-
公开(公告)号：CN117453944B
公开(公告)日：2024-04-09
申请号：CN202311793485.X
申请日：2023-12-25
Applicant: 厦门大学
Abstract: 本发明涉及一种多层级显著区域分解的无监督实例检索方法及系统，其基于图结构归一化切割方法，提出显著区域分解的实例定位方法和基于掩码的感兴趣区域特征提取方法，实现了图像中的显著实例发现和显著实例的多层级分解。本发明解决了先前方法提取图像级特征或者区域级实例特征的问题；提高了实例级及其子区域定位的准确性与完整性；提高实例特征的特征区分度同时减少背景噪声对实例定位结果的干扰。
-
公开(公告)号：CN105868789B
公开(公告)日：2019-04-26
申请号：CN201610212736.4
申请日：2016-04-07
Applicant: 厦门大学
Abstract: 一种基于图像区域内聚测度的目标发现方法，涉及计算机视觉技术。提供可快速给出少量的目标建议窗口，使得目标建议窗口内尽可能包含目标的一种基于图像区域内聚测度的目标发现方法。同时解决目标检测和显著性检测问题。提出的图像区域内聚测度的方法还被应用于显著性检测，显著性检测也被作为计算机视觉任务的一项基本任务并广泛被应用于其他计算机视觉任务。
-
公开(公告)号：CN105335500B
公开(公告)日：2018-11-20
申请号：CN201510710221.2
申请日：2015-10-28
Applicant: 厦门大学
IPC: G06F17/30
Abstract: 协变局部特征聚集的图像特征表示法，涉及计算机视觉与多媒体信息检索。提取图像局部特征；离线训练一个小的视觉词汇集合；将每幅图的局部特征用简化的费舍尔核方法进行聚集；聚集时，同时考虑每个局部特征的主方向信息,将主方向分为8个量化区间，根据量化后的主方向值，聚集到不同的费舍尔子向量，8个子向量拼接为一个长向量，作为图像的特征表示；将8个费舍尔子向量重组得一系列8维的子向量。对每个子向量进行一维离散余弦变换，变换到该特征的频率域；再对频率域的特征重组，得不同频段的8个子向量，对每个子向量做主成分分析，再对降维后的8个子向量重组得一系列8维的子向量；在子向量上定义相似度度量，以计算图像两两间的相似度。
-
公开(公告)号：CN107491785A
公开(公告)日：2017-12-19
申请号：CN201710690910.0
申请日：2017-08-14
Applicant: 厦门大学
IPC: G06K9/62
CPC classification number: G06K9/6218
Abstract: 一种基于边缘侵蚀的聚类方法，涉及聚类问题。计算输入数据每个点的近邻关系或者直接获得每个数据点的近邻关系；计算边缘侵蚀密度；根据所述点的等级高低依次分配类标签，具体方法如下：(1)按照点的等级由高到低排列，即删除先后顺序的逆序；(2)依次访问每个点，若当前点的近邻没有类标，则分配一个新的类标，若有，则用已被标记的近邻中离当前点最近的点的类标标记当前点；(3)重复步骤(2)直到所有点被标记；按照剔除点的顺序的逆序分配类标签，类中心区域将最先被标记，一个类标签将从类中心向外扩展，自动终止于类的边界，类的边界即为那些初始密度较低的点。
-
公开(公告)号：CN106485285A
公开(公告)日：2017-03-08
申请号：CN201610915609.0
申请日：2016-10-21
Applicant: 厦门大学
IPC: G06K9/62
CPC classification number: G06K9/6223
Abstract: K平均聚类的增强方法，涉及机器学习的数据聚类。包括以下步骤：1)给定n个待聚类数据，目标聚类数为k个；2)初始化k个聚类中心；3)将一个数据的类标签换成另一个类标签，使得预先定义的优化函数值增大；4)重复步骤3)直到目标函数无法再获得更高的函数值，或达到指定的迭代次数。抛弃传统初始化策略使得聚类更快，而且提高了聚类质量；优化函数直接驱动聚类得到了比传统聚类小很多的误差；聚类过程中，可以不用每次为每个数据赋予最佳的类。这一改变使得聚类速度更快，而且收敛到更好的局部最优点；应用到自顶向下的二分层次聚类上，可以极大的降低聚类复杂度。
-
Patent Agency Ranking
公开(公告)号：CN105335500A
公开(公告)日：2016-02-17
申请号：CN201510710221.2
申请日：2015-10-28
Applicant: 厦门大学
IPC: G06F17/30
