-
公开(公告)号：CN110309701B
公开(公告)日：2022-08-05
申请号：CN201910310257.X
申请日：2019-04-17
Applicant: 武汉大学
IPC: G06V40/10 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于跨视角同一区域的行人重识别方法，该方法包括以下步骤：1)使用监控设备采集待识别的图片数据集；2)通过姿态估计确定人体关键点及部件区域；3)确定人物目标信息，所述目标信息包括全局特征信息、部件特征信息和跨视角同一区域特征信息；4)在待识别的图片数据集中，提取基于卷积神经网络的全局与行人部件特征；5)计算基于人体关键点的跨视角同一区域的相互距离度量；6)获得基于全局与局部的距离度量并获取行人重识别的排序结果。本发明通过人体关键点与跨视角同一区域的几何关系，构建融合全局特征，部件区域特征及跨视角同一区域特征相结合的行人重识别方法，能有效提高识别准确率。
-
公开(公告)号：CN114239945A
公开(公告)日：2022-03-25
申请号：CN202111500923.X
申请日：2021-12-09
Applicant: 武汉大学
Abstract: 本申请公开了一种短期电力负荷预测方法、装置、计算机设备及计算机可读存储介质，该方法包括：通过对按照预置条件采集的负荷序列进行预处理；根据预置集合经验模态分解模型对预处理后的所述负荷序列进行分解，得到负荷子序列集合，其中，所述负荷子序列集合包括至少两个负荷子序列；根据预置神经网络模型和所述负荷子序列集合，得到预测的负荷子序列值，其中，所述预置神经网络模型包括预置卷积神经网络模型和预置循环神经网络模型，所述负荷子序列值至少为一个；对各个所述负荷子序列值进行融合，确定负荷序列值，从而提高短期电力负荷预测精度。
-
公开(公告)号：CN114037950A
公开(公告)日：2022-02-11
申请号：CN202111245220.7
申请日：2021-10-26
Applicant: 武汉大学
Abstract: 本发明提供了一种基于行人和头部检测的多行人跟踪方法及装置，其中的方法包括：首先分别采用行人检测器和头部定位算法定位出图像中的行人和头部，得到行人检测框和头部检测框；其次设计一种关联模型，对同一行人的头部检测框和行人检测框进行关联，得到新的行人检测框集合；然后通过将新的行人检测框集合转化成头部检测框，采用头部跟踪方式进行多行人跟踪；最后将得到的头部轨迹转化成行人轨迹。本发明提出的方法解决了拥挤场景中因为遮挡导致行人漏检误检等问题，可以有效因局部遮挡导致行人检测框漏检，有效地改善了拥挤场景中多行人检测质量，提升了跟踪的准确度。在对实际监控数据集的定量和定性测试中，都佐证了本发明所提方法的有效性。
-
公开(公告)号：CN111680176A
公开(公告)日：2020-09-18
申请号：CN202010313165.X
申请日：2020-04-20
Applicant: 武汉大学
Abstract: 本发明提供一种基于注意力与双向特征融合的遥感图像检索方法及系统，包括输入训练数据，包括不同类别的遥感图像；构建并训练融合注意力机制与高低阶双向特征的深度哈希网络；所述深度哈希网络中，输入随机采样的成对的遥感图像，分别经过卷积层处理，得到卷积特征，对不同层次的卷积特征进行注意力机制处理，得到注意力特征，对低层与高层的注意力特征进行双向特征融合，将融合之后的特征经过全连接降维得到哈希特征，再通过量化得到图像的哈希码；训练网络时根据哈希特征计算带权交叉熵损失与分类损失，更新网络参数；引入类别信息作为海明距离度量的权重，基于训练所得网络实现遥感图像检索。本发明应用在遥感图像检索中可以取得很好的效果。
-
公开(公告)号：CN111462126A
公开(公告)日：2020-07-28
申请号：CN202010268199.1
申请日：2020-04-08
Applicant: 武汉大学
IPC: G06T7/10
Abstract: 本发明提供了一种基于边缘增强的语义图像分割方法及系统，包括对输入图像进行预处理；建立边缘增强网络模型，包括轻量级边缘网络和深度语义网络；将预处理后图像输入轻量级边缘网络，利用空间注意力模块自适应地关注图像的局部边缘信息；分批次将预处理后图像输入深度语义网络，利用通道注意力模块优化深度网络不同阶段的输出；将所得特征进行级联降维，融合不同层次的特征信息，利用通道注意力模块优化；归一化得到边缘增强网络模型预测的图像分割结果；计算预测的分割图和给定的标准分割图的交叉熵损失和焦点损失，以分别监督轻量级边缘网络和深度语义网络的输出，使用随机梯度下降法更新边缘增强网络的模型参数，实现对输入图像的精确分割。
