括，根据原始图像中目标的标记信息，生成与原始图像大小相同的马克图；基于原始图像，采用不同尺度的特征网络，得到不同尺度特征网络对应的特征输出；引入所述马克图，调整所述马克图的大小，得到不同尺度的马克图；根据不同尺度特征网络对应的特征输出，结合不同尺度的马克图，计算不同尺度下马克图损失；采用所述不同尺度下马克图损失构建的损失函数优化目标检测模型；基于原始图像，采用优化后的目标检测模型，得到目标检测结果。
-
Patent Agency Ranking
公开(公告)号：CN114330618B
公开(公告)日：2024-07-02
申请号：CN202111663474.0
申请日：2021-12-30
Applicant: 神思电子技术股份有限公司
IPC: G06K17/00 , G06F18/24 , G06F18/214
Abstract: 本申请公开了一种基于伪标签的二分类标签数据优化方法、设备及介质，用于解决如下技术问题：如何基于伪标签技术，有效识别二分类标签数据中的误标签数据。方法包括：将待优化二分类标签数据集划分为预设数量个优化集；基于预设数量个优化集，确定预设数量个训练集，并对待训练模型进行训练，以获得预设数量个初始模型；通过预设数量个初始模型，分别对对应的相应优化集进行验证，以确定相应优化集中各二分类标签数据的类型预测得分；其中，相应优化集为训练得到该初始模型时没有采用的优化集；基于类型预测得分，通过预设的评估规则，确定对应的二分类标签数据是否为误标签数据。本申请通过上述方法可以有效的识别二分类标签数据中的误标签数据。
-
公开(公告)号：CN116030532A
公开(公告)日：2023-04-28
申请号：CN202211731583.6
申请日：2022-12-30
Applicant: 神思电子技术股份有限公司
IPC: G06V40/20 , G06V10/764 , G06V10/82
Abstract: 本申请公开了一种双分支行人异常行为识别方法、设备及介质，方法包括：获取包含有行人异常行为的图像；将行人的头部区域与身体区域分割；对头部区域和身体区域进行特征提取，并通过浅层特征对头部区域对应的细节行人异常行为进行分类预测，通过深层特征对身体区域对应的整体行人异常行为进行分类预测；通过损失函数对神经网络模型进行训练。针对细节异常行为，利用浅层特征使得保留了更多有效信息，从而使得模型分类性能得到提升。不针对连续帧进行处理，也就不包含有时间深度上的维度处理，由此属于2D网络。利用简单的2D网络直接去替换3D网络去直接进行分类，使得模型计算量和复杂度更为简化，使得其能够有效在低算力嵌入式设备部署运行。
-
公开(公告)号：CN115984552A
公开(公告)日：2023-04-18
申请号：CN202211345592.1
申请日：2022-10-31
Applicant: 神思电子技术股份有限公司
Abstract: 本发明公开了一种基于辅助损失的仪表图像分割优化方法及系统，包括：获取待识别仪表图像信息；将所述仪表图像信息输入至训练好的图像分割神经网络模型，得到仪表图像分割结果；其中，所述仪表图像信息经过图像分割神经网络模型的下采样后得到多层浅层特征图，最后一层浅层特征图经过上采样后得到深层特征图；所述图像分割神经网络模型的损失函数为对深层特征进行损失计算的深层损失函数，加上用于分别对各浅层特征进行损失计算的多个浅层损失函数的加权之和。本发明在图像分割模型的基础架构上，利用辅助损失的方式，将仪表图像的浅层边缘纹理特征信息与深度信息很好的进行了融合。提升了仪表图像分割的精度以及泛化能力。
-
公开(公告)号：CN113158725B
公开(公告)日：2022-02-08
申请号：CN202011588808.8
申请日：2020-12-29
Applicant: 神思电子技术股份有限公司
IPC: G06V20/40 , G06V20/52 , G06V10/40 , G06V10/74 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/02
Abstract: 本发明提供了一种综合性工程车辆施工动作判断方法，其硬件设施包括位于道路旁及各个场地的监控摄像头，全部监控摄像头均通过网络连接后台服务器，判断方法包括以下步骤：1)、目标获取：将监控摄像头所拍摄的画面输入后台服务器，启动检测算法，开始输出画面上的目标；2)、目标追踪：此时监控摄像头的视角固定不变，启动追踪算法对画面中移动和/或静止的目标进行追踪，根据追踪结果判断目标是否发生位移，并将同一目标的检测结果归类；3)、序列标准化：目标检测的结果图片大小尺寸不唯一，将图片尺寸标准化为设定图像，设定图像为224×224方形图像；4)、工程机械的施工动作分析；5)、报警触发。本发明增加施工动作分析算法，减少误报几率。
-
公开(公告)号：CN113158723A
公开(公告)日：2021-07-23
申请号：CN202011560837.3
申请日：2020-12-25
Applicant: 神思电子技术股份有限公司
Abstract: 本发明公开了一种端到端的视频动作检测定位系统，涉及人体动作识别领域。端到端的视频动作检测定位系统的定位过程：视频解码；数据重组；设定数据采样频率，读取固定长度的视频片段，将数据重新组合为可输入数据模式输入到下一模块；对输入数据进行计算操作；空间关键信息提取；将时空信息解析单元模块提取的特征信息进行处理，使网络提取的特征更能关注图像中更加有用空间信息，滤除背景信息，对图像中动作发生的位置特征进行增强；通道信息整合挖掘；将时空信息解析单元模块得到的数据特征进行通道级别的信息整合，挖掘运动信息，关注帧之间运动信息挖掘，关注行为动作发生的类型；预测结果输出；采用1x1卷积输出对应的通道数量的特征图。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.058 seconds)