Abstract: 协变局部特征聚集的图像特征表示法，涉及计算机视觉与多媒体信息检索。提取图像局部特征；离线训练一个小的视觉词汇集合；将每幅图的局部特征用简化的费舍尔核方法进行聚集；聚集时，同时考虑每个局部特征的主方向信息,将主方向分为8个量化区间，根据量化后的主方向值，聚集到不同的费舍尔子向量，8个子向量拼接为一个长向量，作为图像的特征表示；将8个费舍尔子向量重组得一系列8维的子向量。对每个子向量进行一维离散余弦变换，变换到该特征的频率域；再对频率域的特征重组，得不同频段的8个子向量，对每个子向量做主成分分析，再对降维后的8个子向量重组得一系列8维的子向量；在子向量上定义相似度度量，以计算图像两两间的相似度。
-
公开(公告)号：CN119380003A
公开(公告)日：2025-01-28
申请号：CN202411942834.4
申请日：2024-12-27
Applicant: 厦门大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06V20/70 , G06N5/022
Abstract: 本发明提供一种基于置信度驱动的增量目标检测方法，所述方法包括：使用旧模型对新图像生成区域级别的伪标签，用于标记新图像中旧类别目标物体的区域；将新图像的真实标签与生成的伪标签结合，形成扩充的检测目标类别标注，用于新模型的训练；通过旧模型对新图像生成像素级别的置信度值，并与扩充的标签合并，修正新模型中的背景区域；对新模型进行训练，通过区域级别的伪标签和像素级别的置信度值蒸馏，保持对旧类别的检测，同时学习新类别。本发明方法具有计算成本低、易于集成的优点，适用于大规模增量目标检测场景。
-
公开(公告)号：CN117725243B
公开(公告)日：2024-06-04
申请号：CN202410173702.3
申请日：2024-02-07
Applicant: 厦门大学
IPC: G06F16/532 , G06F16/583 , G06F16/55 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于层级语义区域分解的类无关实例检索方法，该检索方法通过检测器提取特征图像的实例，并将实例存储在潜在实例库中；然后通过描述器将潜在实例库中的实例进行特征提取，得到实例特征，并将实例特征存储在特征库中；当输入查询图片时，检索器对查询图片进行特征提取得到查询特征，并将查询特征与特征库中的实例特征进行匹配，获取与查询特征最为相似的前K个实例特征作为检索结果。本发明在检测器中，通过对图像进行分层语义区域分解和筛选来实现对不同尺度实例级区域的快速发现，以达到全面地发现可能被检索的实例的目的。这种分层分解很好地解决了真实实例检索场景中普遍存在的对象遮挡和嵌入问题。
-
公开(公告)号：CN111913849B
公开(公告)日：2022-02-11
申请号：CN202010746722.7
申请日：2020-07-29
Applicant: 厦门大学
Abstract: 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法，涉及计算机系统异常检测技术和趋势预测技术。1)模型设计：变分自编码器作为异常检测模块，为模型的前半部分；长短时记忆网络作为趋势预测模块，为模型的后半部分；2)原始运维时序数据经历数据补全，归一化处理，以及采用滑动窗口将数据分割成固定长度的时序段输入到模型；3)采用变分自编码器重构输入的时序段，从而分离出异常点，达到异常检测的目的；4)将自编码器重构的时序段输入到趋势预测模块，预测下一时刻的状态值。减少时间序列中原有的异常和噪声对长短时记忆网络的影响，提高长短时记忆网络的鲁棒性；提高性能的同时又减少性能在不同数据之间的波动。
-
公开(公告)号：CN113553232A
公开(公告)日：2021-10-26
申请号：CN202110783748.3
申请日：2021-07-12
Applicant: 厦门大学
Abstract: 本发明公开了一种通过在线矩阵画像对运维数据进行无监督异常检测方法，其首先采用窗口大小为m的滑动窗口将时间序列X分为多个子序列Xi，m；然后基于多个子序列Xi，m构建在线矩阵画像P＝{p1，…，pt，…，pn‑m+1}；最后通过在线矩阵画像算法计算出最近邻子序列，并利用最近邻子序列计算出xt的距离显著性rt，若距离显著性rt大于预定义阈值τ，则被认为是异常，否则被认为是正常。本发明能够进行无监督单变量时间序列异常检测任务，不需要进行任何模型地训练且能高效准确地找出异常。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.018 seconds)