-
Patent Agency Ranking
公开(公告)号：CN111462019A
公开(公告)日：2020-07-28
申请号：CN202010313174.9
申请日：2020-04-20
Applicant: 武汉大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于深度神经网络参数估计的图像去模糊方法及系统，包括获取训练集和测试集，进行预处理；网络参数设置；基于深度神经网络参数估计的图像去高斯模糊，所述深度神经网络包括两个子模块，分别为高斯标准差水平参数估计子模块和非盲去模糊子模块；所述高斯标准差水平参数估计子模块为沙漏型网络结构，解码块和编码块在对称层之间使用跳跃连接机制，对高斯模糊核经过PCA主成分分析，然后进行维度拉伸得到向量图，向量图与模糊图像作为非盲去模糊模块的输入；所述非盲去模糊子模块应用级联的卷积层来执行非线性映射过程；训练神经网络，测试神经网络，得到去模糊结果。本发明应用在图像去模糊中可以取得很好的效果。
-
公开(公告)号：CN109767008A
公开(公告)日：2019-05-17
申请号：CN201910017697.6
申请日：2019-01-07
Applicant: 武汉大学
IPC: G06N20/00 , G06F16/901
Abstract: 本发明公开了一种基于元模式的高度异构网络多态特征学习方法，基于原网络中相似节点在嵌入空间中也相似的原则，提取方法包括以下步骤。首先，采用基于元模式的随机游走来提取异构网络中的随机路径。然后，利用滑窗提取路径中特定目标的相似节点对。最后，根据网络影响力矩阵和加权skip-gram模型来学习异构节点的多态嵌入表达。得到的节点嵌入可以进一步送入有监督学习模型中，实现对节点分类等任务的预测。本发明实现了从异构网络连接中学习节点特征的功能，具有计算简单、时间复杂度低、嵌入表达多样效果好的技术效果。
-
公开(公告)号：CN108229396A
公开(公告)日：2018-06-29
申请号：CN201810005775.6
申请日：2018-01-03
Applicant: 武汉大学
Abstract: 本发明公开了一种基于分辨率分值变化的行人检测方法，包括在训练阶段根据训练数据提取样本特征，根据所得特征训练检测子，样本通过检测子后可以获得判别分值，当样本的分辨率逐渐下降时判别分值会随之下降，样本的分辨率和对应的分值形成一条渐变线，由能表达渐变线的参数组成参数特征，训练行人分类器；在测试阶段对待检测区域提取相应的参数特征后输入训练阶段所得分类器进行判断待检测区域是否包含行人。本发明应用在行人检测领域中可以取得很好的效果。
-
公开(公告)号：CN105095475B
公开(公告)日：2018-06-19
申请号：CN201510492342.4
申请日：2015-08-12
Applicant: 武汉大学
Abstract: 本发明公开了一种基于两级融合的不完整属性标记行人重识别方法与系统，首先，基于人工标注属性特征更为精确的前提，利用低层特征和高层一般属性特征的跨层稀疏重构一致性，初步融合人工标注属性来学习出完整而精确的高层属性特征，然后，用基于统计意义上的属性关注度和显著度提出关注‑显著度模型来度量行人属性向量间的距离，最后对基于低层特征的排序结果和基于关注度‑显著度的属性特征排序结果进行排序的后融合。本发明的有效性都在VIPER数据集上得到证明，同时可知，引入不完整标注属性进行行人重识别能大大提升检索效果。
-
公开(公告)号：CN108121970A
公开(公告)日：2018-06-05
申请号：CN201711417699.1
申请日：2017-12-25
Applicant: 武汉大学
IPC: G06K9/00
Abstract: 本发明涉及一种基于差异矩阵和矩阵度量的行人重识别方法，本发明的目的在于利用不同行人之间的差异性来提升重识别效果。该方法首先得到行人的特征描述，再把特征描述子从特征向量转换成差异矩阵，利用不同行人之间的差异，引入了差异内投影矩阵L1和差异间投影矩阵L2，实现不同的图像对之间的距离度量由向量度量转换到矩阵度量，该度量方式不仅利用了某一行人单独的外貌信息，更深层次地利用了不同行人之间的联系，提升了多摄像头下同一行人匹配的准确性。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.099 seconds)
